Elasticsearch搜索调优权威指南 （1/3）

本文首发于 vivo互联网技术 微信公众号 https://mp.weixin.qq.com/s/qwkZKLb_ghmlwrqMkqlb7Q
英文原文：https://qbox.io/blog/elasticsearch-search-tuning-5-0-ultimate-guide
作者：Adam Vanderbush
译者：杨振涛

目录

1. 文档建模
2. 全局序列号和延迟
3. 多代关系
4. 为文件系统缓存分配内存

Elasticsearch搜索调优权威指南，是QBOX在其博客上发布的系列文章之一，本文是该系列的第一篇，主要从文档建模、内存分配、文件系统缓存、GC和硬件等方面介绍了优化查询性能的一些经验。

Elasticsearch 5.0.0确实是在2.x之后的一个大版本，为大家带来了许多新东西。Elasticsearch现在作为Elastic Stack中的一员，与整个技术栈的其他产品的版本号已经对齐，现在Kibana、Logstash、Beats和Elasticsearch全都是5.0版本了。

这个版本的Elasticsearch是目前为止最快、最安全、最弹性，也是最易用的，而且还带来了很多的改进和新特性。

我们已经通过“Elasticsearch性能调优权威指南”系列，介绍了一些性能调优的基本经验和方法，解释了每一步最关键的系统设置和衡量指标。该系列共分下列3个部分：

• The Authoritative Guide to Elasticsearch Performance Tuning (Part 1)
• The Authoritative Guide to Elasticsearch Performance Tuning (Part 2)
• The Authoritative Guide to Elasticsearch Performance Tuning (Part 3)

索引决策也很重要，它对如何搜索数据有很大的影响。如果是一个字符串字段，是否需要分词或归一化？如果是，怎么做？如果是一个数值型属性，需要哪种精度？还有很多其他类型，比如date-time、geospatial shape以及父子关系等，需要更多特别的考虑。

我们也通过一个系列教程讨论了“Elasticsearch索引性能优化”，介绍了一些通用的技巧和方法，来最大化索引的吞吐量并降低监控和管理的负载。该教程分如下3个部分：

• How to Maximize Elasticsearch Indexing Performance (Part 1)
• How to Maximize Elasticsearch Indexing Performance (Part 2)
• How to Maximize Elasticsearch Indexing Performance (Part 3)

本文旨在推荐一些搜索调优技术、策略以及Elasticsearch 5.0及以上的推荐特性。

1.文档建模

内部对象属性数组并不像期望的那样工作。Lucene 中没有内部对象的概念，所以Elasticsearch把对象层次展开到一个由属性名称和属性值组成的简单列表中。以下列文档为例：

curl -XPUT 'localhost:9200/my_index/my_type/1?pretty' -H 'Content-Type: application/json' -d '{
 "group" : "fans",
 "user" : [
   {
     "first" : "John",
     "last" :  "Smith"
   },
   {
     "first" : "Alice",
     "last" :  "White"
   }
 ]
}'

该请求会在内部转换为如下的文档形式：

{
  "group" :        "fans",
  "user.first" : [ "alice", "john" ],
  "user.last" :  [ "smith", "white" ]
}

如果需要索引对象数组，并维护数组中每个对象的依赖关系，应当使用内嵌数据类型而不是对象数据类型。内嵌对象在内部会把数组中的每个对象当作单独的隐藏文档来索引，即使用下述内嵌查询，可以单独查询每个内嵌对象：

curl -XPUT 'ES_HOST:ES_PORT/my_index?pretty' -H 'Content-Type: application/json' -d '{
 "mappings": {
   "my_type": {
     "properties": {
       "user": {
         "type": "nested"
       }
     }
   }
 }
}'

curl -XPUT 'ES_HOST:ES_PORT/my_index/my_type/1?pretty' -H 'Content-Type: application/json' -d '{
 "group" : "fans",
 "user" : [
   {
     "first" : "John",
     "last" :  "Smith"
   },
   {
     "first" : "Alice",
     "last" :  "White"
   }
 ]
}'

curl -XGET 'ES_HOST:ES_PORT/my_index/_search?pretty' -H 'Content-Type: application/json' -d '{
 "query": {
   "nested": {
     "path": "user",
     "query": {
       "bool": {
         "must": [
           { "match": { "user.first": "Alice" }},
           { "match": { "user.last":  "Smith" }}
         ]
       }
     }
   }
 }
}'

curl -XGET 'ES_HOST:ES_PORT/my_index/_search?pretty' -H 'Content-Type: application/json' -d '{
 "query": {
   "nested": {
     "path": "user",
     "query": {
       "bool": {
         "must": [
           { "match": { "user.first": "Alice" }},
           { "match": { "user.last":  "White" }}
         ]
       }
     },
     "inner_hits": {
       "highlight": {
         "fields": {
           "user.first": {}
         }
       }
     }
   }
 }
}'

当有一个主实体比如一篇博客文章，带有一些有一定关系但又不是非常重要的其他实体比如评论时，内嵌对象会非常有用。如果能根据评论内容来查询到博客文章，那就很不错，而且内嵌查询和过滤器一起提供了更快的join查询能力。

内嵌对象模型的缺点如下：

为了 增加 、修改 或 删除 一个内嵌对象文档，整个文档必须重建索引；这就导致内嵌文档越多开销就越大。

搜索请求返回整个文档，而不是只返回匹配的内嵌文档。虽然已经以后计划支持返回根文档的部分最配内嵌文档，但目前仍然不支持。

有时候可能需要把主文档和其关联实体分离，这种分离由父子关系来提供。

通过建立另一个文档的父类型mapping，可以在相同索引的文档之间建立父子关系：

curl -XPUT 'ES_HOST:ES_PORT/my_index?pretty' -H 'Content-Type: application/json' -d '{
 "mappings": {
   "my_parent": {},
   "my_child": {
     "_parent": {
       "type": "my_parent"
     }
   }
 }
}'

curl -XPUT 'ES_HOST:ES_PORT/my_index/my_parent/1?pretty' -H 'Content-Type: application/json' -d '{
 "text": "This is a parent document"
}'

curl -XPUT 'ES_HOST:ES_PORT/my_index/my_child/2?parent=1&pretty' -H 'Content-Type: application/json' -d '{
 "text": "This is a child document"
}'

curl -XPUT 'ES_HOST:ES_PORT/my_index/my_child/3?parent=1&refresh=true&pretty' -H 'Content-Type: application/json' -d '{
 "text": "This is another child document"
}'

curl -XGET 'ES_HOST:ES_PORT/my_index/my_parent/_search?pretty' -H 'Content-Type: application/json' -d '{
 "query": {
   "has_child": {
     "type": "my_child",
     "query": {
       "match": {
         "text": "child document"
       }
     }
   }
 }
}'

父子join对管理实体关系非常有用，尤其是在索引时间比检索时间很重要的情形下，但是它会带来较大的开销；父子查询比同等的内嵌查询要慢5到10倍。

2.全局序列号和延迟

父子关系使用了全局序列号来加速join操作。无论父子map是否使用了内存缓存或磁盘上的doc value，全局序列号仍然需要在索引发生任何改变时进行重建。

分片中的父代越多，全局序列号构建就越耗时。相对于需要父代和较少的子代， 父子关系最适合每个父代有很多子代的情形。

全局序列号默认是 延迟 构建：refresh后的第一个父子查询或聚合请求将会触发构建全局序列号。这会让用户感知到一个明显的潜在峰值。可以使用eager_global_ordinals 来把查询期构建全局序列号的成本转移到refresh期，通过如下方式mapping _parent属性：

curl -XPUT 'ES_HOST:ES_PORT/company -d ‘{
  "mappings": {
    "branch": {},
    "employee": {
      "_parent": {
        "type": "branch",
        "fielddata": {
          "loading": "eager_global_ordinals"
        }
      }
    }
  }
}’

这里，_parent属性的全局序列号将会在一个新的段搜索可见时被构建。

对于很多的父代，全局序列号要花费数秒钟来构建。此时，需要增加refresh_interval，以便refresh的频率更低，而全局序列号保持可用的时间更长。这将大幅减少每秒钟重建全局序列号的CPU消耗。

3.多代关系

对多代数据的Join（参考Grandparents and Grandchildren）能力听起来很吸引人，但需要思考其代价：

• Join越多，性能越差。
• 每一个父代都需要把自己的string _id属性保存在内存，这可能会消耗大量RAM。
• 当考虑关系型方案及父子关系是否适合时，可参考下列关于父子关系的建议：
• 保守使用父子关系，仅当子代比父代多很多时才考虑。
• 避免在单个查询中使用多父子关系来join。
• 避免对使用has_child过滤器，或score_mode为 none 的has_child查询来打分。
• 父ID尽量简短，以便在doc value中更好地压缩，从而在瞬时加载时消耗更少的内存。

4.为文件系统缓存分配内存

对于运行中Elasticsearch，内存是需要密切监控的重要资源之一。Elasticsearch和Lucene通过JVM堆内存和文件系统缓存两种方式来消耗内存。由于Elasticsearch运行在Java虚拟机（JVM）中，所以JVM的GC周期和频率也需要重点监控。

JVM堆内存

对于Elasticsearch一个“刚好合适”的JVM堆大小是非常重要的——不能设置过大或过小，原因见后文。一般来说Elasticsearch的经验值是分配少于50%的可用RAM给JVM堆，且不要超过32GB。

为Elasticsearch分配过少的堆内存，那么就会留给Lucene更多内存，而Lucene重度依赖于文件系统缓存来快速处理请求。不管怎样也不能设置过小的堆内存，因为当应用由于频繁GC而面临短时中断时，可能会遭遇内存溢出错误或吞吐量下降。

Elasticsearch默认安装时设置的JVM堆大小为1GB，这在大多数情况下都偏小。可以通过环境变量来设置期望的对大小并重启Elasticsearch：

export ES_HEAP_SIZE=10g

设置JVM堆大小的另一种方式（相当于设置一样的最小值和最大值，以防止重新调整堆大小），是在每次启动Elasticsearch时通过命令行参数指定：

ES_HEAP_SIZE="10g" ./bin/elasticsearch

这两种示例方式都是设置了10GB的堆大小，为了验证是否设置成功，执行：

curl -XGET http://ES_HOST:9200/_cat/nodes?h=heap.max

返回的输出会显示已正确地更新了最大堆内存。

垃圾回收

Elasticsearch依靠GC过程来释放堆内存。由于GC本身也要消耗资源（为了释放资源！），所以应当留意GC频率和持续时间，以确认是否需要调整堆内存大小。设置过大的堆内存，换来的是更长的GC时间；这种过多的停顿非常危险，因为可能导致集群误认为该节点网络异常而失联。

因此，Elasticsearch重度依赖文件系统缓存来加速搜索。一般需要保证至少有一半的可用内存用于文件系统缓存，这样Elasticsearch才能保持索引数据的热点区域都在物理内存中。

使用更快的硬件

如果搜索受限于I/O，应当考虑为文件系统缓存分片更多内存（参考前文），或者购买更快的驱动。特别地，SSD公认地比机械磁盘性能好很多。尽可能使用本地存储，避免使用像 NFS 或 SMB 之类的远程或网络文件系统，也要注意像Amazon EBS这样的虚拟化存储。

Elasticsearch使用虚拟化存储工作是没有问题的，它因为快速和安装简单而受欢迎，但同样不幸的是，在基础上与专用的本地存储相比它天生就比较慢。如果在EBS上创建了一个索引库，请确认使用预分配的IOPS，否则很快就会被限流。

如果搜索受限于CPU，那么应当考虑购买更快的CPU。

更多内容敬请关注 vivo 互联网技术 微信公众号

注：转载文章请先与微信号：labs2020 联系。