ES实战系列-Elasticsearch介绍

Elasticsearch介绍

优势

• 高可用
• 海量数据搜索、PB级
• 便于扩展，可以很方便增加一个节点
• 实时的，延时低于1ms

全文检索

Lucene词汇表和架构

• 文档(Document)： 索引和搜索时的主要数据载体，包含一个或多个现存有数据的字段
• 字段(field)： 文档的一部分，包含名称和值两部分
• 词(term): 一个搜索单元，表示文本中得一个单词
• 标记(token): 表示在字段中出现词得属性，又词得文本、开始和结束偏移量以及类型组成

使用案例

• Github
• 维基百科
• 百度

对比Elasticsearch和Solr

• Solr利用zookeeper分布式管理，Elasticsearch自带分布式协调管理能力
• Solr支持更多的数据，ES仅支持json
• Solr官方提供的功能更多，es有很多第三方插件
• Solr在传统的搜索应用好于es,es处理实时应用搜索效率更好

对比Elasticsearch和splunk

JSON

• JSON(JavaScript Object Notation)是一种轻量级的数据交换格式，不仅易于人们阅读和编写
• json基本数据类型
  • 数字：有符号的十进制数字，可能包含小数部分，也可能使用指数E表示法，但不能包括非数字，如NaN。该格式不区分整数和浮点数。
  • 字符串：0个或多个Unicode字符的序列。字符串用双引号分隔，并支持反斜杠转义语法。
  • 布尔值：为true或false的任一值。
  • 数组：0个或多个值的有序列表，每个值可以是任何类型。数组使用方括号符号，元素以逗号分隔。
  • 对象：名称/值对的无序集合，其中名称（也称为键）是字符串。由于对象旨在表示关联数组，推荐每个键在对象内是唯一的。对象用大括号分隔，并使用逗号分隔每对，而在每一对中，用冒号（:）将键或名称与其值分隔开
  • null：一个空值，使用单词null

ES基础

• ES把输入文档和复杂的查询语法及输出的查询结果封装为XContent，数据就可以采用XML和JSON格式表示成可读的形式

• 使用RESTFul API隐藏Lucene的复杂性

• Lucene是由一个Java语言开发的开源全文检索引擎工具包。把Lucene用Netty封装成服务，使用JSON访问就是Elasticsearch，底层是Luecen

• 内置了对分布式集群和分布式索引的管理，所以相对Solr来说，不需要额外安装ZooKeeper，其更容易分布式部署

• 搜索系统整体架构

  

ES结构主要特征

• 每一个运行的实例称之为一个节点，可以在同一台计算机上运行多个实例，也可以在每台计算机上只运行一个实例
• 多个运行的实例可以组成一个集群，集群中存在一个动态选举出的一个主节点（master）,主节点宕机，会自动选出新的主节点，所以不存在单点故障
• 为了实现容错，Elasticsearch把查询文档集合分解为多个小的索引，每一个小的索引称之为==分片（shard），每一个分片都可以有0到多个副本(replicas)，每一个副本==都是分片的完整复制品，这样提高了查询速度
• 通过**Gateway来管理集群恢复，可以配置集群加入多个节点才能启动恢复数据。网关配置用于恢复任何失败的索引，当节点崩溃重新启动时，Elasticsearch将网关读取所有的索引和元数据**
• Transport：内部节点或者集群客户端之间的交互方式，默认使用TCP协议进行交互，同时支持HTTP协议（JSON格式）、Thrift,Servlet,Memcached,ZeroMQ等多种传输协议
• 支持多种扩展插件

数据架构的主要概念

1. 索引(Index)

   • 逻辑数据的存储单元，相当于RDBMS的数据库
   • 其结构为快速有效的全文索引准备，不存储原始值
   • ES把索引放在一台或多台服务器上

• 每个索引有一个多个分片（Shards），每个分片可以有多个副本(replica)

2. 文档(document)

   • 存储在ES中的主要实体，相当于RDBMS中的一行记录
   • 在文档中，相同字段必须有相同类型
   • 多值字段（multivalued)：文档由多个字段组成，每个字段多次出现在一个文档里

3. 文档类型

   • 一个索引对象可以存储很多不同用途的对象

   • 相当于Mysql中的表

4. 映射

   • ES在映射中存储有关字段的信息，每一个文档类型都有自己的映射

Elasticsearch主要概念

1. 节点和集群

2. 分片

   • 作用:解决遇到大量文档时，内存限制、硬盘能力、处理能力不足、无法快速响应，可以把数据拆分成shard，存放在不同节点上，其中每个分片都是一个独立的索引，
   • 查询的索引分布在多个**分片**上，ES会把查询发送给每个相关的分片，并将结果合并在一起
   • 应用程序并不知道分片的存在，多个分片可以加快索引

3. 副本(replica)

   • 作用：为了提高查询吞吐量和实现可用性
   • replica是一个分片的精确复制，每个分片有零个或多个副本
   • 主分片(primary)：被动选择更改索引操作，其余成为副本分片(replica shard)
   • 主分片丢失，该分片数据在集群不可用，集群将提升副本为新的主分片

4. Query DSL

   • 查询语言

5. 时光之门

索引建立和搜索

• Elasticsearch使用文档的唯一标识符来计算文档应该被放到哪个分片中

• 执行搜索请求

  

ES与关系型数据库（RDBMS）对比

Elasticsearch	RDBMS
Cluster	Database
Shard	Shard
Index	table
Field	Column
Documnet	Row

分词器

• 从一串文本切分出一个一个的词条，对词条进行标准化

• 包括三部分

  • character filter: 分词前的预处理，过滤HTML标签，特俗符号转换
  • tokenzier:分词
  • token filter:标准化

• 内置分词器

  

HTTP协议

• 客户端发起一个到服务器指定端口的http请求，服务器端按指定格式返回网页或者其他网络资源

• URL