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:0
  • 来源:uu快3骗局_uu快3心得_开奖

index.max_result_window : 500

search_after:

Replicas:分片备份,用于保障数据安全与分担检索压力。

实际数据存储在HBase中,通过Rowkey查询,如下图:

谈到优化还上能否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的基础底部形态说起(如下图):

每分片检索结果数最大为 from + size,假设from =20, size =20,则每个分片还上能否获取20 20 =50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505=50条) 再在内存中排序后时候 20条给用户。这名 机制原应 越往后分页获取的代价越高,达到5000条将面临沉重的代价,默认from + size默认如下:

四、性能测试

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

倒排索引除理从词快速检索到相应文档ID, 但之还上能否不还上能对结果进行排序、分组、聚合等操作的时候 ,则还上能否根据文档ID快速找到对应的值。

8)关于合并被标记删除的记录,亲戚亲戚其他同学 设置为0,表示在合并的时候 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"。

在亲戚亲戚其他同学 的案例中,查询字段也有固定的,不提供全文检索功能,这也是几十亿数据能秒级返回的有1个 大前提:

索引每种中有 分词器、过滤器、字符映射器等;

scroll:

通过倒排索引代价缺很高:需迭代索引里的每个词项,并派发文档的列底下 token。这更慢时候 难以扩展,时候 随着词项和文档的数量增加,执行时间也会增加。

许多基本概念:

使用前有1个 分页记录的最后每根来检索下有1个 分页记录,在亲戚亲戚其他同学 的案例中,首先使用from+size,检索出结果后再使用search_after,在页面上亲戚亲戚其他同学 限制了用户不在 跳5页,不在 跳到最后一页。

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

Lucene索引文件底部形态主要的分为词典、倒排表、正向文件、DocValues等,如下图:

ES仅提供字段的检索,仅存储HBase的Rowkey不存储实际数据;

2)尽量使用keyword替代许多long时候 int相似 的,term查询总比range查询好 。

随机不同组合条件的检索,在各个数据量情况下表现如保;

2、Lucene索引实现

单节点5千万到一亿的数据量测试,检查单点承受能力;

性能的测试组合有却说,通常也很花时间,不过作为评测标准时间上的投入有必要,时候 生产跳出性能难题报告 不难 定位或不好改善。

3)增加segments的刷新时间,通过底下的原理可知道,segment作为有1个 最小的检索单元,比如segment有50个,目的还上能否查10条数据,但还上能否从50个segment。

检索每种中有 查询解析器等。

4)内存分配方面,却说文章时候 提到,给系统50%的内存给Lucene做文件缓存,它任务很繁重,却说ES节点的内存还上能否比较多(比如每个节点能配置64G以上最好)。

1、优化索引性能

4)评分消耗资源,时候 不在 可使用filter过滤来达到关闭评分功能,score则为0,时候 使用constantScoreQuery则score为1。

Type:有1个 Index的不同分类,6.x后不在 配置有1个 type,时候 将移除;

有1个 Lucene索引中有 多个segments,有1个 segment中有 多个文档,每个文档中有 多个字段,每个字段经过分词后形成有1个 或多个term。

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

5)关于分页:

许多细节优化项,官方与许多的许多文章也有描述,在此文中仅提出许多本案例的重点优化项。

7)关于段合并,合并在后台定期执行,比较大的segment还上能否很长时间不还上能完成,为了减少对许多操作的影响(如检索),ElasticSearch进行阈值限制,默认是20MB/s。

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,难题报告 为逐步构建时间长时候 消耗少许内存,容易造成OOM。

默认情况下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有1个 分片中,index和search的时候 都还上能否一致不还上能找到数据,之还上能否 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。

集群测试1亿-50亿的数量,磁盘IO/内存/CPU/网络IO消耗如保;

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

6)关于排序:亲戚亲戚其他同学 增加有1个 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。

另外SSD与机械盘在测试中性能差距如保。

目前平台稳定运行,几十亿的数据查询50条也有3秒内返回,前后翻页更快,时候 后续有性能瓶颈,可通过扩展节点分担数据压力。

可配置的参数:"indices.store.throttle.max_bytes_per_sec" : "50mb" (根据磁盘性能调整);

二、ElasticSearch检索原理

数据能跨月查询,时候 支持1年以上的历史数据查询与导出;

参考:

数据具体被存储到哪个分片上:

在一业务系统中,每种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,时候 DB中不在 保留兩个月的数据(硬件高配),分库代价较高。

Solr docs对此的解释如下:

Node:集群服务单元;

提高索引与检索的性能建议,可参考官方文档

在Lucene中,分为索引(录入)与检索(查询)两每种:

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则还上能否SSD存储提高随机读写性能。

1)批量写入,看每条数据量的大小,一般也有几百到几千。

Shards:有1个 分片是有1个 底层的工作单元,它仅保存详细数据中的一每种,它是有1个 Lucene实例 (有1个 Lucene索引最大中有 2,147,483,519 (= Integer.MAX_VALUE - 128)个文档数量);

另外有1个 比较消耗性能的是打分流程,不在 则可屏蔽。

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.)

7)关于CPU消耗,检索时之还上能否不还上能做排序则还上能否字段对比,消耗CPU比较大,时候 有时候 尽量分配16cores以上的CPU,具体看业务压力。

1、ES和Lucene基础底部形态

1)关闭不在 字段的doc values。

ES中有 1个 索引由有1个 或多个Lucene索引构成,有1个 Lucene索引由有1个 或多个segment构成,其中segment是最小的检索域。

派发来源于Lucene官方:

Cluster:中有 多个Node的集群;

优化效果评估基于基准测试,时候 不在 基准测试就无法了解否有有性能提升,在这所有的变动前做一次测试会比较好。在亲戚亲戚其他同学 的案例中:

2)多应用守护进程写入,写入应用守护进程数一般和机器数相当,还上能否 配多种情况,在测试环境通过Kibana观察性能曲线。

Document:最基础的可被索引的数据单元,如有1个 JSON串;

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方式协议伙伴“ DBAplus社群”,了解相关信息还上能否 关注“dbaplus”微信公众号

项目背景:

三、优化案例

6)使用自动生成的ID,在亲戚亲戚其他同学 的案例中使用自定义的KEY,也却说与HBase的ROW KEY,是为了能根据rowkey删除和更新数据,性能下降也有很明显。

3、关于ES索引与检索分片

ES依赖有1个 重要的组件Lucene,关于数据底部形态的优化通常来说是对Lucene的优化,它是集群的有1个 存储于检索工作单元,底部形态如下图:

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

from + size:

五、生产效果

合并应用守护进程数默认是:Math.max(1, Math.min(4, Runtime.getRuntime().availableProcessors() / 2)),时候 是机械磁盘,还上能否 考虑设置为1:index.merge.scheduler.max_thread_count: 1,在亲戚亲戚其他同学 的案例中使用SSD,配置了6个合并应用守护进程。

数据平台已迭代有1个 版本,从一始于遇到却说常见的难题报告 ,到现在终于有片段时间派发许多已完善的文档,在此分享以供所需亲戚其他同学 的实现参考,但愿能帮助亲戚亲戚其他同学 少走些弯路,在此篇幅中偏重于ElasticSearch的优化。

2、优化检索性能

关于DocValues

Index:有1个 ES索引包中有 1个 或多个物理分片,它却说哪些地方地方分片的逻辑命名空间;

一、需求说明

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

分别查询10条,共50条记录,再进行排序时候 分数比较后,截取最前面的10条,丢弃490条。在亲戚亲戚其他同学 的案例中将此 "refresh_interval": "-1" ,应用守护进程批量写入完成后进行手工刷新(调用相应的API即可)。

按条件的数据查询秒级返回。

改进版本目标:

DocValues是并否有 列存储底部形态,能快速通过文档ID找到相关还上能否排序的字段。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,时候 不在 对此字段做任何排序等工作,则可关闭以减少资源消耗。

用于大结果集查询,缺陷是还上能否维护scroll_id。

5)磁盘方面配置SSD,机械盘做阵列RAID5 RAID10确实看上去更快,时候 随机IO还是SSD好。