20210404 5. 玩转 Elasticsearch 之数据模型构建 - 拉勾教育

玩转 Elasticsearch 之数据模型构建

什么是数据模型

数据模型是抽象描述现实世界的一种工具和方法，是通过抽象实体及实体之间联系的形式，用图形化的形式去描述业务规则的过程，从而表示现实世界中事务以及相互关系的一种映射。

核心概念：

• 实体：现实世界中存在的可以相互区分的事物或概念称为实体。

  实体可以分为事物实体和概念实体。例如：一个学生、一个程序员等是事物实体。一门课、一个班级等称为概念实体。

• 实体的属性：每个实体都有自己的特征，利用实体的属性可以描述不同的实体。例如。学生实体的属性为姓名、性别、年龄等。

数据建模的过程

数据建模大致分为三个阶段，概念建模阶段、逻辑建模阶段、物理建模阶段。

概念建模阶段

概念建模阶段，主要做三件事：

• 客户交流
• 理解需求
• 形成实体

确定系统的核心需求和范围边界，设计实体与实体之间的关系。

在概念建模阶段，我们只需要关注实体即可，不用关注任何实现细节。很多人都希望在这个阶段把具体表结构，索引，约束，甚至是存储过程都想好，没必要！因为这些东西是我们在物理建模阶段需要考虑的东西，这个时候考虑还为时尚早。概念模型在整个数据建模时间占比：10% 左右。

逻辑建模阶段

逻辑建模阶段，主要做二件事：

• 进一步梳理业务需求
• 确定每个实体的属性、关系和约束等

逻辑模型是对概念模型的进一步分解和细化，描述了实体、实体属性以及实体之间的关系，是概念模型延伸，一般的逻辑模型有第三范式，星型模型和雪花模型。模型的主要元素为主题、实体、实体属性和关系。

雪花模型和星状模型的主要区别是维度的层级，标准的星状模型只有一层，而雪花模型可能涉及多层。

逻辑模型的作用主要有两点：

• 一是便于技术开发人员和业务人员以及用户进行沟通 交流，使得整个概念模型更易于理解，进一步明确需求。
• 二是作为物理模型设计的基础，由于逻辑模型不依赖于具体的数据库实现，使用逻辑模型可以生成针对具体 数据库管理系统的物理模型，保证物理模型充分满足用户的需求。

逻辑模型在整个数据建模时间占比：60-70% 左右。

物理建模阶段

物理建模阶段，主要做一件事：结合具体的数据库产品（mysql/oracle/mongo/elasticsearch），在满足业务读写性能等需求的前提下确定最终的定义。

物理模型是在逻辑模型的基础上描述模型实体的细节，包括数据库产品对应的数据类型、长度、索引等因素，为逻辑模型选择一个最优的物理存储环境。

逻辑模型转化为物理模型的过程也就是实体名转化为表名，属性名转化为物理列名的过程。

在设计物理模型时，还需要考虑数据存储空间的分配，包括对列属性必须做出明确的定义。

例如：客户姓名的数据类型是 varchar2，长度是 20 ，存储在 Oracle 数据库中，并且建立索引用于提高该字段的查询效率。物理模型在整个数据建模时间占比：20-30% 左右。

数据建模的意义

数据模型支撑了系统和数据，系统和数据支撑了业务系统。

一个好的数据模型：

• 能让系统更好的集成、能简化接口。
• 能简化数据冗余 、减少磁盘空间、提升传输效率。
• 兼容更多的数据，不会因为数据类型的新增而导致实现逻辑更改。
• 能帮助更多的业务机会，提高业务效率。
• 能减少业务风险、降低业务成本。

举例：借助 logstash 实现 MySQL 到 Elasticsearch 的增量同步，如果数据建模阶段没有设计时间戳或者自增 ID ，就几乎无法实现。

ES 数据建模 Mapping 设置

ES Mapping 属性

Elasticsearch Reference [7.12] » Mapping » Mapping parameters

属性	值域	描述
enabled	true（默认）、 false	仅存储，不做搜索和聚合分析
index	true（默认）、 false	是否构建倒排索引
index_option	docs 、 freqs 、 positions 、 offsets	存储倒排索引的哪些信息
norms	true（默认）、false	是否存储归一化相关参数，如果字段仅用于过滤和聚合分析，可关闭
doc_values	true（默认）、false	是否启动 doc_values ，用户聚合和排序分析
fielddata	true（默认）、false	是否为 text 类型启动 fielddata ，实现排序和聚合分析
store	true 、false（默认）	是否存储该字段值
coerce	true（默认）、false	是否开启自动数据类型转换功能，比如：字符串转数字，浮点转整型
multifields		灵活地使用多字段解决多样的业务需求
dynamic	true（默认）、false 、strict	控制 mapping 的自动更新

ES Mapping 字段设置流程图

ES Mapping 样例

PUT blog_index
{
  "mappings": {
    "doc": {
      "_source": {
        "enabled": false
      },
      "properties": {
        "title": {
          "type": "text",
          "fields": {
            "keyword": {
              "type": "keyword",
              "ignore_above": 100
            }
          },
          "store": true
        },
        "publish_date": {
          "type": "date",
          "store": true
        },
        "author": {
          "type": "keyword",
          "ignore_above": 100,
          "store": true
        },
        "abstract": {
          "type": "text",
          "store": true
        },
        "content": {
          "type": "text",
          "store": true
        },
        "url": {
          "type": "keyword",
          "doc_values": false,
          "norms": false,
          "ignore_above": 100,
          "store": true
        }
      }
    }
  }
}

这个索引 Mapping 中， _source 设置为 false ，同时各个字段的 store 根据需求设置了 true 和 false 。 url 的 doc_values 设置为 false ，该字段 url 不用于聚合和排序操作。

建 mapping 时，可以为字符串（专指 keyword） 指定 ignore_above ，用来限定字符长度。超过 ignore_above 的字符会被存储，但不会被索引。注意，是字符长度，一个英文字母是一个字符，一个汉字也是一个字符。

在动态生成的 mapping 中， keyword 类型会被设置 ignore_above: 256 。

ignore_above 可以在创建 mapping 时指定。

ES 关联关系处理

目前 ES 主要有以下 4 种常用的方法来处理数据实体间的关联关系：

Application-side joins

这种方式，索引之间完全独立（利于对数据进行标准化处理），由应用端的多次查询来实现近似关联关系查询。这种方法适用于关联的实体只有少量的文档记录的情况（使用 ES 的 terms 查询具有上限，默认 1024 ，具体可在 elasticsearch.yml 中修改），并且最好它们很少改变。这将允许应用程序对结果进行缓存，并避免经常运行第一次查询。

PUT /user/_doc/1
{
  "name": "John Smith",
  "email": "john@smith.com",
  "dob": "1970/10/24"
} 

PUT /blogpost/_doc/2
{
  "title": "Relationships",
  "body": "It's complicated...",
  "user": 1
} 


GET /user/_search
{
  "query": {
    "match": {
      "name": "John"
    }
  }
} 


GET /blogpost/_search
{
  "query": {
    "terms": {
      "user": [
        1
      ]
    }
  }
}

Data denormalization（数据的非规范化）

这种方式，通俗点就是通过字段冗余，以一张大宽表来实现粗粒度的 index ，这样可以充分发挥扁平化的优势。但是这是以牺牲索引性能及灵活度为代价的。

使用的前提：冗余的字段应该是很少改变的，比较适合与一对少量关系的处理。当业务数据库并非采用非规范化设计时，这时要将数据同步到作为二级索引库的 ES 中，就需要进行定制化开发，基于特定业务进行应用开发来处理 join 关联和实体拼接。

说明：宽表处理在处理一对多、多对多关系时，会有字段冗余问题，适合 “一对少量” 且这个 “一” 更新不频繁的应用场景。

PUT /user/_doc/1
{
  "name": "John Smith",
  "email": "john@smith.com",
  "dob": "1970/10/24"
} 


PUT /blogpost/_doc/2
{
  "title": "Relationships",
  "body": "It's complicated...",
  "user": {
    "id": 1,
    "name": "John Smith"
  }
} 


GET /blogpost/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "title": "relationships"
          }
        },
        {
          "match": {
            "user.name": "John"
          }
        }
      ]
    }
  }
}

Nested objects（嵌套文档）

索引性能和查询性能二者不可兼得，必须进行取舍。嵌套文档将实体关系嵌套组合在单文档内部，这种方式牺牲建立索引性能（文档内任一属性变化都需要重新索引该文档）来换取查询性能，比较适合于一对少量的关系处理。

当使用嵌套文档时，使用通用的查询方式是无法访问到的，必须使用合适的查询方式（nested query、nested filter、nested facet等），很多场景下，使用嵌套文档的复杂度在于索引阶段对关联关系的组织拼装。

PUT /drivers
{
  "mappings": {
    "properties": {
      "driver": {
        "type": "nested",
        "properties": {
          "last_name": {
            "type": "text"
          },
          "vehicle": {
            "type": "nested",
            "properties": {
              "make": {
                "type": "text"
              },
              "model": {
                "type": "text"
              }
            }
          }
        }
      }
    }
  }
}


PUT /drivers/_doc/1
{
  "driver": {
    "last_name": "McQueen",
    "vehicle": [
      {
        "make": "Powell Motors",
        "model": "Canyonero"
      },
      {
        "make": "Miller-Meteor",
        "model": "Ecto-1"
      }
    ]
  }
} 


PUT /drivers/_doc/2?refresh
{
  "driver": {
    "last_name": "Hudson",
    "vehicle": [
      {
        "make": "Mifune",
        "model": "Mach Five"
      },
      {
        "make": "Miller-Meteor",
        "model": "Ecto-1"
      }
    ]
  }
}





GET /drivers/_search
{
  "query": {
    "nested": {
      "path": "driver",
      "query": {
        "nested": {
          "path": "driver.vehicle",
          "query": {
            "bool": {
              "must": [
                {
                  "match": {
                    "driver.vehicle.make": "Powell Motors"
                  }
                },
                {
                  "match": {
                    "driver.vehicle.model": "Canyonero"
                  }
                }
              ]
            }
          }
        }
      }
    }
  }
}

Parent/child relationships（父子文档）

父子文档牺牲了一定的查询性能来换取索引性能，适用于写多读少的场景。父子文档相比嵌套文档较灵活，适用于 “一对大量” 且这个 “一” 不是海量的应用场景，该方式比较耗内存和 CPU ，这种方式查询比嵌套方式慢 5~10 倍，且需要使用特定的 has_parent 和 has_child 过滤器查询语法，查询结果不能同时返回父子文档（一次 join 查询只能返回一种类型的文档）。受限于父子文档必须在同一分片上（可以通过 routing 指定父文档 id 即可）操作子文档时需要指定 routing 。

PUT my_index
{
  "mappings": {
    "properties": {
      "my_join_field": {
        "type": "join",
        "relations": {
          "question": "answer"
        }
      }
    }
  }
}

# 插入父文档
PUT /my_index/_doc/1?refresh
{
  "text": "This is a question",
  "my_join_field": {
    "name": "question"
  }
} 

PUT /my_index/_doc/2?refresh
{
  "text": "This is a question2",
  "my_join_field": "question"
} 

# 插入子文档
PUT /my_index/_doc/3?routing=1
{
  "text": "This is an answer",
  "my_join_field": {
    "name": "answer",
    "parent": "1"
  }
}


# 查询哪个文档有子文档
POST my_index/_search
{
  "query": {
    "has_child": {
      "type": "answer",
      "query": {
        "match": {
          "text": "this"
        }
      }
    }
  }
}


# 根据父文档id查询子文档
GET my_index/_search
{
  "query": {
    "parent_id": {
      "type": "answer",
      "id": "1"
    }
  }
}