ElasticSearch数据存储内容
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了ElasticSearch数据存储内容相关的知识,希望对你有一定的参考价值。
参考技术A 很多使用Elasticsearch的同学会关心数据存储在ES中的存储容量,会有这样的疑问:xxTB的数据入到ES会使用多少存储空间。这个问题其实很难直接回答的,只有数据写入ES后,才能观察到实际的存储空间。比如同样是1TB的数据,写入ES的存储空间可能差距会非常大,可能小到只有300~400GB,也可能多到6-7TB,为什么会造成这么大的差距呢?究其原因,我们来探究下Elasticsearch中的数据是如何存储。文章中我以Elasticsearch 2.3版本为示例,对应的lucene版本是5.5,Elasticsearch现在已经来到了6.5版本,数字类型、列存等存储结构有些变化,但基本的概念变化不多,文章中的内容依然适用。Elasticsearch对外提供的是index的概念,可以类比为DB,用户查询是在index上完成的,每个index由若干个shard组成,以此来达到分布式可扩展的能力。比如下图是一个由10个shard组成的index。
shard是Elasticsearch数据存储的最小单位,index的存储容量为所有shard的存储容量之和。Elasticsearch集群的存储容量则为所有index存储容量之和。
一个shard就对应了一个lucene的library。对于一个shard,Elasticsearch增加了translog的功能,类似于HBase WAL,是数据写入过程中的中间数据,其余的数据都在lucene库中管理的。
所以Elasticsearch索引使用的存储内容主要取决于lucene中的数据存储。
下面我们主要看下lucene的文件内容,在了解lucene文件内容前,大家先了解些lucene的基本概念。
lucene包的文件是由很多segment文件组成的,segments_xxx文件记录了lucene包下面的segment文件数量。每个segment会包含如下的文件。
下面我们以真实的数据作为示例,看看lucene中各类型数据的容量占比。
写100w数据,有一个uuid字段,写入的是长度为36位的uuid,字符串总为3600w字节,约为35M。
数据使用一个shard,不带副本,使用默认的压缩算法,写入完成后merge成一个segment方便观察。
使用线上默认的配置,uuid存为不分词的字符串类型。创建如下索引:
首先写入100w不同的uuid,使用磁盘容量细节如下:
可以看到正排数据、倒排索引数据,列存数据容量占比几乎相同,正排数据和倒排数据还会存储Elasticsearch的唯一id字段,所以容量会比列存多一些。
35M的uuid存入Elasticsearch后,数据膨胀了3倍,达到了122.7mb。Elasticsearch竟然这么消耗资源,不要着急下结论,接下来看另一个测试结果。
我们写入100w一样的uuid,然后看看Elasticsearch使用的容量。
这回35M的数据Elasticsearch容量只有13.2mb,其中还有主要的占比还是Elasticsearch的唯一id,100w的uuid几乎不占存储容积。
所以在Elasticsearch中建立索引的字段如果基数越大(count distinct),越占用磁盘空间。
我们再看看存100w个不一样的整型会是如何。
从结果可以看到,100w整型数据,Elasticsearch的存储开销为13.6mb。如果以int型计算100w数据的长度的话,为400w字节,大概是3.8mb数据。忽略Elasticsearch唯一id字段的影响,Elasticsearch实际存储容量跟整型数据长度差不多。
我们再看一下开启最佳压缩参数对存储空间的影响:
结果中可以发现,只有正排数据会启动压缩,压缩能力确实强劲,不考虑唯一id字段,存储容量大概压缩到接近50%。
我们还做了一些实验,Elasticsearch默认是开启_all参数的,_all可以让用户传入的整体json数据作为全文检索的字段,可以更方便的检索,但在现实场景中已经使用的不多,相反会增加很多存储容量的开销,可以看下开启_all的磁盘空间使用情况:
开启_all比不开启多了40mb的存储空间,多的数据都在倒排索引上,大约会增加30%多的存储开销。所以线上都直接禁用。
然后我还做了其他几个尝试,为了验证存储容量是否和数据量成正比,写入1000w数据的uuid,发现存储容量基本为100w数据的10倍。我还验证了数据长度是否和数据量成正比,发现把uuid增长2倍、4倍,存储容量也响应的增加了2倍和4倍。在此就不一一列出数据了。
文件名为:segments_xxx
该文件为lucene数据文件的元信息文件,记录所有segment的元数据信息。
该文件主要记录了目前有多少segment,每个segment有一些基本信息,更新这些信息定位到每个segment的元信息文件。
lucene元信息文件还支持记录userData,Elasticsearch可以在此记录translog的一些相关信息。
文件后缀:.si
每个segment都有一个.si文件,记录了该segment的元信息。
segment元信息文件中记录了segment的文档数量,segment对应的文件列表等信息。
文件后缀:.fnm
该文件存储了fields的基本信息。
fields信息中包括field的数量,field的类型,以及IndexOpetions,包括是否存储、是否索引,是否分词,是否需要列存等等。
文件后缀:.fdx, .fdt
索引文件为.fdx,数据文件为.fdt,数据存储文件功能为根据自动的文档id,得到文档的内容,搜索引擎的术语习惯称之为正排数据,即doc_id -> content,es的_source数据就存在这
索引文件记录了快速定位文档数据的索引信息,数据文件记录了所有文档id的具体内容。
索引后缀:.tip,.tim
倒排索引也包含索引文件和数据文件,.tip为索引文件,.tim为数据文件,索引文件包含了每个字段的索引元信息,数据文件有具体的索引内容。
5.5.0版本的倒排索引实现为FST tree,FST tree的最大优势就是内存空间占用非常低 ,具体可以参看下这篇文章: http://www.cnblogs.com/bonelee/p/6226185.html
http://examples.mikemccandless.com/fst.py?terms=&cmd=Build+it 为FST图实例,可以根据输入的数据构造出FST图
生成的 FST 图为:
文件后缀:.doc, .pos, .pay
.doc保存了每个term的doc id列表和term在doc中的词频
全文索引的字段,会有.pos文件,保存了term在doc中的位置
全文索引的字段,使用了一些像payloads的高级特性才会有.pay文件,保存了term在doc中的一些高级特性
文件后缀:.dvm, .dvd
索引文件为.dvm,数据文件为.dvd。
lucene实现的docvalues有如下类型:
其中SORTED_SET 的 SORTED_SINGLE_VALUED类型包括了两类数据 : binary + numeric, binary是按ord排序的term的列表,numeric是doc到ord的映射。
1.elasticsearch文档存储(保存|修改|删除)
【README】
0.本文部分内容(数据)总结自 es 开发文档, Document APIs | Elasticsearch Guide [7.2] | Elastic ;
1.本文的es版本是7.2.1;
2.elasticsearch 是一个数据存储,检索和分析引擎;本文介绍的是 es数据存储开发方式;
- es是以文档为单位存储数据的,数据被序列化为json文档进行存储;
3.文档存储包括文档保存,修改,删除;(文档查询的开发方式比较复杂,单独新开一篇阐述)
- 保存文档:使用 put 或 post请求;
- 修改文档:使用put和post请求;
- put请求更新文档是全量替换;
- post请求路径不带 _update 更新文档是 全量替换;
- post请求路径带 _update 更新文档是 部分更新;且 带了 _update 时,会比较新老数据是否相同,若相同则不执行更新,返回noop;
- 删除文档:用delete请求(包括删除文档,删除索引);
【1】保存文档
保存文档可以用put请求或post请求;
- Put 与 post请求保存文档的区别:put必须带文档id,post可以带 或者不带id;
【1.1】put请求保存文档
1) 在customer索引下的 external类型下保存2号文档,文档id设置为2;
Put localhost:9200/customer/external/2
"name":"zhangsan2"
"_index": "customer",
"_type": "external",
"_id": "2",
"_version": 1,
"result": "created", // 这里表示创建
"_shards":
"total": 2,
"successful": 1,
"failed": 0
,
"_seq_no": 2,
"_primary_term": 1
2)再执行一次,result就是更新 updated 的了;
"_index": "customer",
"_type": "external",
"_id": "2",
"_version": 2,
"result": "updated", // 第2次执行就是更新
"_shards":
"total": 2,
"successful": 1,
"failed": 0
,
"_seq_no": 3,
"_primary_term": 1
【1.2】post请求保存文档
1) 在customer索引下的 external类型下保存文档(不带文档id);
Post localhost:9200/customer/external
"name":"zhangsan_post_1"
"_index": "customer",
"_type": "external",
"_id": "Qb1Gq4MBJc7j47GNcnTa", // 自动生成id,请求路径不需要设置id
"_version": 1,
"result": "created", // 新增数据
"_shards":
"total": 2,
"successful": 1,
"failed": 0
,
"_seq_no": 4,
"_primary_term": 1
【Post请求小结】
- 不带id就是永远新增,带了id的规则是无则新增,有则更新;
2)post请求保存文档,带文档id
Post localhost:9200/customer/external/Qr1Jq4MBJc7j47GNp3RF
"name":"zhangsan_post_3"
"_index": "customer",
"_type": "external",
"_id": "Qr1Jq4MBJc7j47GNp3RF",
"_version": 5, // 版本号递增
"result": "updated", // 更新
"_shards":
"total": 2,
"successful": 1,
"failed": 0
,
"_seq_no": 9,
"_primary_term": 1
【2】es文档简单查询
为了方便验证es文档保存,修改,删除的效果,本文介绍了一个简单查询。
【2.1】get请求带文档id查询文档
Get localhost:9200/customer/external/1
"_index": "customer", // 在哪个索引
"_type": "external", // 在哪个类型
"_id": "1", // 记录id
"_version": 2, // 表明数据被更新过,因为新建数据的版本号是1
"_seq_no": 1, // 并发控制字段,每次更新就会+1;用来做乐观锁;
"_primary_term": 1, // 同上,主分片重新分配,如重启,就会变化
"found": true, //
"_source": // 真正的内容
"name": "zhangsan"
【2.2】seq_no 和 primary_term 做并发控制(乐观锁)
步骤1)查询id等于1的文档
"_index": "customer",
"_type": "external",
"_id": "1",
"_version": 4,
"_seq_no": 11,
"_primary_term": 1,
"found": true,
"_source":
"name": "zhangsan2_update_seq_11"
步骤2)把 seq_no 和 primary_term 作为更新条件
客户端1:(修改成功)
Post localhost:9200/customer/external/1?if_seq_no=11&if_primary_term=1
"name":"zhangsan_post_update_c1"
"_index": "customer",
"_type": "external",
"_id": "1",
"_version": 5,
"result": "updated",
"_shards":
"total": 2,
"successful": 1,
"failed": 0
,
"_seq_no": 12,
"_primary_term": 1
客户端2(修改失败),因为 seq_no 因客户端1修改文档的事件而递增了,即不等于11 :
Post localhost:9200/customer/external/1?if_seq_no=11&if_primary_term=1
"name":"zhangsan_post_update_c2"
"error":
"root_cause": [
"type": "version_conflict_engine_exception",
"reason": "[1]: version conflict, required seqNo [11], primary term [1]. current document has seqNo [12] and primary term [1]",
"index_uuid": "IIq46lyCQMisw9_iPDheiw",
"shard": "0",
"index": "customer"
],
......
,
"status": 409
【3】修改文档
1)post 或 put请求都可以修改文档;
- post请求修改文档又分为 请求路径带 _update 和 不带_update;(post不带_update更新文档是全量替换,带_update 是部分更新)
- put请求修改文档 时的请求路径不能带 _update ;(put更新文档是全量替换)
【3.1】post请求路径带_update更新文档
1)更新文档id为1的文档
Post localhost:9200/customer/external/1/_update
"doc": // 注意 post请求路径带update的更新的请求体不同
"name":"post_update_202210061135"
"_index": "customer",
"_type": "external",
"_id": "1",
"_version": 6,
"result": "updated",
"_shards":
"total": 2,
"successful": 1,
"failed": 0
,
"_seq_no": 13,
"_primary_term": 1
2)再发送一次相同请求,且报文体也相同,则得到 noop ;
Post localhost:9200/customer/external/1/_update
"doc":
"name":"post_update_202210061135"
"_index": "customer",
"_type": "external",
"_id": "1",
"_version": 6,
"result": "noop", // 没有做任何操作
"_shards":
"total": 0,
"successful": 0,
"failed": 0
【3.2】post请求路径不带_update更新文档
1)更新id等于1的文档
Post localhost:9200/customer/external/1
"name":"zhangsan_post_update_noupdate"
"_index": "customer",
"_type": "external",
"_id": "1",
"_version": 7,
"result": "updated",
"_shards":
"total": 2,
"successful": 1,
"failed": 0
,
"_seq_no": 14,
"_primary_term": 1
2)再发一次相同请求,相同报文体,如下:
"_index": "customer",
"_type": "external",
"_id": "1",
"_version": 8,
"result": "updated",
"_shards":
"total": 2,
"successful": 1,
"failed": 0
,
"_seq_no": 15,
"_primary_term": 1
【小结】
- Post请求路径带update,会检查新老数据是否相同,若相同,则无需更新;即version, seq_no 都不会增加;
- Post请求路径不带update,则不会检查新老数据是否相同,无论是否相同,都会更新;即 version 和 seq_no 都会增加;
【3.3】put请求路径带_update更新文档(API不存在)
put请求更新文档时,其请求路径不能带 _update ;
【3.4】put请求路径不带_update更新文档 (全量替换)
0)初始数据:id为2的文档;
post localhost:9200/customer/external/2
"_index": "customer",
"_type": "external",
"_id": "2",
"_version": 6,
"_seq_no": 8,
"_primary_term": 2,
"found": true,
"_source":
"name": "post_zhangsan_02",
"addr": "post_addr_02"
1)更新id为2的文档
Put localhost:9200/customer/external/2
"doc":
"name":"put_update_202210071519"
// 更新后的结果
"_index": "customer",
"_type": "external",
"_id": "2",
"_version": 7,
"_seq_no": 9,
"_primary_term": 2,
"found": true,
"_source":
"doc":
"name": "put_update_202210071519"
【小结】
- put请求路径不带_update可以更新成功; 不会检查新老数据是否相同,都会更新;
- put请求更新文档是全量覆盖(虽然put请求仅更新了name字段,但结果是addr字段被删除了);
【3.5】post请求为索引新增字段
1)为id为1的文档新增 addr 字段;
Post localhost:9200/customer/external/1
"doc":
"name":"post_noupdate_202210061151"
, "addr":"成都高新区01_post_新增属性"
"_index": "customer",
"_type": "external",
"_id": "1",
"_version": 11,
"result": "updated",
"_shards":
"total": 2,
"successful": 1,
"failed": 0
,
"_seq_no": 18,
"_primary_term": 1
【3.6】put请求为索引新增字段
1)为id为1的文档新增 addr 字段;
Put localhost:9200/customer/external/1
"doc":
"name":"post_noupdate_202210061154"
, "addr":"成都高新区02_put_新增属性"
"_index": "customer",
"_type": "external",
"_id": "1",
"_version": 12,
"result": "updated",
"_shards":
"total": 2,
"successful": 1,
"failed": 0
,
"_seq_no": 19,
"_primary_term": 1
【3.7】post请求更新文档时带_update与不带_update的区别
1)post请求路径带_update,仅部分更新(我想大部分场景应该选择带 _update)
- 如文档有字段1,字段2;
- 通过post带update的更新,可以仅更新字段1 或 字段2;
2)post请求路径不带update,是全量覆盖
- 如文档有字段1,字段2;
- 通过post不带update的更新,是全量覆盖;
3)例子(post请求带与不带_update 更新文档的区别):
3.0)初始数据
get localhost:9200/customer/external/2
"_index": "customer",
"_type": "external",
"_id": "2",
"_version": 6,
"_seq_no": 24,
"_primary_term": 1,
"found": true,
"_source":
"name": "zhangsan2_insert",
"addr": "post_带update_成都04"
3.1)Post请求路径带update的部分更新 ;
Post localhost:9200/customer/external/2/_update
"doc":
"addr":"post_带update_成都05"
// 更新后的结果(部分更新):
"_index": "customer",
"_type": "external",
"_id": "2",
"_version": 7,
"_seq_no": 25,
"_primary_term": 1,
"found": true,
"_source":
"name": "zhangsan2_insert",
"addr": "post_带update_成都05"
3.2)post请求路径不带_update 的全量替换 ;
Post localhost:9200/customer/external/2
"addr":"post_不带update_成都06"
// 更新后的结果(全量替换):
"_index": "customer",
"_type": "external",
"_id": "2",
"_version": 8,
"_seq_no": 26,
"_primary_term": 1,
"found": true,
"_source":
"addr": "post_不带update_成都06" // (显然,这里是全量替换)
【4】删除数据(删除文档和索引)
【4.1】删除文档
1)删除文档id为2的文档
Delete localhost:9200/customer/external/2
"_index": "customer",
"_type": "external",
"_id": "2",
"_version": 9,
"result": "deleted", // 删除成功
"_shards":
"total": 2,
"successful": 1,
"failed": 0
,
"_seq_no": 27,
"_primary_term": 1
2)删除完成后,再次查询id为2的文档,如下:
Get localhost:9200/customer/external/2
"_index": "customer",
"_type": "external",
"_id": "2",
"found": false // 显然没有找到
【4.2】删除索引
注意: es中没有提供删除类型的api ;
1)删除customer索引;
Delete localhost:9200/customer
"acknowledged": true
2)删除索引文档后,,再次查询(报索引不存在);
Get localhost:9200/customer/external/2
"error":
"root_cause": [
"type": "index_not_found_exception",
"reason": "no such index [customer]",
"resource.type": "index_expression",
"resource.id": "customer",
"index_uuid": "_na_",
"index": "customer"
],
......
,
"status": 404
以上是关于ElasticSearch数据存储内容的主要内容,如果未能解决你的问题,请参考以下文章
京东把 Elasticsearch 用得真牛逼!日均5亿订单查询完美解决!