Elasticsearch 搜索引擎

Posted 2021-01-13 ntbww93

1. 搜索结果中的一些词的含义

took：整个搜索请求花费了多少毫秒；

hits.total：本次搜索，返回了几条结果；

hits.max_score：本次搜索的所有结果中，最大的相关度分数是多少，每一条document对于search的相关度，越相关，_score分数越大，排位越靠前；

hits.hits：默认查询前10条数据，完整数据，_score降序排序；

shards：shards fail的条件（primary和replica全部挂掉），不影响其他shard。默认情况下来说，一个搜索请求，会打到一个index的所有primary shard上去，每个primary shard都可能会有一个或多个replic shard，所以请求也可以到primary shard的其中一个replica shard上去；

timeout：默认无timeout，latency平衡completeness，手动指定timeout，timeout查询执行机制；

GET /_search?timeout=10m 

timeout查询执行机制指每个shard在timeout时间内，将搜索的部分数据（也可以是全部数据）直接返回给client程序，而不用等到所有的查询结果都查询出来再返回；

2. multi-index和multi-type搜索模式

/_search：所有索引，所有type下的所有数据都搜索出来
/*1,*2/_search：按照通配符去匹配多个索引
/index1,index2/type1,type2/_search：搜索多个index下的多个type的数据
/_all/type1,type2/_search：_all，可以代表搜索所有index下的指定type的数据

3.搜索原理初步

client会把一个请求打到所有primary shard上去执行，因为每个shard都包含了部分数据，所以每个shard都可能包含了搜索请求的结果，因为每个primary shard 都包含replica shard，所以请求也会打到replica shard上。

4.分布搜索

GET /_search?size=10&from=20

5.deep paging 问题 

简单说，就是搜溹的特别深；

带来的问题：coordinate node 上需要保存大量的数据，还需进行大量数据的排序，排序之后再取出对应的那一页，这个过程耗费网络带宽，耗费内存和CPU；

6.query string 基础语法

GET /test_index/test_type/_search?q=test_field:test
GET /test_index/test_type/_search?q=+test_field:test  必须包含和上面一样
GET /test_index/test_type/_search?q=-test_field:test   必须不包含

_all metadata的原理和作用：

我们并不是对document中的每一个field进行一个一个的搜索，_all元数据在建立索引的时候，我们插入一个document，里面包含了多个field，此时es会将里面多个field的值用字符串拼接起来，同时建立索引，我们在不对特定的field的进行搜索的时候，就会从_all field 中进行搜溹；

7.mapping

定义：自动或手动为index中的type建立的一种数据结构和相关配置，简称为mapping；mapping就是index的type的元数据，每个type都有一个自己的mapping，决定了数据类型，建立倒排索引的行为，还有进行搜索的行为；

mapping建立过程：

    1）往es里面直接插入数据，es会自动建立索引，同时建立type以及对应的mapping；
    2）mapping中就自动定义了每个field的数据类型；
    3）不同的数据类型（比如说text和date），可能有的是exact value，有的是full text；
    4）exact value，在建立倒排索引的时候，分词时是将整个值一起作为一个关键词建立到倒排索引中的；full text，会经历处理，分词，normaliztion，才会建立到倒排索引中；
    5）exact value和full text类型的field就决定了，在一个搜索过来的时候，对exact value field或者是full text field进行搜索的行为也是不一样的，会跟建立倒排索引的行为保持一致；比如说exact value搜索的时候，就是直接按照整个值进行匹配，full text，会进行分词和normalization再去倒排索引中去搜索；
    6）可以用es的dynamic mapping，让其自动建立mapping，包括自动设置数据类型；也可以提前手动创建index和type的mapping，自己对各个field进行设置，包括数据类型，包括索引行为，包括分词器等；

dynamic mapping，自动为我们建立index，创建type，以及type对应的mapping，mapping中包含了每个field对应的数据类型，以及如何分词等设置；

true or false --> boolean
123 --> long
123.45 --> double
2017-01-01 --> date
"hello world" --> string/text

mapping的查看：GET /index/_mapping/type

只能创建index时手动建立mapping，或者新增field mapping，但是不能update field mapping；

PUT /website
{
  "mappings": {
    "article": {
      "properties": {
        "author_id": {
          "type": "long"
        },
        "title": {
          "type": "text",
          "analyzer": "english"
        },
        "content": {
          "type": "text"
        },
        "post_date": {
          "type": "date"
        },
        "publisher_id": {
          "type": "text",
          "index": "not_analyzed"
        }
      }
    }
  }
}

es自动建立mapping的时候，设置了不同的field不同的data type。不同的data type的分词、搜索等行为是不一样的。所以出现了_all field和date field的搜索表现完全不一样。

不同类型的field，可能有的就是full text，有的就是exact value；

8.倒排索引

在建立倒排索引前，会先执行一个操作，对拆分出来的单词进行处理（normalization），来提升搜索时能搜到的概率；

9. 分词器

内置的分词器：standard analyzer，simple analyzer，whitespace analyzer，language analyzer

分词器查看 GET /_analyze

10. http协议中get是否可以带上request body

HTTP协议，一般不允许get请求带上request body，但是因为get更加适合描述查询数据的操作，因此还是这么用了；

GET /_search?from=0&size=10

POST /_search
{
"from":0,
"size":10
}

11. Query DSL的基本语法

{
     QUERY_NAME: {
              ARGUMENT: VALUE,
              ARGUMENT: VALUE,...
        }
}

{
        QUERY_NAME: {
           FIELD_NAME: {
             ARGUMENT: VALUE,
             ARGUMENT: VALUE,...
            }
       }
}

GET /test_index/test_type/_search 
{
  "query": {
    "match": {
      "test_field": "test"
    }
  }
}

组合搜索条件：

搜索需求：title必须包含elasticsearch，content可以包含elasticsearch也可以不包含，author_id必须不为111
GET /website/article/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "title": "elasticsearch"
          }
        }
      ],
      "should": [
        {
          "match": {
            "content": "elasticsearch"
          }
        }
      ],
      "must_not": [
        {
          "match": {
            "author_id": 111
          }
        }
      ]
    }
  }
}

12. filter实例

filter，仅仅只是按照搜索条件过滤出需要的数据而已，不计算任何相关度分数，对相关度没有任何影响；
query，会去计算每个document相对于搜索条件的相关度，并按照相关度进行排序；

一般来说，如果你是在进行搜索，需要将最匹配搜索条件的数据先返回，那么用query；如果你只是要根据一些条件筛选出一部分数据，不关注其排序，那么用filter
除非是你的这些搜索条件，你希望越符合这些搜索条件的document越排在前面返回，那么这些搜索条件要放在query中；如果你不希望一些搜索条件来影响你的document排序，那么就放在filter中即可；

filter与query性能对比：
filter，不需要计算相关度分数，不需要按照相关度分数进行排序，同时还有内置的自动cache最常使用filter的数据；
query，相反，要计算相关度分数，按照分数进行排序，而且无法cache结果

GET /company/employee/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "join_date": "2016-01-01"
          }
        }
      ],
      "filter": {
        "range": {
          "age": {
            "gte": 30
          }
        }
      }
    }
  }
}

13. query搜索语法

1）、match all

GET /_search
{
    "query": {
        "match_all": {}
    }
}

2）、match

GET /_search
{
    "query": { "match": { "title": "my elasticsearch article" }}
}

3）、multi match

GET /test_index/test_type/_search
{
  "query": {
    "multi_match": {
      "query": "test",
      "fields": ["test_field", "test_field1"]
    }
  }
}

4）、range query

GET /company/employee/_search 
{
  "query": {
    "range": {
      "age": {
        "gte": 30
      }
    }
  }
}

5）、term query

GET /test_index/test_type/_search 
{
  "query": {
    "term": {
      "test_field": "test hello"
    }
  }
}

6）、terms query

GET /_search
{
    "query": { "terms": { "tag": [ "search", "full_text", "nosql" ] }}
}

14. 快速验证错误原因

GET /test_index/test_type/_validate/query?explain

{
"query": {
"math": {
"test_field": "test"
}
}
}

15.排序规则

1）默认情况下是有按照score进行降序排序的，对比没有score时(filter)，可以使用constant_score

GET /_search
{
    "query" : {
        "constant_score" : {
            "filter" : {
                "term" : {
                    "author_id" : 1
                }
            }
        }
    }
}

2） 定制排序规则：

GET /company/employee/_search 
{
  "query": {
    "constant_score": {
      "filter": {
        "range": {
          "age": {
            "gte": 30
          }
        }
      }
    }
  },
  "sort": [
    {
      "join_date": {
        "order": "asc"
      }
    }
  ]
}

16. TF-IDF算法

Term frequency（TF）：搜索文本中的各个词条在field文本中出现了多少次，出现次数越多，就越相关；

Inverse document frequency（IDF）：搜索文本中的各个词条在整个索引的所有文档中出现了多少次，出现的次数越多，就越不相关；

Field-length norm：field长度，field越长，相关度越弱；

1）_score是如何被计算出来的？

GET /test_index/test_type/_search?explain
{
  "query": {
    "match": {
      "test_field": "test hello"
    }
  }
}

2）分析一个document是如何被匹配上的

GET /test_index/test_type/6/_explain
{
  "query": {
    "match": {
      "test_field": "test hello"
    }
  }
}

17. doc values

搜索的时候，要依靠倒排索引；排序的时候，需要依靠正排索引（doc values）

doc values是被保存在磁盘上的，此时如果内存足够，os会自动将其缓存在内存中，性能还是会很高；如果内存不足够，os会将其写入磁盘上;

18. query phase

1）搜索请求发送到某一个coordinate node，构建一个priority queue，长度以paging操作from和size为准，默认为10;
2）coordinate node将请求转发到所有shard，每个shard本地搜索，并构建一个本地的priority queue;
3）各个shard将自己的priority queue返回给coordinate node，并构建一个全局的priority queue;

replica shard如何提升搜索吞吐量?

一次请求要打到所有shard的一个replica/primary上去，如果每个shard都有多个replica，那么同时并发过来的搜索请求可以同时打到其他的replica上去;

19. fetch phase

1）在query phase结束时，coordinate node构建完全局priority queue之后，就发送mget请求去所有shard上获取对应的document；
2）各个shard将document返回给coordinate node；
3）coordinate node将合并后的document结果返回给client客户端；

一般搜索，如果不加from和size，就默认搜索前10条，按照_score排序；

20. 参数preference，search_type

1）决定了哪些shard会被用来执行搜索操作

_primary, _primary_first, _local, _only_node:xyz, _prefer_node:xyz, _shards:2,3

2）bouncing results问题

两个document排序，field值相同；不同的shard上，可能排序不同；每次请求轮询打到不同的replica shard上；每次页面上看到的搜索结果的排序都不一样。这就是bouncing result，也就是跳跃的结果。

解决方案就是将preference设置为一个字符串，比如说user_id，让每个user每次搜索的时候，都使用同一个replica shard去执行，就不会看到bouncing results；

3）search_type

default：query_then_fetch
dfs_query_then_fetch，可以提升revelance sort精准度

21. scoll技术

scoll滚动查询，一批一批的查，直到所有数据都查询完处理完；

scoll搜索会在第一次搜索的时候，保存一个当时的视图快照，之后只会基于该旧的视图快照提供数据搜索，如果这个期间数据变更，是不会让用户看到的；
采用基于_doc进行排序的方式，性能较高；
每次发送scroll请求，我们还需要指定一个scoll参数，指定一个时间窗口，每次搜索请求只要在这个时间窗口内能完成就可以了；

GET /test_index/test_type/_search?scroll=1m
{
"query": {
"match_all": {}
},
"sort": [ "_doc" ],
"size": 3
}

获得的结果会有一个scoll_id，下一次再发送scoll请求的时候，必须带上这个scoll_id

GET /_search/scroll
{
"scroll": "1m", 
"scroll_id" : "DnF1ZXJ5VGhlbkZldGNoBQAAAAAAACxeFjRvbnNUWVZaVGpHdklqOV9zcFd6MncAAAAAAAAsYBY0b25zVFlWWlRqR3ZJajlfc3BXejJ3AAAAAAAALF8WNG9uc1RZVlpUakd2SWo5X3NwV3oydwAAAAAAACxhFjRvbnNUWVZaVGpHdklqOV9zcFd6MncAAAAAAAAsYhY0b25zVFlWWlRqR3ZJajlfc3BXejJ3"
}