分库代价高的情况下,如何优化ES解决亿级数据量检索

  • 时间:
  • 浏览:2

Type:一个多多 Index的不同分类,6.x后这么 配置一个多多 type,前一天 将移除;

ES仅提供字段的检索,仅存储HBase的Rowkey不存储实际数据;

目前平台稳定运行,几十亿的数据查询5000条总要3秒内返回,前后翻页加快速度,因此后续有性能瓶颈,可通过扩展节点分担数据压力。

分别查询10条,共5000条记录,再进行排序因此分数比较后,截取最前面的10条,丢弃490条。在朋友的案例中将此 "refresh_interval": "-1" ,tcp连接批量写入完成后进行手工刷新(调用相应的API即可)。

检索累积涵盖查询解析器等。

ES依赖一个多多 重要的组件Lucene,关于数据社会形态的优化通常来说是对Lucene的优化,它是集群的一个多多 存储于检索工作单元,社会形态如下图:

http://lucene.apache.org/core/7_2_1/core/org/apache/lucene/codecs/lucene70/package-summary.html#package.description

改进版本目标:

Cluster:涵盖多个Node的集群;

7)关于CPU消耗,检索时因此还要做排序则还要字段对比,消耗CPU比较大,因此有因此尽量分配16cores以上的CPU,具体看业务压力。

倒排索引解决从词快速检索到相应文档ID, 但因此还要对结果进行排序、分组、聚合等操作的前一天 ,则还要根据文档ID快速找到对应的值。

Document:最基础的可被索引的数据单元,如一个多多 JSON串;

Shards:一个多多 分片是一个多多 底层的工作单元,它仅保存完整数据中的一累积,它是一个多多 Lucene实例 (一个多多 Lucene索引最大涵盖2,147,483,519 (= Integer.MAX_VALUE - 128)个文档数量);

原文发布时间为:2019-1-4

本文作者: mikevictor

本文来自云栖社区合作者者伙伴“ DBAplus社群”,了解相关信息还要关注“dbaplus”微信公众号

Index:一个多多 ES索引涵盖一个多多 或多个物理分片,它随后有有哪些分片的逻辑命名空间;

4)评分消耗资源,因此不还要可使用filter过滤来达到关闭评分功能,score则为0,因此使用constantScoreQuery则score为1。

2、优化检索性能

在lucene 4.0版本前通过FieldCache,原理是通过按列逆转倒排表将(field value ->doc)映射变成(doc -> field value)映射,问题报告 报告 为逐步构建时间长因此消耗少量内存,容易造成OOM。

合并tcp连接数默认是:Math.max(1, Math.min(4, Runtime.getRuntime().availableProcessors() / 2)),因此是机械磁盘,还要考虑设置为1:index.merge.scheduler.max_thread_count: 1,在朋友的案例中使用SSD,配置了6个合并tcp连接。

使用前一个多多 分页记录的最后每根来检索下一个多多 分页记录,在朋友的案例中,首先使用from+size,检索出结果后再使用search_after,在页面上朋友限制了用户这么 跳5页,这么 跳到最后一页。

在Lucene中,分为索引(录入)与检索(查询)两累积:

在一业务系统中,累积表每天的数据量过亿,已按天分表,但业务上受限于按天查询,因此DB中这么 保留五个月的数据(硬件高配),分库代价较高。

5)磁盘方面配置SSD,机械盘做阵列RAID5 RAID10其实看上去加快速度,因此随机IO还是SSD好。

2、Lucene索引实现

收集来源于Lucene官方:

数据具体被存储到哪个分片上:

项目背景:

数据能跨月查询,因此支持1年以上的历史数据查询与导出;

7)关于段合并,合并在后台定期执行,比较大的segment还要很长时间才能完成,为了减少对某些操作的影响(如检索),ElasticSearch进行阈值限制,默认是20MB/s。

index.max_result_window : 500000

search_after:

3、关于ES索引与检索分片

数据平台已迭代一个多多 版本,从一过后过后开始遇到好多好多 常见的问题报告 报告 ,到现在终于有片段时间收集某些已完善的文档,在此分享以供所需朋友的实现参考,但愿能帮助朋友少走些弯路,在此篇幅中偏重于ElasticSearch的优化。

可配置的参数:"indices.store.throttle.max_bytes_per_sec" : "500mb" (根据磁盘性能调整);

For other features that we now commonly associate with search, such as sorting, faceting, and highlighting, this approach is not very efficient. The faceting engine, for example, must look up each term that appears in each document that will make up the result set and pull the document IDs in order to build the facet list. In Solr, this is maintained in memory, and can be slow to load (depending on the number of documents, terms, etc.)

from + size:

1、优化索引性能

一个多多 Lucene索引涵盖多个segments,一个多多 segment涵盖多个文档,每个文档涵盖多个字段,每个字段经过分词后形成一个多多 或多个term。

3)关闭不还要查询字段的_source功能,不将此存储仅ES中,以节省磁盘空间。

Solr docs对此的解释如下:

优化效果评估基于基准测试,因此这么 基准测试就无法了解是否有性能提升,在这所有的变动前做一次测试会比较好。在朋友的案例中:

DocValues是五种列存储社会形态,能快速通过文档ID找到相关还要排序的字段。在ES中,默认开启所有(除了标记需analyzed的字符串字段)字段的doc values,因此不还要对此字段做任何排序等工作,则可关闭以减少资源消耗。

按条件的数据查询秒级返回。

实际数据存储在HBase中,通过Rowkey查询,如下图:

通过倒排索引代价缺很高:需迭代索引里的每个词项,并收集文档的列底下 token。这太快了 了 因此难以扩展,因此随着词项和文档的数量增加,执行时间也会增加。

2)多tcp连接写入,写入tcp连接数一般和机器数相当,还要配多种清况 ,在测试环境通过Kibana观察性能曲线。

单节点5千万到一亿的数据量测试,检查单点承受能力;

1)关闭不还要字段的doc values。

四、性能测试

6)关于排序:朋友增加一个多多 long字段,它用于存储时间和ID的组合(通过移位即可),正排与倒排性能相差不明显。

三、优化案例

性能的测试组合有好多好多 ,通常也很花时间,不过作为评测标准时间上的投入有必要,因此生产再次出现性能问题报告 报告 这么定位或不好改善。

1)批量写入,看每条数据量的大小,一般总要几百到几千。

用于大结果集查询,不足是还要维护scroll_id。

五、生产效果

ES中一个多多 索引由一个多多 或多个Lucene索引构成,一个多多 Lucene索引由一个多多 或多个segment构成,其中segment是最小的检索域。

某些基本概念:

5)关于分页:

某些细节优化项,官方与某些的某些文章总要描述,在此文中仅提出某些本案例的重点优化项。

另外一个多多 比较消耗性能的是打分流程,不还要则可屏蔽。

二、ElasticSearch检索原理

Replicas:分片备份,用于保障数据安全与分担检索压力。

https://www.elastic.co/guide/en/elasticsearch/reference/current/tune-for-indexing-speed.html

2)尽量使用keyword替代某些long因此int同类的,term查询总比range查询好 。

参考:

3)增加segments的刷新时间,通过底下的原理可知道,segment作为一个多多 最小的检索单元,比如segment有500个,目的还要查10条数据,但还要从500个segment。

另外SSD与机械盘在测试中性能差距如保。

4)内存分配方面,好多好多 文章因此提到,给系统500%的内存给Lucene做文件缓存,它任务很繁重,好多好多 ES节点的内存还要比较多(比如每个节点能配置64G以上最好)。

通过Luke工具查看ES的Lucene文件如下,主要增加了_id和_source字段:

Node:集群服务单元;

谈到优化还要要了解组件的基本原理,才容易找到瓶颈所在,以免走多种弯路,先从ES的基础社会形态说起(如下图):

随机不同组合条件的检索,在各个数据量清况 下表现如保;

8)关于合并被标记删除的记录,朋友设置为0,表示在合并的前一天 一定删除被标记的记录,默认应该是大于10%才删除: "merge.policy.expunge_deletes_allowed": "0"。

一、需求说明

集群测试1亿-500亿的数量,磁盘IO/内存/CPU/网络IO消耗如保;

http://lucene.apache.org/core/7_4_0/core/org/apache/lucene/index/PointValues.html

默认清况 下routing参数是文档ID(murmurhash3),可通过URL中的_routing参数指定数据分布在同一个多多 分片中,index和search的前一天 都还要一致才能找到数据,因此能明确根据_routing进行数据分区,则可减少分片的检索工作,以提高性能。

每分片检索结果数最大为 from + size,假设from =20, size =20,则每个分片还要获取20 20 =500条数据,多个分片的结果在协调节点合并(假设请求的分配数为5,则结果数最大为5005=5000条) 再在内存中排序后因此20条给用户。某些机制因为越往后分页获取的代价越高,达到500000条将面临沉重的代价,默认from + size默认如下:

Lucene索引文件社会形态主要的分为词典、倒排表、正向文件、DocValues等,如下图:

scroll:

索引累积涵盖分词器、过滤器、字符映射器等;

对于ES的性能研究花了不少时间,最多的关注点随后Lucene的优化,能深入了解Lucene原理对优化有很大的帮助。

1、ES和Lucene基础社会形态

关于DocValues

提高索引与检索的性能建议,可参考官方文档

Lucene随机三次磁盘读取比较耗时。其中.fdt文件保存数据值损耗空间大,.tim和.doc则还要SSD存储提高随机读写性能。

在朋友的案例中,查询字段总要固定的,不提供全文检索功能,这也是几十亿数据能秒级返回的一个多多 大前提:

6)使用自动生成的ID,在朋友的案例中使用自定义的KEY,也随后与HBase的ROW KEY,是为了能根据rowkey删除和更新数据,性能下降总要很明显。