一、架构设计

ElasticSearch 设计的理念就是分布式搜索引擎，底层其实还是基于 lucene 的。核心思想就是在多台机器上启动多个 ES 进程实例，组成了一个 ES 集群。ES 中存储数据的基本单位是索引index，其次还包含一些其他的概念mapping、document、field。

类比一下MySQL，index 相当于 mysql 里的一张表。mapping表示index的结构定义，相当于在 mysql 中创建一个表，肯定是要定义表结构的，里面有哪些字段，每个字段是什么类型。document相当于是MySQL表中一行数据。每个 field 就代表了这个 document 中的一个字段的值。

ES 集群多个节点，会自动选举一个节点为 master 节点，这个 master 节点其实就是干一些管理的工作的，比如维护索引元数据、负责切换 primary shard 和 replica shard 身份等。要是 master 节点宕机了，那么会重新选举一个节点为 master 节点。

如果是非 master 节点宕机了，那么会由 master 节点，让那个宕机节点上的 primary shard 的身份转移到其他机器上的 replica shard。接着你要是修复了那个宕机机器，重启了之后，master 节点会控制将缺失的 replica shard 分配过去，同步后续修改的数据之类的，让集群恢复正常。

说得更简单一点，就是说如果某个非 master 节点宕机了。那么此节点上的 primary shard 不就没了。那好，master 会让 primary shard 对应的 replica shard（在其他机器上）切换为 primary shard。如果宕机的机器修复了，修复后的节点也不再是 primary shard，而是 replica shard。

二、工作流程

1.ES写数据过程

• 客户端选择一个 node 发送请求过去，这个 node 就是 coordinating node （协调节点）。
• coordinating node 对 document 进行路由，将请求转发给对应的 node（有 primary shard）。
• 实际的 node 上的 primary shard 处理请求，然后将数据同步到 replica node 。
• coordinating node 如果发现 primary node 和所有 replica node 都搞定之后，就返回响应结果给客户端。

2.ES搜索数据过程

• 客户端发送请求到一个 coordinate node 。
• 协调节点将搜索请求转发到所有的 shard 对应的 primary shard 或 replica shard ，都可以。
• query phase：每个 shard 将自己的搜索结果（其实就是一些 doc id ）返回给协调节点，由协调节点进行数据的合并、排序、分页等操作，产出最终结果。
• fetch phase：接着由协调节点根据 doc id 去各个节点上拉取实际的 document 数据，最终返回给客户端。

3.ES读数据过程

可以通过 doc id 来查询，会根据 doc id 进行 hash，判断出来当时把 doc id 分配到了哪个 shard 上面去，从那个 shard 去查询。

• 客户端发送请求到任意一个 node，成为 coordinate node 。
• coordinate node 对 doc id 进行哈希路由，将请求转发到对应的 node，此时会使用 round-robin 随机轮询算法，在 primary shard 以及其所有 replica 中随机选择一个，让读请求负载均衡。
• 接收请求的 node 返回 document 给 coordinate node 。
• coordinate node 返回 document 给客户端。

三、写数据底层原理

先写入内存 buffer，在 buffer 里的时候数据是搜索不到的；同时将数据写入 translog 日志文件。

如果 buffer 快满了，或者到一定时间，就会将内存 buffer 数据 refresh 到一个新的 segment file 中，但是此时数据不是直接进入 segment file 磁盘文件，而是先进入 os cache 。这个过程就是 refresh 。

每隔 1 秒钟，es 将 buffer 中的数据写入一个新的 segment file ，每秒钟会产生一个新的磁盘文件 segment file ，这个 segment file 中就存储最近 1 秒内 buffer 中写入的数据。

但是如果 buffer 里面此时没有数据，那当然不会执行 refresh 操作，如果 buffer 里面有数据，默认 1 秒钟执行一次 refresh 操作，刷入一个新的 segment file 中。

操作系统里面，磁盘文件其实都有一个东西，叫做 os cache ，即操作系统缓存，就是说数据写入磁盘文件之前，会先进入 os cache ，先进入操作系统级别的一个内存缓存中去。只要 buffer 中的数据被 refresh 操作刷入 os cache 中，这个数据就可以被搜索到了。

为什么叫 es 是准实时的？ NRT ，全称 near real-time 。默认是每隔 1 秒 refresh 一次的，所以 es 是准实时的，因为写入的数据 1 秒之后才能被看到。可以通过 es 的 restful api 或者 java api ，手动执行一次 refresh 操作，就是手动将 buffer 中的数据刷入 os cache 中，让数据立马就可以被搜索到。只要数据被输入 os cache 中，buffer 就会被清空了，因为不需要保留 buffer 了，数据在 translog 里面已经持久化到磁盘去一份了。

重复上面的步骤，新的数据不断进入 buffer 和 translog，不断将 buffer 数据写入一个又一个新的 segment file 中去，每次 refresh 完 buffer 清空，translog 保留。随着这个过程推进，translog 会变得越来越大。当 translog 达到一定长度的时候，就会触发 commit 操作。

commit 操作发生第一步，就是将 buffer 中现有数据 refresh 到 os cache 中去，清空 buffer。然后，将一个 commit point 写入磁盘文件，里面标识着这个 commit point 对应的所有 segment file ，同时强行将 os cache 中目前所有的数据都 fsync 到磁盘文件中去。最后清空 现有 translog 日志文件，重启一个 translog，此时 commit 操作完成。

这个 commit 操作叫做 flush 。默认 30 分钟自动执行一次 flush ，但如果 translog 过大，也会触发 flush 。flush 操作就对应着 commit 的全过程，我们可以通过 es api，手动执行 flush 操作，手动将 os cache 中的数据 fsync 强刷到磁盘上去。

translog 日志文件的作用是什么？你执行 commit 操作之前，数据要么是停留在 buffer 中，要么是停留在 os cache 中，无论是 buffer 还是 os cache 都是内存，一旦这台机器死了，内存中的数据就全丢了。所以需要将数据对应的操作写入一个专门的日志文件 translog 中，一旦此时机器宕机，再次重启的时候，es 会自动读取 translog 日志文件中的数据，恢复到内存 buffer 和 os cache 中去。

translog 其实也是先写入 os cache 的，默认每隔 5 秒刷一次到磁盘中去，所以默认情况下，可能有 5 秒的数据会仅仅停留在 buffer 或者 translog 文件的 os cache 中，如果此时机器挂了，会丢失 5 秒钟的数据。但是这样性能比较好，最多丢 5 秒的数据。也可以将 translog 设置成每次写操作必须是直接 fsync 到磁盘，但是性能会差很多。

总结一下，数据先写入内存 buffer，然后每隔 1s，将数据 refresh 到 os cache，到了 os cache 数据就能被搜索到（所以我们才说 es 从写入到能被搜索到，中间有 1s 的延迟）。每隔 5s，将数据写入 translog 文件（这样如果机器宕机，内存数据全没，最多会有 5s 的数据丢失），translog 大到一定程度，或者默认每隔 30min，会触发 commit 操作，将缓冲区的数据都 flush 到 segment file 磁盘文件中。

四、倒排索引

我们先来看看MySQL中的索引，在MySQL关系表中，每一行数据都有一个主键，我们在查询数据的时候会先找到数据的主键，再根据主键去找到整行数据，这种索引形式成为正排索引，本质是通过key来查询value。而ES使用的倒排索引正好与之相反，是通过对value进行分词，然后根据关键词通过value去查询key。

在搜索引擎中，每个文档都有一个对应的文档 ID，文档内容被表示为一系列关键词的集合。例如，文档 1 经过分词，提取了 20 个关键词，每个关键词都会记录它在文档中出现的次数和出现位置。那么，倒排索引就是关键词到文档 ID 的映射，每个关键词都对应着一系列的文件，这些文件中都出现了关键词。

for example:

DocId	Doc
1	今天天气很好
2	今天天气很好，风和日丽
3	今天天气很不错

对文档进行分词（ES中分词算法也是一个复杂且高效的算法）之后，得到以下倒排索引。

WordId	Word	DocIds
1	今天	1,2,3
2	天气	1,2,3
3	很	1,2,3
4	好	1,2
5	不错	3
6	，	2
7	风和日丽	2
…	…	…

另外，实用的倒排索引还可以记录更多的信息，比如文档频率信息，表示在文档集合中有多少个文档包含某个单词。

要注意倒排索引的两个重要细节：

• 倒排索引中的所有词项对应一个或多个文档。
• 倒排索引中的词项根据字典顺序升序排列。（根据实际需要）

五、ES为什么查询效率很高

1.倒排索引

上面介绍了ES的倒排索引的基本逻辑，基于这种数据结构，对于用户任意关键词的搜索，都能快速获取到文档id集合，然后再根据文档id集合去节点上面获取整个文档数据。

2.单词词典

上面说了在创建倒排索引的时候ES会进行分词，一个文档在分词之后可能会产生很多独立的单词，而对于这么多的单词，我们该如何找到我们需要的关键词呢，只需要将所有的单词采用二叉搜索树的数据结构进行排列，这样就可以高效的搜索出我们需要的关键词。但是，这样也有一个问题，如果拆分出的单词非常多，那么生成的二叉搜索树层数会很高，全部放在硬盘上面随即遍历的时候IO开销很大，全部加载到内存十分占用内存，为了解决这个问题，ES又引出了下面单词索引的设计。

3.单词索引

举个例子：现在有一份学生信息的数据，对姓名字段分词之后包含如下单词：tom、jerry、felix、andy等上千万个单词组成一个巨大的单词词典，很显然千万层级的二叉树是很难全部放在内存中遍历的，因此针对这种情况，设计出了单词索引。单词索引类似于字典的目录页：以a开头的单词在xx页，以b开头的单词在xx页······，记录着单词中每个次的前缀和对应的单词的物理地址，数据结构是参考了MySQL的主键数据结构，也是采用的B+树，极大的提高了搜索的性能。这样一来，我们在搜索关键词时，会先查单词索引，根据前缀匹配到所有的单词物理地址，再通过单词词典查询到所有的倒排索引集合，最后将所有的docId进行一系列筛选后去对应的节点获取数据。

4.位图BitMap

除了上述的三种设计上优化外，针对大数据量的搜索，ES也使用了专门用来针对大数据量的数据结构BitMap，在拿到所有的倒排索引后，获取的docId可能还是非常多，而且肯定还存在很多重复的docId，要去重合并甚至还要排序之后才能去节点拿取数据，这样才能最大限度的减少IO的开销。拿到倒排索引后可以根据docId来创建对应的BitMap，比如最后得到的倒排索引如下：

[1, 3, 5] => 10101 
[1, 2, 4, 5] => 11011
[1, 2, 5] => 10011

将对应的BitMap按位与操作之后得到

10001 => [1, 5] 

因此最后我们实际需要查询的docId其实只有两个：[1, 5] ，最终只需要两次IO即可获取查询结果。