elasticsearch性能因素总结

一：硬件方面

 

在预算充足的情况下。特别是一些高并发业务的搜索。硬件层面占用整个elasticsearch性能空间很大比例。

1）内存：

单实例的情况下，尽量分配32G，排序和统计都是以及内存计算的。

2）硬盘：

在条件允许下，尽量使用一些高性能io的硬盘，SSD

3）CPU：

在高并发的情况下，cpu的计算能力要求就很高了。cpu配置尽量高。

4）网络：

当然这个越大越好。。毕竟服务交互通过http 。网络传输是个很重要的因数

 

二：OS 系统优化。

 

1）选择CentOS 64位操作系统

CentOS6.5/6.6/6.7         7以上系统有很大改变，建议稳定后采用。

2）设置最大文件打开数

ulimit -a  查看    
ulimit -SHn 65535     s 代表软件资源，n代表硬件资源  系统重启之后恢复默认
/etc/security/limits.conf    添加 * - nofile 65535

3）优化相关内核参数

查看当前TCP连接数：netstat -n | awk '/^tcp/ {++S[$NF]} END {for(a in S) print a, S[a]}‘

 

三：软件层面

 

1）优化GC，减少GC时间。

  因为gc时会使jvm停止工作，如果某个节点gc时间过长，master ping3次（zen discovery默认ping失败重试3次）不通后就会把该节点剔除出集群，从而导致索引进行重新分配。解决办法：（1）优化gc，减少gc时间。（2）调大zen discovery的重试次数（es参数：ping_retries）和超时时间（es参数：ping_timeout）。后来发现根本原因是有个节点的系统所在硬盘满了。导致系统性能下降

2）索引层面

按着分词效率和业务契合度的 分词器。。优化segment。

3）分片

按着自己的业务需求控制shard数量，shard过多，交互多。。shard过少，单个分片数据容易累积，当单个分片的数据超过30G的时

候就有性能下降的情况，当超过50G的时候，就有明显性能下降的效果。。采用热分离：当数据大小即将超过30G的时候。可以把以前的 数据 转存到其他容器里面去。比如hdfs。

4）副本:副本太多性能下降

5）查询缓存（打分走query，不打分就filter）

 

 因为默认情况下es对字段数据缓存（Field Data Cache）大小是无限制的，查询时会把字段值放到内存，特别是facet查询，对内存要求非常高，它会把结果都放在内存，然后进行排序等操作，一直使用内存，直到内存用完，当内存不够用时就有可能出现out of memory错误。
解决方法：
（1）设置es的缓存类型为Soft Reference，它的主要特点是据有较强的引用功能。只有当内存不够的时候，才进行回收这类内存，因此在内存足够的时候，它们通常不被回收。另外，这些引 用对象还能保证在Java抛出OutOfMemory 异常之前，被设置为null。它可以用于实现一些常用图片的缓存，实现Cache的功能，保证最大限度的使用内存而不引起OutOfMemory。在es的配置文件加上index.cache.field.type: soft即可。
（2）设置es最大缓存数据条数和缓存失效时间，通过设置index.cache.field.max_size: 50000来把缓存field的最大值设置为50000，设置index.cache.field.expire: 10m把过期时间设置成10分钟。

6）锁住ES内存

Es在内存不够JVM开启swapping的时候，表现得会很差，所以为了避免这个问题，将该属性设为true，表示锁定es所使用的内存:

bootstrap.mlockall: true

 

7）query优化。为高并发查询提供过滤器缓存和字段缓存

1. 一般情况下。尽量使用filter。。
2. 过滤器不影响评分，而query得分查询会让搜索变的更加复杂，需要更多的cpu资源。
3. 过滤查询相对于比较简单的操作，由于过滤应用整个索引的内容上，过滤器很容易被缓存
4. 尽量使用filtered查询，可以把整个query都套在filtered中，这种效率会更快。（过滤发生在查询之前！！）
5. 复杂的组合过滤查询尽量用bool查询，不带bool的查询 不能利用缓存
6. 设置search_type 类型：

demo：
# 嵌套查询
# SELECT document FROM products WHERE productID = "SD1002136" OR ( productID = "SD4535233" AND price = 30 )

1. {
2. "query": {
3. "filtered": {
4. "query": {
5. "match_all": {
6. }
7. }"filter": {
8. "bool": {
9. "should": [{
10. "term": {
11. "productID": "SD1002136"
12. }
13. },
14. {
15. "must": [{
16. "term": {
17. "productID": "SD4535233"
18. }
19. },
20. {
21. "term": {
22. "price": 30
23. }
24. }]
25. }]
26. }
27. }
28. }
29. }

}

转载：http://blog.csdn.net/hu948162999/article/details/51381717