ElastricSearch 原理以及简单实用(超级通俗)
提到非结构化数据的检索，常常用到 ElasticSearch，他是什么呢？
ElasticSearch 是一个基于 Apache Lucene 的分布式搜索引擎，可以作为实时文档存储系统，且文档的每一个内容都可以被检索，能够处理 PB 级别的结构化和非结构化数据。
ElasticSearch 本身具有分布式特性的特点。
Apache Lucene
背景
Lucene 是为了解决大规模文本数据的高效检索问题而设计的。90 年代末，互联网的内容量飞速增加，企业的大量文本数据难以快速检索。虽然传统数据库可以处理这些数据，但是“全文检索”的支持有限，尤其是在复杂搜索(模糊匹配、词组查询、相关性排序)时效率低下。
99 年 Lucene 作为一个开源的全文检索库而问世，专门应对上述问题。Lucene 通过倒排索引结构，极大的提升了文本搜索的速度；并且内置了查询功能和打分机制，可以按相关性排序。
Lucene 的诞生是为了填补大规模文本数据快速、灵活检索的空缺。他在几十年后成为了搜索基础的基础，如分布式搜索引擎 ElasticSearch
优点：
- 倒排索引 → 高性能
- 布尔查询、模糊查询、词组查询 → 复杂信息检索
- 打分排序 → 相关性计算
缺点
- 使用复杂、缺乏分布式支持
1.名词解释
-
索引(Index) → 关系数据库中的 数据库
索引指的是包含一堆具有相似结构的文档数据 (Document) 。
如：商品索引、订单索引。在商品索引中，可以存放成千上万的商品信息；
-
类型(Type) → 关系数据库中的 表
(貌似 es 6.0 之后就不支持了，去除这个概念了)类型是索引内部的逻辑分区(category/partition)，每个 Index 里都可以有一个或多个 type，type 是 Index 中的一个逻辑数据分类，一个 type 下的 document 有相同的 field。
如：商品索引中，服务和旅游路线，虽然都是可售卖的商品，但因为有很多属性不同，所以定义了两种 type；此外还可以为类目定义一个Type
服装商品的Type：商品名字、价格、描述
旅游路线商品的Type：商品名字、价格、描述、行程信息
-
文档&属性(Document&Field) → 关系数据库中的 一行记录 和 字段
一个 document 是一条实例数据。
例如一个商品，一个订单，通常使用 JSON 数据格式表示。一个 document 里面有多个 field，每个 field 就是一个数据字段。
{ _Index: "twitter", _type: "_doc", _id: "1", _version: 1, _seq_no: 0, _primary_term: 1, found: true, _source: { user: "kimchy", post_date: "2009-11-15T13:12:00", message: "Trying out Elasticsearch, so far so good?" } } -
词条(Term)
索引里最小的存储和查询单元。
对于英文来说是一个单词，对于中文来说一般指分词后的一个词。
-
词典(Term Dictionary)
即字典，是词条 term 的集合。
搜索引擎通常的索引单位是单词，单词词典是由文档集合中出现过的所有单词构成的字符串集合，单词词典内每条索引项记载单词本身的一些信息以及指向“倒排列表”的指针。
-
正排数据
搜索引擎的通用叫法，即原始数据，可以理解为一个 doc list。
-
倒排数据
lucenne 索引的通用叫法，即实现了 term 到 doc list 的映射。
倒排索引建立的是 分词(Term) 和 文档(Document) 之间的映射关系，在倒排索引中，数据是面向词(term) 而不是 面向文档的。
-
倒排表(Post list)
一个文档通常由多个词组成，倒排表记录的是某个词在那些文档里出现过以及出现的位置。
每条记录称为一个倒排项(Posting)。
倒排表记录的不单是文档编号，还存储了词频等信息。
-
倒排文件(Inverted File)
所有单词的倒排列表往往顺序的存储在磁盘的某个文件里，这个文件称之为倒排文件，倒排文件是存储倒排索引的物理文件。
2.索引原理
2.1倒排索引的结构
原始文档如下
Doc1: I love China。
Doc2: I love work。
Doc3: I love coding。
为了创建倒排索引，
- 首先通过分词器将每个文档的内容域拆分成单独的词(Term)，
- 创建一个包含所有不重复词条的排序列表，
- 然后列出每个词条出现在哪个文档。
如下
| Term | Doc1 | Doc2 | Doc3 |
|---|---|---|---|
| I | Y | Y | Y |
| China | Y | ||
| coding | Y | ||
| love | Y | Y | Y |
| work | Y |
这种结构由文档中所有不重复的列表构成，对于其中每个词都有一个 Doc 与之关联。
这种由属性值来确定记录的位置的结构就是倒排索引(Post Index)。
带有倒排索引的文件称之为倒排文件(Inverted file)
2.2 搜索
下面举例说明倒排索引如何高效
-
创建倒排索引
假设有一张学生成绩表
id name gender score 1 Fern female 80 2 Alice female 70 3 Bunny male 90 4 Aimee female 70 5 Amy female 80 6 tracy female 90 数据存到 ES 后，会建立以下倒排索引：
Name
Term Posting List Aimee 4 Alice 2 Amy 5 Bunny 3 Fern 1 tracy 6 Gender
Term Posting List female [1,2,4,5,6] male 3 Score
Term Posting List 70 [2,4] 80 [1,5] 90 [3,6] 以上为词条和倒排索引的关系，即当搜索 score=70 的时候，通过倒排索引能直接找到 [2,4] 记录，然后返回对应的记录。
-
词典
词典是词条的集合，当词条很多的时候，ES 如何高效查询呢？
在 Mysql 数据库中也有类似问题，当记录很多的时候，Mysql 的做法是创建索引，Mysql 的索引是使用 B+ 树实现的，如果查询条件能用上索引，那么就可以直接将查询条件 和索引进行匹配，因为索引是 B+ 树，所以查询效率也非常高。
ES 的做法也类似，即对上述词条排序，然后通过二分查找法将时间复杂度降到 l o g N logN logN
假设 name 取值如下：
Fern, Alice, Bunny, Aimee, Amy, tracy
排序后
Aimee, Alice, Amy, Bunny, Fern, tracy
Mysql 的索引存储在磁盘上，ES 的词典存储在内存中，按照上面的做法，ES 虽然可以解决查询效率问题，但是他会引起另一个问题：当 Term (词条) 很多时，内存必定无法容纳这些词条，那 ES 时如何处理这个问题的呢？
ES 的做法是创建 Term Index。
上面的 Term 都是英文字母，但实际情况是，term 可以任意的 byte 数组；另外，很多时候 term 数量对应的内容未必均衡，如图所示：C 字符开头的 term 一个没有，而 A 开头的 term 特别多。Lucene 内部的 Term Index 用的是变种 trie 树，即 FST(finite-state transducer)，trie 树只共享了前缀，而 FST 既共享前缀也共享后缀，更节省空间。
关于 FST 的原理比较复杂，这里了解他在这里的核心作用：高效的查找到词条(Term)。
通过 Term Index 可以快速定位到 Term Dictionary 的某个 offset，然后从这个位置在往后顺序查找。
再加上一些压缩技术(搜索 FST)，Term Index 的尺寸可以只有 所有 Term 的尺寸的几十分之一，使得内存缓存整个 Term Index 变成了可能。
如图所示，Term Index 主要解决的是快速定位到 Term，和现实中的字典或通讯录比较类似，例如，可以直接通过字母 W 快速找到 W 开头的姓氏。
3.教程
-
linux上安装
wget https://artifacts.elastic.co/downloads/elasticsearch/elasticsearch-8.15.3-linux-x86_64.tar.gz wget https://artifacts.elastic.co/downloads/elasticsearch/elasticsearch-8.15.3-linux-x86_64.tar.gz.sha512 shasum -a 512 -c elasticsearch-8.15.3-linux-x86_64.tar.gz.sha512 tar -xzf elasticsearch-8.15.3-linux-x86_64.tar.gz cd elasticsearch-8.15.3/ -
MaxOS 上安装
curl -O https://artifacts.elastic.co/downloads/elasticsearch/elasticsearch-8.15.3-darwin-x86_64.tar.gz curl https://artifacts.elastic.co/downloads/elasticsearch/elasticsearch-8.15.3-darwin-x86_64.tar.gz.sha512 | shasum -a 512 -c - tar -xzf elasticsearch-8.15.3-darwin-x86_64.tar.gz cd elasticsearch-8.15.3/
3.运行 ElasticSearch 在命令行
./bin/elasticsearch
- 这里一定要注意密码
首次启动 Elasticsearch 时，默认情况下会启用并配置安全功能。以下安全配置会自动发生：
- 启用认证和授权，并为 elastic 内置超级用户生成密码。
- 为传输层和 HTTP 层生成 TLS 的证书和密钥，并使用这些密钥和证书启用和配置 TLS。
- 为 Kibana 生成注册令牌，有效期为 30 分钟。
Elastic 用户的密码和 Kibana 的注册令牌将输出到您的终端。
我们建议将 elastic 密码存储为 shell 中的环境变量。例如：
export ELASTIC_PASSWORD="your_password"
-
检查 Elasticsearch 是否运行
curl --cacert $ES_HOME/config/certs/http_ca.crt -u elastic:$ELASTIC_PASSWORD https://localhost:9200
转载自阿里云：https://developer.aliyun.com/article/775303