用ElasticSearch搭建自己的搜索和分析引擎

Posted 2020-09-10 腾讯WeTest

作者：robben，腾讯高级工程师
商业转载请联系腾讯WeTest获得授权，非商业转载请注明出处。
原文链接：http://wetest.qq.com/lab/view/300.html

---

导语：互联网产品中的检索功能随处可见。当你的项目规模是百度大搜|商搜或者微信公众号搜索这种体量的时候，自己开发一个搜索引擎，加入各种定制的需求和优化，是非常自然的事情。但如果只是普通的中小型项目甚至创业团队|创业项目，直接拿轮子则是更合理的选择。
ElasticSearch就是这样一个搜索引擎的轮子。更重要的是，除去常规的全文检索功能之外，它还具有基础的统计分析功能（最常见的就是聚合），这也让他变得更加强大和实用。
还在用数据库的like来实现产品的全文检索吗？抛弃她，用ElasticSearch吧~

ElasticSearch（下简称ES）是基于Lucene的一个开源搜索引擎产品。Lucene是java编写的一套开源文档检索的基础库，包括词、文档、域、倒排索引、段、相关性得分等基本功能，而ES则是使用了这些库，搭建的一个可以直接拿来使用的搜索引擎产品。直观地理解，Lucene提供汽车零部件，而ES直接卖车。

说起ES的诞生，也是个很有意思的故事。ES的作者Shay Banon——“几年前他还是一个待业工程师，跟随自己的新婚妻子来到伦敦。妻子想在伦敦学习做一名厨师，而自己则想为妻子开发一个方便搜索菜谱的应用，所以才接触到Lucene。直接使用Lucene构建搜索有很多问题，包含大量重复性的工作，所以Shay便在Lucene的基础上不断地进行抽象，让Java程序嵌入搜索变得更容易，经过一段时间的打磨便诞生了他的第一个开源作品Compass，中文即’指南针’的意思。之后，Shay找到了一份面对高性能分布式开发环境的新工作，在工作中他渐渐发现越来越需要一个易用的、高性能、实时、分布式搜索服务，于是他决定重写Compass，将它从一个库打造成了一个独立的server，并将其改名为Elasticsearch。“

引自（http://www.infoq.com/cn/news/2014/12/elasticsearch-birth-development）。

可见鼓捣起来的程序员是多么有爱，虽然据说Shay Banon承诺给妻子的菜谱搜索还没问世……

本文大概地介绍了ES的原理，以及Wetest在使用ES中的一些经验总结。因为ES本身涉及的功能和知识点非常广泛，所以这里重点挑出了实际项目中可能会用到，也可能会踩坑的一些关键点进行了阐述。

重要概念

集群（Cluster）： ES是一个分布式的搜索引擎，一般由多台物理机组成。这些物理机，通过配置一个相同的cluster name，互相发现，把自己组织成一个集群。

节点（Node)：同一个集群中的一个 Elasticearch主机。

主分片（Primary shard）：索引（下文介绍）的一个物理子集。同一个索引在物理上可以切多个分片，分布到不同的节点上。分片的实现是Lucene 中的索引。

注意：ES中一个索引的分片个数是建立索引时就要指定的，建立后不可再改变。所以开始建一个索引时，就要预计数据规模，将分片的个数分配在一个合理的范围。

副本分片（Replica shard）：每个主分片可以有一个或者多个副本，个数是用户自己配置的。ES会尽量将同一索引的不同分片分布到不同的节点上，提高容错性。对一个索引，只要不是所有shards所在的机器都挂了，就还能用。主、副本、节点的概念如下图：

索引（Index)：逻辑概念，一个可检索的文档对象的集合。类似与DB中的database概念。同一个集群中可建立多个索引。比如，生产环境常见的一种方法，对每个月产生的数据建索引，以保证单个索引的量级可控。索引->类型->文档，ES中的文档以这样的逻辑关系组织了起来。

类型（Type）：索引的下一级概念，大概相当于数据库中的table。同一个索引里可以包含多个 Type。 个人感觉在实际使用中type这一级常常用的不多，直接就在一个索引中建一个type，在这个type下去建立文档集合和进行搜索了。

文档（Document)：即搜索引擎中的文档概念，也是ES中一个可以被检索的基本单位，相当于数据库中的row，一条记录。

字段（Field）：相当于数据库中的column。ES中，每个文档，其实是以json形式存储的。而一个文档可以被视为多个字段的集合。比如一篇文章，可能包括了主题、摘要、正文、作者、时间等信息，每个信息都是一个字段，最后被整合成一个json串，落地到磁盘。

映射（Mapping）：

相当于数据库中的schema，用来约束字段的类型，不过 Elasticsearch 的 mapping 可以不显示地指定、自动根据文档数据创建。

Elasticsearch很友好地提供了RestFul的API，可以通过HTTP请求直接完成所有操作。比如下面官方的一个例子，往索引twitter添加文档，type是tweet，文档的id是1：

相应地，根据user字段检索文档：

关键配置项

1、索引的shards个数:
shards的个数，最好是和节点数相关的。理论上对同一个索引，单机上的shards个数最好不要超过两个，这样每个查询尽可能并行。但因为ES中shards的个数是确定了就没办法再调整的，所以如果考虑到数据会高速增长，一开始分配多些也可以。另一个常见思路是按时间纬度（如月）去定义ES索引——因为可以动态调整新加的索引的shards个数。其他的一些情况，比如下面举到的Wetest聚合的例子，因为需要数据尽量地按照渠道切分开，所以定义了很多个shards（200个），但太多的shards通常是不推荐的，ES管理起来也有开销。

2、heap内存:
官方建议是可用内存的一半，是通过启动ES的环境中，定义环境变量的方式完成的。如export ES_HEAP_SIZE=10g

3、cluster.name:
集群的逻辑名称。只有cluster name相同的机器，才会在逻辑上组成一个集群。比如，内网中有5台ES机器的实例，是可以构成几个互不干扰的ES集群的。

4、discovery.zen.minimum_master_nodes:
这个是用于集群的分布式决策的最少master机器个数。和常见的分布式协调算法一样，为了避免脑裂现象，建议超过一半的机器，n/2+1

5、discovery.zen.ping.unicast.hosts:
ES集群的机器列表。注意ES单点不用配置集群中的所有机器列表，像一个连通图一样，只要每台机器配置了其他机器，而这些配置又是互相可以连接的，那ES最终就会发现所有机器，构成集群。如[‘111.111.111.0’,’111.111.111.1’,’111.111.111.2’]

mapping

mapping类似于数据库里的表结构，定义个mapping就意味着创建了一个索引。与数据库不同的是，一个索引并不需要显示地建立mapping，比如，上面那个在twitter索引插入文档数据的例子，如果执行的时候还没有定义索引，ES便会根据文档的字段和内容，自动创建索引和mapping。然而，这样创建的索引字段，往往可能不是我们所需要的。所以，还是自己预先通过手动定义mapping来创建索引比较好。下面是创建mapping的例子，这个例子在my_index这个目录下，为user、blogpost这些type创建了mapping。其中properties下面是各种字段的定义，包括了string、数值、日期等类型的定义。

如图中的红框部分，这个例子中有两个需要注意的地方：

1、user_id是string类型的，但它的index被定义为了“not_analzyed”，这个需要搞清其中的意义：通常，搜索引擎中全文检索的功能简单说是这样实现的：对原始文档进行分词后用这些词去建立倒排索引，在线上检索时，再将用户的查询词进行分词，用分词结果去拉取多个倒排索引的拉链结果、归并、相关性排序等，得到最终结果。但是，对于有些string类型的字段，其实并不想建倒排，就只想精确匹配，比如用户的名字，只想查到name字段精确为“张三”的人，而不是分词后得到的“张四”和“李三”两个人，这个时候，就需要定义index类型字段。这个字段有no、analyzed、not_analyzed三种类型，no是压根儿不给这字段建索引，analyzed是分析和按全文检索的方式建，not_analyzed是完全匹配的关键词查询方式。

2、date类型，创建mapping时需要通过“format”指定录入的多种可能时间格式。这样创建文档的时候，ES会根据输入文档的字段自动去确定是哪一种。不过直观地想象下，在创建文档时，指定明确的时间格式，省去ES动态判断的开销，应该会提升些微小的性能。此外，要注意，epoch_second（秒单位时间戳）和epoch_millis（毫秒单位）尽量不要混用，如果非要混用也要在插入的时候明确指明是哪个。曾经踩过坑，插入epoch_second的是秒级时间戳，但ES优先认为是毫秒，导致时间被缩小1000倍，最近的时间变成了1970年当年的某个时间。

下图列出了ES当前版本中可以进行mapping的数据类型、内置的字段、mapping操作可以携带的参数。因为篇幅原因这里就不详细解释了：

这里要详细介绍的，是上图中红框标出的，我们创建mapping时实际用到的比较关键的两个内置类型，和两个mapping参数。这几个都会直接影响最后索引访问的性能：

1）_source： es会把所有字段拼成一个原始的json落入磁盘，所以这个可以理解为全量原始数据，他不能用来索引，却可以在需要的时候返回。注意尽量不要禁用，比如禁用后，用script去update就不支持了。

2）_all：一个“伪”字段，用来实现模糊的全文索引。可以这样理解：在建索引的时候，把所有字段拼成一个字符串，然后对这个“大”字段进行切词，建倒排，然后这个字段就被丢弃了，没有真正落入磁盘。当全文检索时，如果没有指明查询的域，比如标题、正文（这种是很常见的），就从这个大的倒排中拉取文档拉链。可以想象，一些标记或值类型的字段，如日期、得分，这种在全文检索时是没意义的，就可以不包含在_all内，而文本域，如title、doc，就包含在_all之中。这些都是在建mapping时可以、而且最好指定的。

3）doc_values： doc_values和下面的field_data都是在聚合（后面会介绍）、排序这些统计时用的参数，默认都是开启的。排序、聚合，这种在文档全局进行的工作，用倒排索引肯定不合适。所以，对not_analyzed（即不建倒排）的字段，doc_values用一种列模式的方式（可以参考hbase）来存储文档的正排，方便在文档全局做统计。doc_values是存储在磁盘的，如果你明确有些字段只是展示，不用于统计的话，可以把这个禁用掉。Doc_values一定不会对analyzed域建索引（都切词了，想想也不合适，怎么建列索引嘛），而是用下面的field data。

4）field_data：对analyzed的文本域，比如正文，其实也会有统计的需求（比如ES也支持按一些关键词对文档进行聚合统计，但这种任务常用的方法是通过离线工具，如hadoop或者单机的分析，做好了后推送到在线索引，直接在ES去算其实感觉有些奇怪）。虽然并不适合在搜索引擎中做，但你真的做了，es也会把这个数据动态地load内存的一个field data中进行运算。所以，想想就知道，这是个非常耗内存的操作，很可能把jvm heap吃完了！！es默认是只打开，但不load，只是在你需要进行analyzed域的排序和聚合的时候，才去动态load这个内存（lazy的方式）。所以，尽量不要在查询的时候去打开这个潘多拉魔盒，或者干脆就把这个选项关掉吧。

聚合

谁说搜索引擎只能用来搜索？ES不仅能搜索，还能在搜索的结果集合上直接进行统计，很强大吧。ES目前稳定的非实验阶段聚合主要分两种：Metrics Aggregation（指标聚合）和Bucket Aggregation（桶聚合）。

指标聚合主要指常规的集合数学统计类运算，如官方guide的这个例子：找到交易的所有红色的车，然后求它们的平均价格：

结果大概是这样的：

神奇吧~指标运算还包括其他，如最大、最小、求和、个数、地理坐标运算等。然而我们今天要进行实例讲解的则主要是Bucket Aggregation，桶聚合。桶聚合是指把文档，按照某个给定字段分成不同的组，然后在组内进行进一步聚合运算，并返回桶级的结果。比较直观的理解，如：直方图、分时间段统计等等。如下面这个例子，是桶聚合中的term聚合，即按照color这个字段，精确匹配后进行分桶，然后桶内还进一步嵌套了平均价格聚合、和按制造商进一步的分桶聚合。

统计的结果类似下面这样，红色的车共有4辆，平均价格是32500，并且又包含了3辆本田和1辆宝马：

上面是简单的例子。在我们的WeTest舆情中，有论坛热帖这样一个功能，即，实时统计某个数据源中（如百度贴吧），某个论坛里（如王者荣耀吧），一段时间内（如3个月），回复数最多的TopN个帖子。

这个功能现在在线上的实现方法就不详细介绍了，大致是从数据库和Hbase中扫描对应的数据，维持一个堆，获取出TOP N的思路。一方面是稍微有些耗时，另一方面是请求量很大时可能对DB和Hbase的访问带来压力，所以也想找一种备选的方案，我们想到了用ES。

为了用ES的桶聚合，我们首先设计如何存储文档（即所有用户评论）的方案。由于数据量非常大（十亿级），所以我们首先想到了把文档按时间分成不同的索引（如按月），然后在指定月份（如3个月）的索引上，聚合出评论最多的Top帖子。然而这样是有问题的：当在多个ES索引上聚合时，ES不会把所有索引的结果放在一起聚合TopN，而是单独在每个索引求得TopN后，再放在一起聚合。这是个使用时要注意的小坑。这样导致的结果是，直接在多个索引上聚合出的TopN，并不是真正的TopN（比如3个月中，每个月都是不是Top 1，但三个月加起来就是Top了 1。局部最优不等于全局最优）。

所以，从时间上切分，这条路基本被堵死了。那只能从空间上切分了（您问能不能不切分？十亿级的数据量，上百个GB，不切分的话，乖乖，每次都要从这几百GB的文件里找东西，想想也知道有多慢了…）。从空间切分，同样需要考虑两个问题：1）如何将数据hash到shards。2）切分多少个shards。对于第一个问题，因为我们的聚合统计是在每个渠道（可以理解为论坛）下的，不会跨渠道，所以，按照渠道ID进行shards分配，把相同论坛的数据hash到一个shard即可。这样，每次请求某个渠道的聚合结果，把请求按渠道ID routing到对应的shard去运算。对于第二个问题，要看具体的规模了。我们的数据量有上百G，数据源上千个，所以我们希望每个shard上的内容尽量少，保证在单个shard上聚合的时候会更快，当然shards个数又不能太多，否则会给ES引入非常大的管理开销。综合下来，我们选择的shards个数是200个。

遗憾的是，ES只能根据你指定的key（论坛ID）去做hash后进行路由，这就导致了不同的shards上数据不是完全平均的，最多的能超过10GB，最少的只有几十MB。如果哪一天，ES如果开放自定义routing规则或者对shards数据进行均衡的方法，那就好了。

ES经常为人诟病的一个地方是建索引比较慢，10亿数据的索引构建时间要花几天。这也容易理解，天下没有免费的午餐，读写的性能往往是互斥的，快速读取和检索意味着大量索引和辅助数据的预先建立，那写入时势必会慢。如何取舍，需要看实际的业务场景而定了。下面就是建好索引后，去聚合某论坛内指定时间段内Top帖子的接口调用方式。

然后，我们按连续统计最热的TopN（N为不同的个数）个渠道内的Top30热帖结果的方式分别对ES和线上已有的服务进行了测试：

上面的五个结果图直观地反应了用现在Wetest舆情线上的常规统计方式和ES聚合统计的方式获取结果的耗时。

从结果中，我们大概推断出了ES统计聚合运算的做法：先把所有符合过滤条件的数据全部检索出来，然后在内存中进行排序和聚合运算。也就是说，符合条件的数据量级越大，聚合运算越慢。本着这个原则，结果图也就比较好理解了：

1）在连续对最热的Top1000个渠道去进行热帖聚合时，ES的表现大部分都优于现有实现。这是因为Top1000的渠道中，大部分渠道被分在了非常小的shards上，有的只有几MB，数据量很小，在这样的shards中聚合，是很快的。

2）时间纬度上，统计3个月的数据，ES大部分情况下都比现有方法慢，而1个月或1天的情况下，ES都要快。这是因为3个月的条件下，符合条件的数据量级增大（最大的一个话题下有3万跟帖），ES的运算效率下降比较厉害。

3）从Top1000到Top10，ES的总时间逐渐变差于现有方法。这是因为，空间纬度上，Top10渠道符合条件的数据量级非常大，所以ES的运算效率下降比较厉害。

做了这个实验后，ES在WeTest头部数据源上的聚合速度并不比现在快，但在中部和长尾上的效果更优，这说明ES的聚合受候选集数据量的影响非常大，所以是否切换这种方式也还没最终决定。不过，这个实验证明了ES聚合的强大能力，至少，不用自己写什么代码，只通过接口调用就能把这样海量数据的统计运算完成了，还是很方便的一件事情，同时性能也不错。如果自行实现的统计运算中会增大DB的压力，那么通过ES聚合分离这部分请求，也是一个非常好的选择。

---

WeTest产品舆情，一站式了解你的产品口碑和用户喜好。

点击 http://wetest.qq.com/bee 立即体验！

亲爱的读者，为了能够提供更好的网站内容，希望您填写我们的问卷，我们会随机抽取读者回馈20Q币以示感谢！问卷入口：https://wj.qq.com/s/1221194/26ad