13.ElasticSearch系列之分布式特性及分布式搜索机制(二)
分片内部原理及其生命周期
- 什么是ES分片
- ES中最小的工作单元,是一个Lucene的index
- 一些问题
- ES搜索是近实时的
- ES在断电时数据不会丢失
- 删除文档,不会立刻释放空间
1.1 倒排索引不可变性
- 倒排索引采用Immutable Design,一旦生成,不可更改
- 不可变性优点
- 无需考虑并发写文件的问题,避免了锁机制带来的性能问题
- 一旦读入内核的文件系统缓存,便留在那里。只要文件系统存有足够的空间,大部分请求就会直接请求内存,不会命中磁盘,提升很大性能
- 缓存容易生成和维护 / 数据可以被压缩
- 挑战:如果需要让一个新的文档可以被搜索,需要重建整个索引
1.2 Lucene Index组成
- Segment: 即单个倒排索引文件, Segment是自包含,不可变更的。
- Lucene Index:多个Segment的汇总,也就是ES的Shard
- 当新文档写入时,会生成新的Segment,查询时会将所有的Segment,并对结果汇总。
- Commit Point: 记录所有的Segment信息
- .del: 保存删除的文档信息
1.3 Refresh
- Refresh: 将Index Buffer写入Segment的过程叫做Refresh, Refresh不执行fsync操作
- Refresh频率:默认1秒发生一次,可通过index.refresh_interval配置。Refresh后,数据就可以被搜索到了。这也是为什么ElasticSearch被称为近实时搜索
- 如果系统有大量的数据写入,那就会产生很多的Segment
- Index Buffer被占满时,会触发refresh,默认值是JVM的10%
1.4 Transaction Log
- Segment写入磁盘过程相对耗时,借助文件系统缓存,Refresh时,先将Segment写入缓存已开放查询
- 为了保证数据不会丢失。所以在index文档时,同时写Transaction Log,高版本开始,Transaction Log默认落盘。每个分片有一个Transaction Log
- 在ES Refresh时,Index Buffer被清空,Transaction Log不会清空
1.5 Flush
ES Flush & Lucene Commit执行过程:
- 调用Refresh,Index Buffer清空并Refresh
- 调用fsync, 将缓存中的segments写入磁盘
- 清空Transaction Log
- 默认30分钟调用一次 或 Transaction Log满(默认512M)
1.6 Merge
- Segment很多,需要被定期合并
- 减少Segments / 删除已经删除的文档
- ES和Lucene会自动进行merge操作
- POST my_index/_forcemerge