写文章

Elasticsearch 内部数据结构深度解读

2020-10-13 10:19:00

2010 | 0 | 1

题记

最近知识星球里几个问题都问到了 doc values、store field、fielddata 等的概念。

问题1:”群主有介绍 doc value, field data, store fields 比较好的文章么?一直感觉有点模糊“

问题2:“请教下星主关于ES存储相关的问题, 一个文档有如下几个地方可能会存储:

  • 倒排索引。
  • Source 字段。
  • store 存储(如果开启)
  • doc_values。

不知道我理解的是否正确?

如果这几个地方都存储, 那是不是可以理解为数据大致会膨胀了4倍?

死磕 Elasticsearch 知识星球(http://t.cn/RmwM3N9)

非常有必要好好梳理一下,于是就有了这篇文章。

Elasticsearch 数据结构的理解和合理使用,对深入理解 Elasticsearch大有裨益!

1、数据存储认知前提

正如 Elastic 官方文档所说:

Elasticsearch 特点之一是:分布式文档存储。

Elasticsearch不会将信息存储为类似列数据库的行(row),而是存储为已序列化为JSON文档的复杂数据结构。

当集群中有多个Elasticsearch节点时,存储的文档会分布在整个集群中,并且可以从任何节点立即访问。

存储文档后,将在1秒钟内(默认刷新频率为1s)几乎实时地对其进行索引和完全搜索。

**如何做到快速索引和全文检索的呢? **

Elasticsearch使用倒排索引的数据结构,该结构支持非常快速的全文本搜索。

倒排索引列出了出现在任何文档中的每个唯一单词,并标识了每个单词出现的所有文档。

索引可以认为是文档的优化集合,每个文档都是字段的集合,这些字段是包含数据的键值对。

默认情况下,Elasticsearch 对每个字段中的所有数据建立索引,并且每个索引字段都具有专用的优化数据结构。

例如,文本字段存储在倒排索引中,数字字段和地理字段存储在BKD树中。

数据类型 数据结构
text/keyword 倒排索引
数字/地理位置 BKD树

不同字段具有属于自己字段类型的特定优化数据结构,并具备快速响应返回搜索结果的能力使得 Elasticsearch 搜索飞快!

1、Inverted Index 倒排索引

1.1 倒排索引定义

面对海量内容,如何快速的找到包含用户查询词的内容,倒排索引扮演了关键角色。

倒排索引是单词到文档映射关系的最佳实现形式。

下图是:书的末页的索引结构,展示了核心关键词与书页码的对应关系。

试想一下,没有这个索引页,根据关键词从全书查找有多慢,就能直观体会出索引的妙处!

1.2 倒排索引示例

拿官方文档的示例:

假设我们有两个文档,每个文档的 content 域包含如下内容:

- 1、The quick brown fox jumped over the lazy dog
- 2、Quick brown foxes leap over lazy dogs in summer

对索引编制索引会受到标记化和标准化的处理analysis。

数据索引化制约因素:分词器 analyzer 的选型。

倒排索引(基于 默认Standard 标准分词器分词)如下所示:

Term Doc_1 Doc_2
Quick X
The X
brown X X
dog X
dogs X
fox X
foxes X
in X
jumped X
lazy X X
leap X
over X X
quick X
summer X
the X

如上所示,对于文档中的每个词,都包含了其所在文档的列表。

1.3 倒排索引特点

  • 在索引时创建
  • 序列化到磁盘
  • 全文搜索非常快
  • 不适合做排序
  • 默认开启

1.4 倒排索引适用场景

  • 查询
  • 全文检索

2、Doc Values 正排索引

2.1 Doc Values 定义

在 Elasticsearch 中,Doc Values 就是一种列式存储结构,默认情况下每个字段的 Doc Values 都是激活的(除了 text 类型),Doc Values 是在索引时创建的,当字段索引时,Elasticsearch 为了能够快速检索,会把字段的值加入倒排索引中,同时它也会存储该字段的 Doc Values。

区别于倒排索引的定义,Doc Values 被定义为:“正排索引”。

2.2 Doc Values 示例

仍然 以 1.2 文档为例,Doc Values 结构如下所示(仅做举例):

Doc Terms
Doc_1 brown, dog, fox, jumped, lazy, over, quick, the
Doc_2 brown, dogs, foxes, in, lazy, leap, over, quick, summer

Doc values 通过转置两者间的关系来解决适用倒排索引聚合效率低、难以扩展的问题。

对比可以看出:倒排索引将词项映射到包含它们的文档,doc values 将文档映射到它们包含的词项。

2.3 Doc Values 特点

  • 在索引时创建
  • 序列化到磁盘
  • 适合排序操作
  • 将单个字段的所有值一起存储在单个数据列中
  • 默认情况下,除text之外的所有字段类型均启用 Doc Values。

2.4 Doc Values 适用场景

Elasticsearch 中的 Doc Values 常被应用到以下场景:

  • 对一个字段进行排序
  • 对一个字段进行聚合
  • 某些过滤,比如地理位置过滤
  • 某些与字段相关的脚本计算

注意:

因为文档值被序列化到磁盘,我们可以依靠操作系统的帮助来快速访问。

  • 当 工作集(working set) 远小于节点的可用内存,系统会自动将所有的文档值保存在内存中,使得其读写十分高速;
  • 当其远大于可用内存,操作系统会自动把 Doc Values 加载到系统的页缓存中,从而避免了 jvm 堆内存溢出异常。

2. 5 Doc Values 使用注意事项

对于不需要:排序、聚合、脚本计算、地理位置过滤的业务场景,可以考虑禁用:Doc Values,以节约存储。

PUT my_index
{
  "mappings": {
      "properties": {
        "title": {
          "type": "keyword",
          "doc_values": false 
        }
    }
  }
}

3、fielddata

3.1 fielddata 定义

如前第1、2小结所述:

  • 搜索需要回答“哪个文档包含此词?”的问题。借助:倒排索引实现。
  • 排序和汇总则需要回答一个不同的问题:“此字段对本文档的价值是什么?” 。借助:正排索引实现。

text 类型字段是不支持 Doc Values正排索引的,text字段使用是:查询时创建的基于的内存数据结构(query-time in-memory data structure) fielddata。

fielddata 将 text 字段用于聚合、排序或在脚本中使用时,将按需构建此数据结构。

实现机理:它是通过从磁盘读取每个段的整个反向索引,反转词项↔︎文档关系并将结果存储在JVM堆中的内存中来构建的。

3.2 fielddata 示例

严格意义讲,2.2 的示例,放到这里会更合适。

DELETE test_001
PUT test_001
{
  "mappings": {
    "properties": {
      "body":{
        "type":"text",
        "analyzer": "standard",
        "fielddata": true
      }
    }
  }
}

POST test_001/_bulk
{"index":{"_id":1}}
{"body":"The quick brown fox jumped over the lazy dog"}
{"index":{"_id":2}}
{"body":"Quick brown foxes leap over lazy dogs in summer"}

GET test_001/_search
{
  "size": 0,
  "query": {
    "match": {
      "body": "brown"
    }
  },
  "aggs": {
    "popular_terms": {
      "terms": {
        "field": "body"
      }
    }
  }
}

3.3 fielddata 特点

  • 适用于文档之类的操作
  • 但仅适用于 text 文本字段类型
  • 在查询时创建
  • 内存中数据结构
  • 没有序列化到磁盘
  • 默认情况下被禁用(构建它们很昂贵,并且在堆中预置)

3.4 fielddata 适用场景

  • 全文统计词频
  • 全文生成词云
  • text类型:聚合、排序、脚本计算

3.5 fielddata 使用注意事项

  • 在启用字段数据之前,请考虑为什么将文本字段用于聚合、排序或在脚本中使用。
  • 启用 fielddata 通常没有任何意义,因为它非常耗费内存资源。
  • 仅仅是做全文搜索的应用,就不需要启用fielddata。

4、_source 字段解读

4.1 _source 定义

_source 字段包含在索引时间传递的原始JSON文档主体。

_source 字段本身未构建索引(因此不可搜索),但已存储该字段,以便在执行获取请求(如get或search)时可以将其返回。

4.2 _source 使用注意事项

第一:尽管非常方便,但是source字段确实会导致索引内的存储开销。因此,可以将其禁用。

PUT my-index-000001
{
  "mappings": {
    "_source": {
      "enabled": false
    }
  }
}

第二:禁用前要做好以下衡量 禁用 _source 后,如下操作将不可用:

  1. update, update_by_query 和 reindex API
  2. 高亮操作

所以,要在存储空间、业务场景之间权衡利弊后选型。

5、store 字段解读

5.1 store 定义

默认情况下,对字段值进行索引以使其可搜索(第1节的 倒排索引),但不存储它们。

这意味着可以查询该字段,但是无法检索原始字段值。

通常这无关紧要。该字段值已经是_source字段的一部分,默认情况下已存储。

但,某些特殊场景下,如果你只想检索单个字段或几个字段的值,而不是整个_source的值,则可以使用源过滤来实现。

这个时候, store 就派上用场了。

5.2 store 示例

DELETE news-000001
PUT news-000001
{
  "mappings": {
    "_source": {
      "enabled": false
    },
    "properties": {
      "title": {
        "type": "text",
        "store": true
      },
      "date": {
        "type": "date",
        "store": true
      },
      "content": {
        "type": "text"
      }
    }
  }
}

PUT news-000001/_doc/1
{
  "title":   "Some short title",
  "date":    "2021-01-01",
  "content": "A very long content field..."
}

GET news-000001/_search

GET news-000001/_search
{
  "stored_fields": [ "title", "date" ] 
}

5.3 store 适用场景

如 5.2 示例,在某些情况下,存储字段可能很有意义。例如,采集的新闻数据是:带有标题、日期和很大内容字段的文档,

则可能只想检索标题和日期,而不必从较大的_source字段中提取这些字段。

6、小结

回到文章开头的两个问题:

  • 问题1:看完本文后,doc values , field data , store fields 就非常清晰了。
  • 问题2:字段类型不一样,存储不一样。默认:倒排索引默认所有字段都启用,正排索引 Doc Values 非 text 类型默认启用, source (存储原始文档的 所有字段的 json 结构数据)和 store (存储指定字段的 json 数据) 的启用与否需要结合业务实际。假设:正排索引、倒排索引、_source 、store 都启用了,存储肯定会增加,但不是线性的 4倍。

对于不明白的问题,反复研读官方文档,拷贝到kibana Dev tool 去实践,直到弄明白为止。

文章尽量参考官方文档,尽管如此,难免表述纰漏,欢迎大家指正交流。

和你一起,死磕 Elasticsearch !

参考:

  1. https://t.zsxq.com/Baq3nmE
  2. https://t.zsxq.com/meAyrzN
  3. https://t.zsxq.com/IaunyrZ
  4. https://t.zsxq.com/AIYJiE6
  5. https://medium.com/datadriveninvestor/elastic-search-what-is-inside-5d61f1a681df
  6. http://alexander.holbreich.org/elasticsearch-datastructures/
  7. Elastic 官方文档

本文分享自微信公众号 - 铭毅天下(elastic999)。
如有侵权,请联系删除。

1

收藏
分享