回覆“ 1024 ”或 “ 面試題 ” 獲取 4T架構師 資料

ES官方調優指南

第一部分：調優索引速度

第二部分：調優搜索速度

第三部分：通用的一些建議

英文原文：

https://www.elastic.co/guide/en/elasticsearch/reference/current/how-to.html

ES發佈時帶有的默認值，可爲es的開箱即用帶來很好的體驗。全文搜索、高亮、聚合、索引文檔 等功能無需用戶修改即可使用,當你更清楚的知道你想如何使用es後，你可以作很多的優化以提高你的用例的性能,下面的內容告訴你 你應該/不應該 修改哪些配置

第一部分：調優索引速度

https://www.elastic.co/guide/en/elasticsearch/reference/current/tune-for-indexing-speed.html

使用批量請求批量請求將產生比單文檔索引請求好得多的性能。

爲了知道批量請求的最佳大小，您應該在具有單個分片的單個節點上運行基準測試。首先嚐試索引100個文件，然後是200，然後是400，等等。當索引速度開始穩定時，您知道您達到了數據批量請求的最佳大小。在配合的情況下，最好在太少而不是太多文件的方向上犯錯。請注意，如果羣集請求太大，可能會使羣集受到內存壓力，因此建議避免超出每個請求幾十兆字節，即使較大的請求看起來效果更好。

發送端使用多worker/多線程向es發送數據 發送批量請求的單個線程不太可能將Elasticsearch羣集的索引容量最大化。爲了使用集羣的所有資源，您應該從多個線程或進程發送數據。除了更好地利用集羣的資源，這應該有助於降低每個fsync的成本。

請確保注意TOOMANYREQUESTS（429）響應代碼（Java客戶端的EsRejectedExecutionException），這是Elasticsearch告訴您無法跟上當前索引速率的方式。發生這種情況時，應該再次嘗試暫停索引，理想情況下使用隨機指數回退。

與批量調整大小請求類似，只有測試才能確定最佳的worker數量。這可以通過逐漸增加工作者數量來測試，直到集羣上的I / O或CPU飽和。

1.調大 refresh interval

默認的index.refresh_interval是1s，這迫使Elasticsearch每秒創建一個新的分段。增加這個價值（比如說30s）將允許更大的部分flush並減少未來的合併壓力。

2.加載大量數據時禁用refresh和replicas

如果您需要一次加載大量數據，則應該將index.refreshinterval設置爲-1並將index.numberofreplicas設置爲0來禁用刷新。這會暫時使您的索引處於危險之中，因爲任何分片的丟失都將導致數據 丟失，但是同時索引將會更快，因爲文檔只被索引一次。初始加載完成後，您可以將index.refreshinterval和index.numberofreplicas設置回其原始值。

3.設置參數，禁止OS將es進程swap出去

您應該確保操作系統不會swapping out the java進程，通過禁止swap （https://www.elastic.co/guide/en/elasticsearch/reference/current/setup-configuration-memory.html）

4.爲filesystem cache分配一半的物理內存

文件系統緩存將用於緩衝I / O操作。您應該確保將運行Elasticsearch的計算機的內存至少減少到文件系統緩存的一半。

5.使用自動生成的id（auto-generated ids）

索引具有顯式id的文檔時，Elasticsearch需要檢查具有相同id的文檔是否已經存在於相同的分片中，這是昂貴的操作，並且隨着索引增長而變得更加昂貴。通過使用自動生成的ID，Elasticsearch可以跳過這個檢查，這使索引更快。

6.買更好的硬件

搜索一般是I/O 密集的，此時，你需要

1. 爲filesystem cache分配更多的內存

2. 使用SSD硬盤

3. 使用local storage（不要使用NFS、SMB 等remote filesystem）

4. 亞馬遜的 彈性塊存儲（Elastic Block Storage）也是極好的，當然，和local storage比起來，它還是要慢點

如果你的搜索是 CPU-密集的，買好的CPU吧

7.加大 indexing buffer size

如果你的節點只做大量的索引，確保index.memory.indexbuffersize足夠大，每個分區最多可以提供512 MB的索引緩衝區，而且索引的性能通常不會提高。Elasticsearch採用該設置（java堆的一個百分比或絕對字節大小），並將其用作所有活動分片的共享緩衝區。非常活躍的碎片自然會使用這個緩衝區，而不是執行輕量級索引的碎片。

默認值是10％，通常很多：例如，如果你給JVM 10GB的內存，它會給索引緩衝區1GB，這足以承載兩個索引很重的分片。

8.禁用 field names字段

fieldnames字段引入了一些索引時間開銷，所以如果您不需要運行存在查詢，您可能需要禁用它。（fieldnames：https://www.elastic.co/guide/en/elasticsearch/reference/current/mapping-field-names-field.html）

9.剩下的，再去看看 “調優 磁盤使用”吧

（https://www.elastic.co/guide/en/elasticsearch/reference/current/tune-for-disk-usage.html）中有許多磁盤使用策略也提高了索引速度。

第二部分-調優搜索速度

1.filesystem cache越大越好

爲了使得搜索速度更快， es嚴重依賴filesystem cache

一般來說，需要至少一半的 可用內存 作爲filesystem cache，這樣es可以在物理內存中 保有 索引的熱點區域（hot regions of the index）

2.用更好的硬件

搜索一般是I/O bound的，此時，你需要

• 爲filesystem cache分配更多的內存

• 使用SSD硬盤

• 使用local storage（不要使用NFS、SMB 等remote filesystem）

• 亞馬遜的 彈性塊存儲（Elastic Block Storage）也是極好的，當然，和local storage比起來，它還是要慢點

如果你的搜索是 CPU-bound，買好的CPU吧

3.文檔模型（document modeling）

文檔需要使用合適的類型，從而使得 search-time operations 消耗更少的資源。咋作呢？答：避免 join操作。具體是指

• nested 會使得查詢慢 好幾倍

• parent-child關係 更是使得查詢慢幾百倍

如果 無需join 能解決問題，則查詢速度會快很多

4.預索引 數據

根據“搜索數據最常用的方式”來最優化索引數據的方式

舉個例子：所有文檔都有price字段，大部分query 在 fixed ranges 上運行 range aggregation。你可以把給定範圍的數據 預先索引下。然後，使用 terms aggregation

5.Mappings（能用 keyword 最好了）

數字類型的數據，並不意味着一定非得使用numeric類型的字段。

一般來說，存儲標識符的 字段（書號ISBN、或來自數據庫的 標識一條記錄的 數字），使用keyword更好（integer，long 不好哦，親）

6.避免運行腳本

一般來說，腳本應該避免。如果他們是絕對需要的，你應該使用painless和expressions引擎。

7.搜索rounded 日期

日期字段上使用now，一般來說不會被緩存。但，rounded date則可以利用上query cache

rounded到分鐘等

8.強制merge只讀的index

只讀的index可以從“merge成 一個單獨的 大segment”中收益

9.預熱 全局序數（global ordinals）

全局序數 用於 在 keyword字段上 運行 terms aggregations

es不知道 哪些fields 將 用於/不用於 term aggregation，因此 全局序數 在需要時才加載進內存

但，可以在mapping type上，定義 eagerglobalordinals==true，這樣，refresh時就會加載 全局序數

10.預熱 filesystem cache

機器重啓時，filesystem cache就被清空。OS將index的熱點區域（hot regions of the index）加載進filesystem cache是需要花費一段時間的。

設置 index.store.preload 可以告知OS 這些文件需要提早加載進入內存

11.使用索引排序來加速連接

索引排序對於以較慢的索引爲代價來加快連接速度非常有用。在索引分類文檔中閱讀更多關於它的信息。

12.使用preference來優化高速緩存利用率

有多個緩存可以幫助提高搜索性能，例如文件系統緩存，請求緩存或查詢緩存。然而，所有這些緩存都維護在節點級別，這意味着如果連續運行兩次相同的請求，則有一個或多個副本，並使用循環（默認路由算法），那麼這兩個請求將轉到不同的分片副本，阻止節點級別的緩存幫助。

由於搜索應用程序的用戶一個接一個地運行類似的請求是常見的，例如爲了分析索引的較窄的子集，使用標識當前用戶或會話的優選值可以幫助優化高速緩存的使用。

13.副本可能有助於吞吐量，但不會一直存在

除了提高彈性外，副本可以幫助提高吞吐量。例如，如果您有單個分片索引和三個節點，則需要將副本數設置爲2，以便共有3個分片副本，以便使用所有節點。

現在假設你有一個2-shards索引和兩個節點。在一種情況下，副本的數量是0，這意味着每個節點擁有一個分片。在第二種情況下，副本的數量是1，這意味着每個節點都有兩個碎片。哪個設置在搜索性能方面表現最好？通常情況下，每個節點的碎片數少的設置將會更好。

原因在於它將可用文件系統緩存的份額提高到了每個碎片，而文件系統緩存可能是Elasticsearch的1號性能因子。同時，要注意，沒有副本的設置在發生單個節點故障的情況下會出現故障，因此在吞吐量和可用性之間進行權衡。

那麼複製品的數量是多少？如果您有一個具有numnodes節點的羣集，那麼numprimaries總共是主分片，如果您希望能夠一次處理maxfailures節點故障，那麼正確的副本數是max（maxfailures，ceil（numnodes / numprimaries） - 1）。

14.打開自適應副本選擇

當存在多個數據副本時，elasticsearch可以使用一組稱爲自適應副本選擇的標準，根據包含分片的每個副本的節點的響應時間，服務時間和隊列大小來選擇數據的最佳副本。這可以提高查詢吞吐量並減少搜索量大的應用程序的延遲。

第三部分：通用的一些建議

1、不要 返回大的結果集

es設計來作爲搜索引擎，它非常擅長返回匹配query的top n文檔。但，如“返回滿足某個query的 所有文檔”等數據庫領域的工作，並不是es最擅長的領域。如果你確實需要返回所有文檔，你可以使用Scroll API

2、避免 大的doc。即，單個doc 小了 會更好

given that(考慮到) http.maxcontextlength默認==100MB，es拒絕索引操作100MB的文檔。當然你可以提高這個限制，但，Lucene本身也有限制的，其爲2GB 即使不考慮上面的限制，大的doc 會給 network/memory/disk帶來更大的壓力；

• 任何搜索請求，都需要獲取 _id 字段，由於filesystem cache工作方式。即使它不請求 _source字段，獲取大doc _id 字段消耗更大

• 索引大doc時消耗內存會是 doc本身大小 的好幾倍

• 大doc的 proximity search, highlighting 也更加昂貴。它們的消耗直接取決於doc本身的大小

3、避免 稀疏

• 不相關數據 不要 放入同一個索引

• 一般化文檔結構（Normalize document structures）

• 避免類型

• 在 稀疏 字段上，禁用 norms & doc_values 屬性

稀疏爲什麼不好？

Lucene背後的數據結構 更擅長處理 緊湊的數據

text類型的字段，norms默認開啓；numerics, date, ip, keyword，docvalues默認開啓 Lucene內部使用 integer的docid來標識文檔 和 內部API交互。

舉個例子：使用match查詢時生成docid的迭代器，這些docid被用於獲取它們的norm，以便計算score。當前的實現是每個doc中保留一個byte用於存儲norm值。獲取norm值其實就是讀取doc_id位置處的一個字節

這非常高效，Lucene通過此值可以快速訪問任何一個doc的norm值；但，給定一個doc，即使某個field沒有值，仍需要爲此doc的此field保留一個字節

docvalues也有同樣的問題。2.0之前的fielddata被現在的docvalues所替代了。

稀疏性 最明顯的影響是 對存儲的需求（任何doc的每個field，都需要一個byte）；但是呢，稀疏性 對 索引速度和查詢速度 也是有影響的，因爲：即使doc並沒有某些字段值，但，索引時，依然需要寫這些字段，查詢時，需要skip這些字段的值

某個索引中擁有少量稀疏字段，這完全沒有問題。但，這不應該成爲常態

稀疏性影響最大的是 norms&docvalues ，但，倒排索引（用於索引 text以及keyword字段），二維點（用於索引geopoint字段）也會受到較小的影響

如何避免稀疏呢？

1、不相關數據 不要 放入同一個索引 給個tip：索引小（即：doc的個數較少），則，primary shard也要少

2、一般化文檔結構（Normalize document structures）

3、避免類型（Avoid mapping type） 同一個index，最好就一個mapping type。在同一個index下面，使用不同的mapping type來存儲數據，聽起來不錯，但，其實不好。given that(考慮到)每一個mapping type會把數據存入 同一個index，因此，多個不同mapping type，各個的field又互不相同，這同樣帶來了稀疏性 問題

4、在 稀疏 字段上，禁用 norms & doc_values 屬性

• norms用於計算score，無需score，則可以禁用它（所有filtering字段，都可以禁用norms）

• docvlaues用於sort&aggregations，無需這兩個，則可以禁用它 但是，不要輕率的做出決定，因爲 norms&docvalues無法修改。只能reindex

祕訣1：混合 精確查詢和提取詞幹（mixing exact search with stemming）

對於搜索應用，提取詞幹（stemming）都是必須的。例如：查詢 skiing時，ski和skis都是期望的結果

但，如果用戶就是要查詢skiing呢？

解決方法是：使用multi-field。同一份內容，以兩種不同的方式來索引存儲 query.simplequerystring.quotefieldsuffix，竟然是 查詢完全匹配的

祕訣2：獲取一致性的打分

score不能重現 同一個請求，連續運行2次，但，兩次返回的文檔順序不一致。這是相當壞的用戶體驗

如果存在 replica，則就可能發生這種事，這是因爲：search時，replication group中的shard是按round-robin方式來選擇的，因此兩次運行同樣的請求，請求如果打到 replication group中的不同shard，則兩次得分就可能不一致

那問題來了，“你不是整天說 primary和replica是in-sync的，是完全一致的”嘛，爲啥打到“in-sync的，完全一致的shard”卻算出不同的得分？

原因就是標註爲“已刪除”的文檔。如你所知，doc更新或刪除時，舊doc並不刪除，而是標註爲“已刪除”，只有等到 舊doc所在的segment被merge時，“已刪除”的doc纔會從磁盤刪除掉

索引統計（index statistic）是打分時非常重要的一部分，但，由於 deleted doc 的存在，在同一個shard的不同copy（即：各個replica）上 計算出的 索引統計 並不一致

個人理解：

• 所謂 索引統計 應該就是df，即 doc_freq

• 索引統計 是基於shard來計算的

搜索時，“已刪除”的doc 當然是 永遠不會 出現在 結果集中的 索引統計時，for practical reasons，“已刪除”doc 依然是統計在內的

假設，shard A0 剛剛完成了一次較大的segment merge，然後移除了很多“已刪除”doc，shard A1 尚未執行 segment merge，因此 A1 依然存在那些“已刪除”doc

於是：兩次請求打到 A0 和 A1 時，兩者的 索引統計 是顯著不同的

如何規避 score不能重現 的問題？使用 preference 查詢參數

發出搜索請求時候，用 標識字符串 來標識用戶，將 標識字符串 作爲查詢請求的preference參數。這確保多次執行同一個請求時候，給定用戶的請求總是達到同一個shard，因此得分會更爲一致（當然，即使同一個shard，兩次請求 跨了 segment merge，則依然會得分不一致）

這個方式還有另外一個優點，當兩個doc得分一致時，則默認按着doc的 內部Lucene doc id 來排序（注意：這並不是es中的 _id 或 _uid）。但是呢，shard的不同copy間，同一個doc的 內部Lucene doc id 可能並不相同。因此，如果總是達到同一個shard，則，具有相同得分的兩個doc，其順序是一致的

score錯了

score錯了（Relevancy looks wrong）

如果你發現

• 具有相同內容的文檔，其得分不同

• 完全匹配 的查詢 並沒有排在第一位 這可能都是由 sharding 引起的

• 默認情況下，搜索文檔時，每個shard自己計算出自己的得分。

• 索引統計 又是打分時一個非常重要的因素。

如果每個shard的 索引統計相似，則 搜索工作的很好

文檔是平分到每個primary shard的，因此 索引統計 會非常相似，打分也會按着預期工作。但，萬事都有個但是：

• 索引時使用了 routing（文檔不能平分到每個primary shard 啦）

• 查詢多個索引

• 索引中文檔的個數 非常少

這會導致：參與查詢的各個shard，各自的 索引統計 並不相似（而，索引統計對 最終的得分 又影響巨大），於是 打分出錯了（relevancy looks wrong）

那，如何繞過 score錯了（Relevancy looks wrong）？

如果數據集較小，則，只使用一個primary shard（es默認是5個），這樣兩次查詢 索引統計 不會變化，因而得分也就一致啦

另一種方式是，將searchtype設置爲：dfsquerythenfetech（默認是querythenfetch）

dfsquerythen_fetch的作用是

• 向 所有相關shard 發出請求，要求 所有相關shard 返回針對當前查詢的 索引統計

• 然後，coordinating node 將 merge這些 索引統計，從而得到 merged statistics

• coordinating node 要求 所有相關shard 執行 query phase，於是 發出請求，這時，也帶上 merged statistics。這樣，執行query的shard 將使用 全局的索引統計

大部分情況下，要求 所有相關shard 返回針對當前查詢的 索引統計，這是非常cheap的。但，如果查詢中 包含 非常大量的 字段/term查詢，或者有 fuzzy查詢，此時，獲取 索引統計 可能並不cheap，因爲 爲了得到 索引統計 可能 term dictionary 中 所有的term都需要被查詢一遍