架构师必备：多维度查询的最佳实践
背景
有2种常见的多维度查询场景，分别是：
- 带多个筛选条件的列表查询
- 不含分库分表列的其他维度查询
普通的数据库查询，很难实现上述需求场景，更不用提模糊查询、全文检索了。
下面结合楼主的经验和知识，介绍初级方案、进阶方案（上ElasticSearch），大部分情况下推荐使用ElasticSearch来实现多维度查询，赶时间的读者可以直接跳到“进阶方案：将ElasticSearch添加到现有系统中”。
初级方案
1、根据常见查询场景，增加相应字段的组合索引
这个是为了实现带多个筛选条件的列表查询的。
优点
- 非常简单
- 读写不一致时间较短：取决于数据库主从同步延时，一般为毫秒级别
缺点
- 非常局限：除非筛选条件比较固定，否则难以应付后续新增或修改筛选条件
- 如果每次来新的筛选查询字段的需求，就新增索引，最终导致索引过于庞大，影响性能
于是就出现了经典的一幕：产品提需求说要支持某个新字段的筛选查询，开发反馈说做不了、或者成本很高，于是不了了之 :）
2、异构出多份数据
更加优雅的方式，是异构出多份数据。
例如，C端按用户维度查询，B端按店铺维度查询，如果还有供应商，按供应商维度查询。一个数据库只能按一种维度来分库。
（1）程序写入多个数据源
优点是：非常简单。
缺点
- 跨库写存在一致性问题（除非不同维度的表使用公共的分库，事务写入），性能低
- 不能灵活支持更多其他维度的查询
（2）借助Canal实现数据的自动同步
通过Canal同步数据，异构出多个维度的数据源。详见之前写的这篇文章：架构师必备：巧用Canal实现异步、解耦的架构
优点是：更加优雅，无需改动程序主流程。
缺点
- 仍然无法解决不断变化的需求，不可能为了支持新维度就异构出一份新数据
进阶方案：将ElasticSearch添加到现有系统中
应用架构
现有系统一般都会用到MySQL数据库，需要引入ES，为系统增强多维度查询的功能。
MySQL继续承担业务的实时读写请求、事务操作，ES承担近实时的多维度查询请求，ES可支撑十万级别qps（取决于节点数、分片数、副本数）。
需要注意的是：同步数据至ES是秒级延迟（主要耗费在索引refresh），而查询已进入索引的文档，是在数毫秒到数百毫秒级别。
导入数据
需要同步机制，来把MySQL中的数据导入到ES中，主要流程如下：
- 预先定义ES索引的mapping配置，而不依赖ES自动生成mapping
- 初始全量导入，后续增量导入：Canal+MQ数据管道同步，不需要或仅需少量代码工作
- 数据过滤：不导入无需检索的字段，减小索引大学，提高性能
- 数据扁平化处理：如果数据库中有json字段列，需要从中提取业务字段，避免嵌套类型的字段，提高性能
查询数据
-
从ES 8.x版本开始，建议使用Java api client，并且要Java 8及以上环境，因为可使用各种lambda函数，来提高代码可读性
- 优点是新客户端与server代码完全耦合（相比于原Java transport client，在8.x版本已废弃），并且API风格与http rest api很接近（相比于原Java rest client，在8.x版本已废弃），只要熟练掌握http json请求体写法，即可快速上手。
- 底层使用的还是原来的low level rest client，实现了http长连接、访问ES各节点的负载均衡、故障转移，最底层依赖的是apache http async client。
-
ES 7.x版本及以下，或使用Java 7及以下，建议升级，否则就只能继续用high level rest client。
代码示例如下（含详细注释）：
public class EsClientDemo {
// demo演示：创建client，然后搜索
public void createClientAndSearch() throws Exception {
// 创建底层的low level rest client，连接ES节点的9200端口
RestClient restClient = RestClient.builder(
new HttpHost("localhost", 9200)).build();
// 创建transport类，传入底层的low level rest client，和json解析器
ElasticsearchTransport transport = new RestClientTransport(
restClient, new JacksonJsonpMapper());
// 创建核心client类，后续操作都围绕此对象
ElasticsearchClient esClient = new ElasticsearchClient(transport);
// 多条件搜索
// fluent API风格，并且使用lambda函数提高代码可读性，可以看出Java api client的语法，同http json请求体非常相似
String searchText = "bike";
String brand = "brandNew";
double maxPrice = 1000;
// 根据商品名称，做match全文检索查询
Query byName = MatchQuery.of(m -> m
.field("name")
.query(searchText)
)._toQuery();
// 根据品牌，做term精确查询
Query byBrand = new Query.Builder()
.term(t -> t
.field("brand")
.value(v -> v.stringValue(brand))
).build();
// 根据价格，做range范围查询
Query byMaxPrice = RangeQuery.of(r -> r
.field("price")
.lte(JsonData.of(maxPrice))
)._toQuery();
// 调用核心client，做查询
SearchResponse<Product> response = esClient.search(s -> s
.index("products") // 指定ES索引
.query(q -> q // 指定查询DSL
.bool(b -> b // 多条件must组合，必须同时满足
.must(byName)
.must(byBrand)
.must(byMaxPrice)
)
),
Product.class
);
// 遍历命中结果
List<Hit<Product>> hits = response.hits().hits();
for (Hit<Product> hit: hits) {
Product product = hit.source(); // 通过source获取结果
logger.info("Found product " + product.getName() + ", score " + hit.score());
}
}
}
可参阅：https://www.elastic.co/guide/en/elasticsearch/client/index.html
数据模型转换
因为既有MySQL，又有ES，所以有2种异构的数据模型。需要在代码中定义2种数据模型，并且实现类型互相转换的工具类。
- MySQL数据VO
- ES数据VO
- MySQL数据VO、ES数据VO互相转换工具
- 业务层BO
- 接口DTO
原理概要
ES之所以比MySQL，能胜任多维度查询、全文检索，是因为底层数据结构不同：
- ES倒排索引
- 如果是全文检索字段：会先分词，然后生成 term -> document 的倒排索引，查询时也会把query分词，然后检索出相关的文档。相关度算法如TF-IDF（term frequency–inverse document frequency），取决于：词在该文档中出现的频率（TF，term frequency），越高代表越相关；以及词在所有文档中出现的频率（IDF，inverse document frequency），越高代表越不相关，相当于是一个通用的词，对相关性影响较小。
- 如果是精确值字段：则无需分词，直接把query作为一个整体的term，查询对应文档。
- 因为文档中的所有字段，都生成了倒排索引，所以能处理多维度组合查询
- MySQL B+树
- B+树的非叶子节点记录了孩子节点值的范围，而叶子节点记录了真正的一组值，并且在同一层，形成了一个有序链表
- 组合索引需要显式创建：选择需索引的字段、并且顺序是重要的，所以如果待查询的字段不在索引中，就无法高效查询，可能演变为全表扫描（对聚簇索引的叶子节点做一次遍历）
另外简要回顾一下ES的架构要点：
- 节点分为主节点、数据节点，一个节点上可以有多个分片，分片分为主分片、副本分片，1对多，主分片与副本分片分布在不同的节点，来实现高可用
- 主分片数在创建时，就需要指定，在创建后不能随意更改（如果变化，路由就会出错）；而副本分片可以增加，来提高ES集群的查询QPS
- 路由算法：id % 主分片数，如果创建文档时不指定id，则ES会自动生成；一般会传自定义业务id
优点、缺点
优点
- 支持各字段的多维度组合查询，无惧未来新增字段（主要成本在于新增字段后、重建索引）
- 与现有系统完全解耦，适合架构演进
- 在数据量级上远胜Mysql，最大支持PB级数据的存储和查询
缺点
- 读写不一致时间在秒级：因为有2个耗时阶段，一是同步阶段将数据从MySQL数据库写入ES，二是ES索引refresh阶段，数据从buffer写入索引后才可查到
- 因此一个trick就是，在写入操作后，前端延迟调用后端的列表查询接口，比如延迟1秒后再展示
- 超高并发下存在瓶颈，存在稳定性问题：目前原生版本支持大约 3-5 万分片，性能已经到达极限，创建索引基本到达 30 秒+ 甚至分钟级。节点数只能到 500 左右基本是极限了。但依然能满足绝大部分场景。数据来源：https://elasticsearch.cn/slides/259#page=30
ES最佳实践
- 只把需要搜索的数据导入ES，避免索引过大
- 数据扁平化，不用嵌套结构，提高性能
- 合理设置字段类型，预先定义mapping配置，而不依赖ES自动生成mapping
- 精确值的类型指定为keyword（mapping配置），并且使用term查询
- 精确值是指无需进行range范围查询的字段，既可以是字符串，比如书的作者名字，也可以是数值，比如商品id、订单id、图书ISBN编号、枚举值。在使用中，大部分场景是以id类作为精确值
- 避免无路由查询：无路由查询会并发在多个索引上查询、归并排序结果，会使得集群cpu飙升，影响稳定性
- 避免深度分页查询：如有大量数据查询，推荐用scroll滚动查询
- 设置合理的文件系统缓存（filesytem cache）大小，提高性能：因为ES查询的热数据在文件系统缓存中
- ES分片数在创建后不能随意改动，但是副本数可以随时增加，来提高最大QPS。如果单个分片压力过大，需要扩容。
更进一步
前面提到ES超高并发下存在瓶颈，极端情况下可能遇到OOM，因此超高并发下需要C++实现的专用搜索引擎
例如：
- 百度：通用搜索引擎，根据文字、图片搜索信息
- 电商垂类：电商专用搜索引擎，比如根据关键词查找商品，或根据品牌、价格筛选商品，可总结为商品的搜索、广告、推荐
