ElasticStack系列之十四 & ElasticSearch5.x bulk update 中重复 id 性能骤降

Posted 2020-10-10 星火燎原智勇

　　目前在绝对多数公司在使用 ElasticSearch 将其当做数据库使用，将多个数据库中的数据同步到 ElasticSearch 索引是非常常见的应用场景。那么自然而然就会涉及到数据频繁的新增和更新，而官方的文档并没有对 update 的底层机制做特别说明，而当我们从 2.x 版本升级到 5.x 发现反而比之前的性能差很多，那这到底是怎么回事呢？

问题描述

　　在 ElasticSearch5.x 里通过 bulk update 将数据从数据库同步到 ElasticSearch，如果短时间更新的一批数据里存在相同的 id，例如一个 bulk update 里大量写入下面类型的数据：

{id:1,name:aaa} 
{id:1,name:bbb}
{id:1,name:ccc}
{id:2,name:aaa}
{id:2,name:bbb}
{id:2,name:ccc}
.......

　　则更新的速度会变的非常的慢。而在 ElasticSearch1.x 和 ElasticSearch2.x 里同样的操作会快的多。

根源追溯

　　update 操作时分为两个步骤进行的，即先根据文档 id 做一次 GET 操作，得到旧版本的文档，然后在其基础上做更新再写回去，问题就出在这个 GET 上面。

　　在 core/src/main/java/org/elasticsearch/index/engine/InternalEngine.java 这个类里，get 函数会根据一个 realtime 参数(默认是 true)，决定如何拿到文档。

public GetResult get(Get get, Function<String, Searcher> searcherFactory, LongConsumer onRefresh) throws EngineException {
        assert Objects.equals(get.uid().field(), uidField) : get.uid().field();
        try (ReleasableLock lock = readLock.acquire()) {
            ensureOpen();
            if (get.realtime()) {
                VersionValue versionValue = versionMap.getUnderLock(get.uid());
                if (versionValue != null) {
                    if (versionValue.isDelete()) {
                        return GetResult.NOT_EXISTS;
                    }
                    if (get.versionType().isVersionConflictForReads(versionValue.getVersion(), get.version())) {
                        throw new VersionConflictEngineException(shardId, get.type(), get.id(),
                            get.versionType().explainConflictForReads(versionValue.getVersion(), get.version()));
                    }
                    long time = System.nanoTime();
                    refresh("realtime_get");
                    onRefresh.accept(System.nanoTime() - time);
                }
            }
            // no version, get the version from the index, we know that we refresh on flush
            return getFromSearcher(get, searcherFactory);
        }

　　可以看到 realtime 参数决定了 GET 到的数据的实时性。如果设置为 false，则直接从 searcher 里面拿，而 searcher 只能访问 refresh 过的数据，意味着刚写入的数据由于存在于 index writer buffer 里还未 refresh，暂时无法搜索到，所以这种方式拿到的数据是准实时的。而默认的 realtime=true，则决定了获取到的数据必须是实时的，也就是说 index writer buffer 里的数据也要能被检索到。从代码里可以看到，其中存在一个 refresh("realtime_get"); 的函数调用，这个函数会检查 GET 的 doc id 是否都是可以被搜索到的。如果已经写入了但是无法搜索到，也就是刚刚写入到 index writer buffer 里还未 refresh 这种情况，就会强制执行一次 refresh 操作，让数据对 searcher 可见，保证最后的 getFromSearcher 方法调用拿的是完全实时的数据。

　　实际上测试下来，也是这样的，关闭自动刷新，写入一条文档，然后对该文档 id 执行一次 GET 操作，就会看到有一个新的 segment 生成。

　　查了下文档，GET API 调用时，可以选择实时或者非实时，只需要在 url 里带上可选参数 realtime=[true/false]。

　　然而不幸的是，UPDATE API 的文档和源码都没有提供一个 “禁用” 实时性的参数。update 对 GET 的调用，传入的 realtime 参数是写死的即为 true，意味着 update 的时候，强制执行 realtime GET。

　　至于为什么 update 一定要需要实时 GET，想一下其实也可以理解的。因为 update 允许对文档进行局部更新，如果有两个请求分别更新了同一个文档的不同字段，可能先更新的数据还在 index writer buffer 里，没来得及 refresh，因为对 searcher 不可见。如果不做refresh，那后面的更新还是在老版本上做的，前面的更新就会丢失掉。

　　另外一个问题，为啥 ElasticSearch5.x 之前的版本没有这个性能问题呢？

　　看了 ElasticSearch2.4 的 GET 方法源码，其没有采用 refresh 的方式来保障数据的实时性，而是通过访问 translog 来达到同样的目的。ElasticSearch5.x 将机制从 translog 改为了 refresh，理由是之前 ElasticSearch 里有很多地方利用 translog 来位数数据的位置，使得很多操作变得很慢，去掉对 translog 的依赖可以全面提高性能。

　　很遗憾，这个更改对于短时间反复大量更新相同的 doc id 的操作，会因为过于频繁的强制 refresh，短时间生成很多小的 segment，继而不断触发 segment 合并，产生性能损耗。官方认为，在提升大多数应用场景性能的前提下，对于这种较少见的场景下的性能损耗是值得付出的。所以建议从应用层面去解决该问题。

　　因此，如果实际应用场景里遇到类似的数据更新问题，只能优化应用数据架构，在应用层面合并相同的 doc id 的数据更新后再写入到 ElasticSearch 索引中；或者 只能使用 ElasticSearch2.x 这样的老版本来间接的解决这类问题。