ElasticSearch 深度分页 （史上最全）

Posted 疯狂创客圈

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 深度分页 （史上最全）相关的知识，希望对你有一定的参考价值。

文章很长，而且持续更新，建议收藏起来，慢慢读！ Java 高并发 发烧友社群：疯狂创客圈（总入口） 奉上以下珍贵的学习资源：

推荐：入大厂 、做架构、大力提升Java 内功 的 精彩博文

入大厂 、做架构、大力提升Java 内功 必备的精彩博文 2021 秋招涨薪1W + 必备的精彩博文
1：Redis 分布式锁 （图解-秒懂-史上最全） 2：Zookeeper 分布式锁 （图解-秒懂-史上最全）
3: Redis与MySQL双写一致性如何保证？ （面试必备） 4: 面试必备：秒杀超卖 解决方案 （史上最全）
5:面试必备之：Reactor模式 6: 10分钟看懂， Java NIO 底层原理
7:TCP/IP（图解+秒懂+史上最全） 8：Feign原理 （图解）
9:DNS图解（秒懂 + 史上最全 + 高薪必备） 10：CDN图解（秒懂 + 史上最全 + 高薪必备）
11: 分布式事务（ 图解 + 史上最全 + 吐血推荐 ） 12：seata AT模式实战（图解+秒懂+史上最全）
13：seata 源码解读（图解+秒懂+史上最全） 14：seata TCC模式实战（图解+秒懂+史上最全）
Java 面试题 30个专题 , 史上最全 , 面试必刷 阿里、京东、美团... 随意挑、横着走！！！
1： JVM面试题（史上最强、持续更新、吐血推荐） 2：Java基础面试题（史上最全、持续更新、吐血推荐
3：架构设计面试题 （史上最全、持续更新、吐血推荐） 4：设计模式面试题 （史上最全、持续更新、吐血推荐）
17、分布式事务面试题 （史上最全、持续更新、吐血推荐） 一致性协议 （史上最全）
29、多线程面试题（史上最全） 30、HR面经，过五关斩六将后，小心阴沟翻船！
9.网络协议面试题（史上最全、持续更新、吐血推荐） 更多专题， 请参见【 疯狂创客圈 高并发 总目录 】
SpringCloud 精彩博文
nacos 实战（史上最全） sentinel （史上最全+入门教程）
SpringCloud gateway （史上最全） 更多专题， 请参见【 疯狂创客圈 高并发 总目录 】

ElasticSearch 深度分页 （史上最全）

社群小伙伴的呼声

三大ElasticSearch分页方式

  • 传统方式（from&size）

    顶部查询，查询10000以内的文档
    场景：需要实时获取顶部的部分文档。

    eg: 例如查询最新的订单。

  • Scroll 游标方式

    深度分页，用于非实时查询场景
    eg：需要全部文档，例如导出全部数据

  • Search After
    深度分页，用于实时查询场景

    注意es版本，低版本不能使用，具体见后文

from&size分页

POST movies/_search

  "from": 10000,
  "size": 10,
  "query": 
    "match_all":

这是ElasticSearch最简单的分页查询 , from + size 为 10000 +10， 需要查询的文档从10000 到 10010

以上命令是会报错的。

"root_cause": [
      
        "type": "illegal_argument_exception",
        "reason": "Result window is too large, from + size must be less than or equal to: [10000] but was [10001]. See the scroll api for a more efficient way to request large data sets. This limit can be set by changing the [index.max_result_window] index level setting."
      
    ],
    "type": "search_phase_execution_exception",

报错信息，指window默认是10000。

from&size为何不能获取10000个以上的文档

性能

为了性能，es限制了我们分页的深度，

es目前支持的最大的 max_result_window = 10000；

也就是说我们不能获取10000个以上的文档 ， 当ES 分页查询超过一定的值（10000）后，会报错

怎么解决这个问题，首先能想到的就是调大这个window。

PUT movies/_settings
 
    "index" :  
        "max_result_window" : 20000

但这种方法只是暂时解决问题，当数据量越来越大，分页也越来越深，而且越会出OOM问题的。

from&size分页为何会OOM

协调节点或者客户端节点，需要讲请求发送到所有的分片

每个分片把from + size个结果，返回给协调节点或者客户端节点‘

协调节点或者客户端节点进行结果合并，如果有n个分片，则查询数据是 n * (from+size) , 如果from很大的话，会造成oom或者网络资源的浪费。

例子

如请求第20页，Elasticsearch不得不取出所有分片上的第1页到第20页的所有文档，并做排序，最终再取出from后的size条结果作最终的返回

假设你有16个分片，则需要在coordinate node彙总到 shards* (from+size)条记录，即需要16*(20+10)记录后做一次全局排序

所以，当索引非常非常大(千万或亿)，是无法使用from + size 做深分页的，分页越深则越容易OOM，

即便不OOM，也很消耗CPU和内存资源

结论是：

max_result_window 越大，副本越多，越容易OOM

所以不建议去 修改 max_result_window

可以看到，在分布式系统中，对结果排序的成本随分页的深度成指数上升。这就是 web 搜索引擎对任何查询都不要返回超过 10000 个结果的原因。

Scroll 滚动游标分页（查询快照）

ES为了避免深分页，不允许使用分页(from&size)查询10000条以后的数据，

因此如果要查询第10000条以后的数据，要使用ES提供的 scroll(游标) 来查询

Scroll 滚动游标原理：

对一次查询生成一个游标 scroll_id ， 后续的查询只需要根据这个游标scroll_id 去取数据，直到结果集中返回的 hits 字段为空，就表示遍历结束。

scroll_id 的生成可以理解为建立了一个临时的历史快照，或者可以理解为一个保存doc快照的临时的结果文件，快照文件形成之后，原doc的增删改查等操作不会影响到这个快照的结果。

Scroll 滚动游标可以简单理解为：

使用scroll就是一次把要用的数据都排完了，缓存起来

在遍历时，从这个快照里取数据，分批取出，

因此，游标可以增加性能的原因，Scroll 使用from+size还好

是因为如果做深分页，from+size 每次搜索都必须重新排序，非常浪费资源，而且容易OOM

Scroll 滚动游标使用过程：

使用 Scroll 进行分页读取过程如下：

先获取第一个 scroll_id，url 参数包括 /index/_type/ 和 scroll，

scroll 字段指定了scroll_id 的有效生存期，以分钟为单位，过期之后es 自动清理 快照数据（临时文件）。

如果文档不需要特定排序，可以指定按照文档创建的时间返回会使迭代更高效。

[root@dnsserver ~]# curl -XGET 200.200.107.232:9200/product/info/_search?pretty&scroll=2m -d 
\'"query":"match_all":, "size": 10, "sort": ["_doc"]\'

# 返回结果

  "_scroll_id": "cXVlcnlBbmRGZXRjaDsxOzg3OTA4NDpTQzRmWWkwQ1Q1bUlwMjc0WmdIX2ZnOzA7",
  "took": 1,
  "timed_out": false,
  "_shards": 
  "total": 1,
  "successful": 1,
  "failed": 0
  ,
  "hits":...

参数scroll=2m：

表示 srcoll_id 的生存期为2分钟。scroll就是把一次的查询结果缓存一定的时间，如scroll=2m则把查询结果在下一次请求上来时暂存2分钟，response比传统的返回多了一个scroll_id，下次带上这个scroll_id即可找回这个缓存的结果。

后续翻页， 通过上一次查询返回的scroll_id 来不断的取下一页，请求指定的 scroll_id 时就不需要 /index/_type 等信息了。

如果srcoll_id 的生存期很长，那么每次返回的 scroll_id 都是一样的，直到该 scroll_id 过期，才会返回一个新的 scroll_id。

每读取一页都会重新设置 scroll_id 的生存时间，所以这个时间只需要满足读取当前页就可以，不需要满足读取所有的数据的时间，1 分钟足以。

[root@dnsserver ~]# curl -XGET \'200.200.107.232:9200/_search/scroll?scroll=1m&scroll_id=cXVlcnlBbmRGZXRjaDsxOzg4NDg2OTpTQzRmWWkwQ1Q1bUlwMjc0WmdIX2ZnOzA7\'

#返回结果

    "_scroll_id": "cXVlcnlBbmRGZXRjaDsxOzk1ODg3NDpTQzRmWWkwQ1Q1bUlwMjc0WmdIX2ZnOzA7",
    "took": 106,
    "_shards": 
        "total": 1,
        "successful": 1,
        "failed": 0
    ,
    "hits": 
        "total": 22424,
        "max_score": 1.0,
        "hits": [
                "_index": "product",
                "_type": "info",
                "_id": "did-519392_pdid-2010",
                "_score": 1.0,
                "_routing": "519392",
                "_source": 
                    ....
                
            
        ]

注意：

使用初始化返回的_scroll_id来进行请求，每一次请求都会继续返回初始化中未读完数据，并且会返回一个_scroll_id，这个_scroll_id可能会改变，因此每一次请求应该带上上一次请求返回的_scroll_id

每次发送scroll请求时，都要再重新刷新这个scroll的开启时间，以防不小心超时导致数据取得不完整

如果没有数据了，就会回传空的hits，可以用这个判断是否遍历完成了数据

[root@dnsserver ~]# curl -XGET \'200.200.107.232:9200/_search/scroll?scroll=1m&scroll_id=cXVlcnlBbmRGZXRjaDsxOzg4NDg2OTpTQzRmWWkwQ1Q1bUlwMjc0WmdIX2ZnOzA7\'

#返回结果

    "_scroll_id": "cXVlcnlBbmRGZXRjaDsxOzk1ODg3NDpTQzRmWWkwQ1Q1bUlwMjc0WmdIX2ZnOzA7",
    "took": 106,
    "_shards": 
        "total": 1,
        "successful": 1,
        "failed": 0
    ,
    "hits": 
        "total": 22424,
        "max_score": 1.0,
        "hits": []

scroll_id 的清理

srcoll_id 的存在会耗费大量的资源来保存一份当前查询结果集映像，并且会占用文件描述符。

为了防止因打开太多scroll而导致的问题，不允许用户打开滚动超过某个限制。

默认情况下，打开的滚动的最大数量为500.可以使用search.max_open_scroll_context群集设置更新此限制。

获取有多少个scroll滚动游标

GET /_nodes/stats/indices/search

虽然es 会有自动清理机制，但是，尽量保障所有文档获取完毕之后，手动清理掉 scroll_id 。

使用 es 提供的 CLEAR_API 来删除指定的 scroll_id

## 删掉指定的多个 srcoll_id 
[root@dnsserver ~]# curl -XDELETE 127.0.0.1:9200/_search/scroll -d 
\'"scroll_id" : ["cXVlcnlBbmRGZXRjaDsxOzg3OTA4NDpTQzRmWWkwQ1Q1bUlwMjc0WmdIX2ZnOzA7"]\'

## 删除掉所有索引上的 scroll_id 
[root@dnsserver ~]# curl -XDELETE 127.0.0.1:9200/_search/scroll/_all

## 查询当前所有的scroll 状态
[root@dnsserver ~]# curl -XGET 127.0.0.1:9200/_nodes/stats/indices/search?pretty

  "cluster_name" : "200.200.107.232",
  "nodes" : 
    "SC4fYi0CT5mIp274ZgH_fg" : 
      "timestamp" : 1514346295736,
      "name" : "200.200.107.232",
      "transport_address" : "200.200.107.232:9300",
      "host" : "200.200.107.232",
      "ip" : [ "200.200.107.232:9300", "NONE" ],
      "indices" : 
        "search" : 
          "open_contexts" : 0,
          "query_total" : 975758,
          "query_time_in_millis" : 329850,
          "query_current" : 0,
          "fetch_total" : 217069,
          "fetch_time_in_millis" : 84699,
          "fetch_current" : 0,
          "scroll_total" : 5348,
          "scroll_time_in_millis" : 92712468,
          "scroll_current" : 0

Search After深度翻页

上述的 scroll search 的方式，官方的建议不用于实时文档的查询：

  • 因为每一个 scroll_id 生成的历史快照，对于数据的变更不会反映到快照上。

scroll 方式往往用于非实时处理大量数据的情况，比如要进行数据迁移或者索引变更之类的。

那么在实时情况下如果处理深度分页的问题呢？

es 给出了 search_after 的方式，这是在 >= 5.0 版本才提供的功能。

search_after 分页

search_after 分页的方式和 scroll 有一些显著的区别，

首先它是根据上一页的最后一条数据来确定下一页的位置，同时在分页请求的过程中，如果有索引数据的增删改查，这些变更也会实时的反映到游标上。

为了找到每一页最后一条数据，每个文档必须有一个全局唯一值，官方推荐使用 _id 作为全局唯一值，其实使用业务层的 id 也可以。

search_after 使用

第一页的请求和正常的请求一样，

curl -XGET 127.0.0.1:9200/order/info/_search

    "size": 10,
    "query": 
        "term" : 
            "did" : 519390
        
    ,
    "sort": [
        "date": "asc",
        "_id": "desc"
    ]

第二页的请求，使用第一页返回结果的最后一个数据的值，加上 search_after 字段来取下一页。

注意，使用 search_after 的时候要将 from 置为 0 或 -1

curl -XGET 127.0.0.1:9200/order/info/_search

    "size": 10,
    "query": 
        "term" : 
            "did" : 519390
        
    ,
    "search_after": [1463538857, "tweet#654323"],
    "sort": [
        "date": "asc",
        "_uid": "desc"
    ]

总结：search_after 适用于深度分页+ 排序，因为每一页的数据依赖于上一页最后一条数据，所以无法跳页请求。

且返回的始终是最新的数据，在分页过程中数据的位置可能会有变更。

Search After深度翻页要点

每个文档具有一个唯一值的字段应该用作排序规范的仲裁器。否则，具有相同排序值的文档的排序顺序将是未定义的。

建议的方法是使用字段_id，它肯定包含每个文档的一个唯一值。

POST twitter/_search

    "size": 10,
    "query": 
        "match" : 
            "title" : "es"
        
    ,
    "sort": [
        "date": "asc",
        "_id": "desc"
    ]

返回的结果


      "took" : 29,
      "timed_out" : false,
      "_shards" : 
        "total" : 1,
        "successful" : 1,
        "skipped" : 0,
        "failed" : 0
      ,
      "hits" : 
        "total" : 
          "value" : 5,
          "relation" : "eq"
        ,
        "max_score" : null,
        "hits" : [
          
            ...
            ,
            "sort" : [
              ...
            ]
          ,
          
            ...
            ,
            "sort" : [
              124648691,
              "624812"
            ]
          
        ]

上面的请求会为每一个文档返回一个包含sort排序值的数组。

这些sort排序值可以被用于 search_after 参数里以便抓取下一页的数据。

比如，我们可以使用最后的一个文档的sort排序值，将它传递给 search_after 参数：

GET twitter/_search

    "size": 10,
    "query": 
        "match" : 
            "title" : "es"
        
    ,
    "search_after": [124648691, "624812"],
    "sort": [
        "date": "asc",
        "_id": "desc"
    ]

Search After

Search After的要点：

  • 它必须先要指定排序（因为一定要按排序记住坐标）

  • 必须从第一页开始搜起

  • 从第一页开始以后每次都带上search_after=lastEmittedDocFieldValue 从而为无状态实现一个状态，


上面的例子中：  
  "search_after": [124648691, "624812"], 
[124648691, "624812"]为上一页最后一个文档的 排序字段值`lastEmittedDocFieldValue`，
  这一次查询带上`lastEmittedDocFieldValue`

说白了就是把每次固定的from size偏移变成一个确定值lastEmittedDocFieldValue，而查询则从这个偏移量开始获取size个doc（每个shard 获取size个，coordinate node最后汇总 shards*size 个。

Search After与sroll的原理基本相同：

Search After是Elasticsearch 5 新引入的一种分页查询机制，其实原理和scroll基本一样，但是不缓存结果，而是重新进行分片的排序计算

总结

  • 传统方式（from&size）

    需要实时获取顶部的部分文档。例如查询最新的订单。

  • Scroll

    用于非实时查询

    需要全部文档，例如导出全部数据

  • Search After

    用于实时查询

    需要做到深度分页

参考资料

https://segmentfault.com/a/1190000020395065

https://www.bbsmax.com/A/D854aOVvdE/

https://blog.csdn.net/wangxuelei036/article/details/106659019/

https://www.bbsmax.com/A/D854aOVvdE/

https://zhuanlan.zhihu.com/p/364971667

https://www.cnblogs.com/jpfss/p/10815172.html#searchafter-的方式

以上是关于ElasticSearch 深度分页 （史上最全）的主要内容，如果未能解决你的问题，请参考以下文章

史上最全面的Elasticsearch使用指南

elasticsearch面试题（史上最全）

elasticsearch面试题（史上最全）

史上ElasticSearch 最全详细使用教程

ELK日志平台（elasticsearch +logstash+kibana）原理和实操（史上最全）

严选 | Elasticsearch史上最全最常用工具清单