全文搜索引擎 Elasticsearch （二）关于Elasticsearch

Mr. Dong

August 10, 2018

641 views

No comments

3750 words

服务器

关于全文检索的诞生！

在互联网的告诉发展下、最开始诞生的关系型数据库已经满足不了、复杂的业务场景。

比如说搜索淘宝的商品信息等等、在传统的关系型数据库Mysql、除了Mysql设置全文检索索引、那么正常会一条条的扫描，扫描字段里面的数据。

1、比如说“商品描述”字段的长度，有长达数千个，甚至数万个字符，这个时候，每次都要对每条记录的所有文本进行扫描，懒判断说，你包不包含我指定的这个关键词（比如说“牙膏”）。

2、还不能将搜索词拆分开来，尽可能去搜索更多的符合你的期望的结果，比如输入“生化机”，就搜索不出来“生化危机”。

3、这些数据库都是国外的产品是针对英语、对中文并不友好、不像应该以个单词一个空格那样。

什么是全文索引

简单的说是在存入过程中把数据拆成词放到一个索引里面、叫倒排索引。

什么是全文检索.png

Elasticsearch是基于Java开源项目Lucene

Lucene，就是一个jar包，里面包含了封装好的各种建立倒排索引，以及进行搜索的代码，包括各种算法。Elasticsearch基于lucene的开源项目、制作的,在Lucene的基础上做了分布式。解决单台服务器一个Lucene的弊端等。

如果说、数据量很大的话，超过了单台机器的承受范围，就必须得用多台机器去进行数据的存储和搜索。如果我们自己来实现，非常麻烦。

Elasticsearh对比lucene增加功能

自动维护数据的分布到多个节点的索引的建立，还有搜索请求分布到多个节点的执行。
自动维护数据的沉余副本，保证一些机器宕机了、也不会丢失任何数据。
封装了更多的高级功能、增加复杂的搜索功能。聚合分析功能、高级功能等。

Elasticsearch是对比coreseek全文检索来说、Elasticsearch是实时处理的。

Elasticsearch的特点

可以作为一个大型分布式集群（数百台服务器）技术，处理PB级数据，服务大公司；也可以运行在单机上，服务小公司
Elasticsearch不是什么新技术，主要是将全文检索、数据分析以及分布式技术，合并在了一起，才形成了独一无二的ES；lucene（全文检索），商用的数据分析软件（也是有的），分布式数据库（mycat）
对用户而言，是开箱即用的，非常简单，作为中小型的应用，直接3分钟部署一下ES，就可以作为生产环境的系统来使用了，数据量不大，操作不是太复杂
Elasticsearch数据库的功能面对很多领域是不够用的（事务，还有各种联机事务型的操作）、特殊的功能，比如全文检索，同义词处理，相关度排名，复杂数据分析，海量数据的近实时处理。Elasticsearch作为传统数据库的一个补充，提供了数据库所不不能提供的很多功能

elasticsearch的核心概念

Near Realtime（NRT）

近实时，两个意思，从写入数据到数据可以被搜索到有一个小延迟（大概1秒）；基于es执行搜索和分析可以达到秒级

Cluster

集群，包含多个节点，每个节点属于哪个集群是通过一个配置（集群名称，默认是elasticsearch）来决定的，对于中小型应用来说，刚开始一个集群就一个节点很正常

Node

节点，集群中的一个节点，节点也有一个名称（默认是随机分配的），节点名称很重要（在执行运维管理操作的时候），默认节点会去加入一个名称为“elasticsearch”的集群，如果直接启动一堆节点，那么它们会自动组成一个elasticsearch集群，当然一个节点也可以组成一个elasticsearch集群

Document&field

文档，es中的最小数据单元，一个document可以是一条客户数据，一条商品分类数据，一条订单数据，通常用JSON数据结构表示，每个index下的type中，都可以去存储多个document。一个document里面有多个field，每个field就是一个数据字段。

product document
{
"product_id": "1",
"product_name": "高露洁牙膏",
"product_desc": "高效美白",
"category_id": "2",
"category_name": "日化用品"
}

Index

索引，包含一堆有相似结构的文档数据，比如可以有一个客户索引，商品分类索引，订单索引，索引有一个名称。一个index包含很多document，一个index就代表了一类类似的或者相同的document。比如说建立一个product index，商品索引，里面可能就存放了所有的商品数据，所有的商品document。

Type

类型，每个索引里都可以有一个或多个type，type是index中的一个逻辑数据分类，一个type下的document，都有相同的field，比如博客系统，有一个索引，可以定义用户数据type，博客数据type，评论数据type。

商品index，里面存放了所有的商品数据，商品document

但是商品分很多种类，每个种类的document的field可能不太一样，比如说电器商品，可能还包含一些诸如售后时间范围这样的特殊field；生鲜商品，还包含一些诸如生鲜保质期之类的特殊field

type，日化商品type，电器商品type，生鲜商品type

日化商品type：product_id，product_name，product_desc，category_id，category_name
电器商品type：product_id，product_name，product_desc，category_id，category_name，service_period
生鲜商品type：product_id，product_name，product_desc，category_id，category_name，eat_period

每一个type里面，都会包含一堆document

{
"product_id": "2",
"product_name": "长虹电视机",
"product_desc": "4k高清",
"category_id": "3",
"category_name": "电器",
"service_period": "1年"
}


{
"product_id": "3",
"product_name": "基围虾",
"product_desc": "纯天然，冰岛产",
"category_id": "4",
"category_name": "生鲜",
"eat_period": "7天"
}

shard

单台机器无法存储大量数据，es可以将一个索引中的数据切分为多个shard，分布在多台服务器上存储。有了shard就可以横向扩展，存储更多数据，让搜索和分析等操作分布到多台服务器上去执行，提升吞吐量和性能。每个shard都是一个lucene index。

replica

任何一个服务器随时可能故障或宕机，此时shard可能就会丢失，因此可以为每个shard创建多个replica副本。replica可以在shard故障时提供备用服务，保证数据不丢失，多个replica还可以提升搜索操作的吞吐量和性能。primary shard（建立索引时一次设置，不能修改，默认5个），replica shard（随时修改数量，默认1个），默认每个索引10个shard，5个primary shard，5个replica shard，最小的高可用配置，是2台服务器。