Elasticsearch Lucene 数据写入原理 | ES 核心篇

前言

最近 TL 分享了下 《Elasticsearch基础整理》，蹭着这个机会。写个小文巩固下，本文主要讲 ES -> Lucene
的底层结构，然后详细描述新数据写入 ES 和 Lucene 的流程和原理。这是基础理论知识，整理了一下，希望能对 Elasticsearch 感兴趣的同学有所帮助。

一、Elasticsearch & Lucene 是什么

什么是 Elasticsearch ？
Elasticsearch 是一个基于 Apache Lucene(TM) 的开源搜索引擎。

那 Lucene 是什么？
无论在开源还是专有领域，Lucene 可以被认为是迄今为止最先进、性能最好的、功能最全的搜索引擎库，并通过简单的 RESTful API 来隐藏 Lucene 的复杂性，从而让全文搜索变得简单。

Elasticsearch 不仅仅是 Lucene 和全文搜索，我们还能这样去描述它：

• 分布式的实时文件存储，每个字段都被索引并可被搜索
• 分布式的实时分析搜索引擎
• 可以扩展到上百台服务器，处理 PB 级结构化或非结构化数据

二、Elasticsearch & Lucene 的关系

就像很多业务系统是基于 Spring 实现一样，Elasticsearch 和 Lucene 的关系很简单：Elasticsearch 是基于 Lucene 实现的。ES 基于底层这些包，然后进行了扩展，提供了更多的更丰富的查询语句，并且通过 RESTful API 可以更方便地与底层交互。类似 ES 还有 Solr 也是基于 Lucene 实现的。

在应用开发中，用 Elasticsearch 会很简单。但是如果你直接用 Lucene，会有大量的集成工作。

因此，入门 ES 的同学，稍微了解下 Lucene 即可。如果往高级走，还是需要学习 Lucene 底层的原理。因为倒排索引、打分机制、全文检索原理、分词原理等等，这些都是不会过时的技术。

三、新文档写入流程

3.1 数据模型

如图

• 一个 ES Index （索引，比如商品搜索索引、订单搜索索引）集群下，有多个 Node （节点）组成。每个节点就是 ES 的实例。
• 每个节点上会有多个 shard （分片）， P1 P2 是主分片 R1 R2 是副本分片
• 每个分片上对应着就是一个 Lucene Index（底层索引文件）
• Lucene Index 是一个统称。由多个 Segment （段文件，就是倒排索引）组成。每个段文件存储着就是 Doc 文档。

3.2 Lucene Index

lucene 中，单个倒排索引文件称为 segment。其中有一个文件，记录了所有 segments 的信息，称为 commit point：

• 文档 create 新写入时，会生成新的 segment。同样会记录到 commit point 里面
• 文档查询，会查询所有的 segments
• 当一个段存在文档被删除，会维护该信息在 .liv 文件里面

3.3 新文档写入流程

新文档创建或者更新时，进行如下流程：

更新不会修改原来的 segment，更新和创建操作都会生成新的一个 segment。数据哪里来呢？先会存在内存的 bugger 中，然后持久化到 segment 。

数据持久化步骤如下：write -> refresh -> flush -> merge

3.3.1 write 过程

一个新文档过来，会存储在 in-memory buffer 内存缓存区中，顺便会记录 Translog。

这时候数据还没到 segment ，是搜不到这个新文档的。数据只有被 refresh 后，才可以被搜索到。那么 讲下 refresh 过程

3.3.2 refresh 过程

refresh 默认 1 秒钟，执行一次上图流程。ES 是支持修改这个值的，通过 index.refresh_interval 设置 refresh （冲刷）间隔时间。refresh 流程大致如下：

• in-memory buffer 中的文档写入到新的 segment 中，但 segment 是存储在文件系统的缓存中。此时文档可以被搜索到
• 最后清空 in-memory buffer。注意: Translog 没有被清空，为了将 segment 数据写到磁盘

文档经过 refresh 后， segment 暂时写到文件系统缓存，这样避免了性能 IO 操作，又可以使文档搜索到。refresh 默认 1 秒执行一次，性能损耗太大。一般建议稍微延长这个 refresh 时间间隔，比如 5 s。因此，ES 其实就是准实时，达不到真正的实时。

3.3.3 flush 过程

上个过程中 segment 在文件系统缓存中，会有意外故障文档丢失。那么，为了保证文档不会丢失，需要将文档写入磁盘。那么文档从文件缓存写入磁盘的过程就是 flush。写入次怕后，清空 translog。

translog 作用很大：

• 保证文件缓存中的文档不丢失
• 系统重启时，从 translog 中恢复
• 新的 segment 收录到 commit point 中

具体可以看官方文档：https://www.elastic.co/guide/...

3.3.4 merge 过程

上面几个步骤，可见 segment 会越来越多，那么搜索会越来越慢？怎么处理呢？

通过 merge 过程解决：

• 就是各个小段文件，合并成一个大段文件。段合并过程
• 段合并结束，旧的小段文件会被删除
• .liv 文件维护的删除文档，会通过这个过程进行清除

四、小结

如这个图，ES 写入原理不难，记住关键点即可。

write -> refresh -> flush

• write：文档数据到内存缓存，并存到 translog
• refresh：内存缓存中的文档数据，到文件缓存中的 segment 。此时可以被搜到
• flush 是缓存中的 segment 文档数据写入到磁盘

写入的原理告诉我们，考虑的点很多：性能、数据不丢失等等

（完）

参考资料：

• 《深入理解 Elasticsearch》
• https://lucene.apache.org/cor...
• https://www.jianshu.com/p/e82...

原文链接：
sf:https://segmentfault.com/a/11...
csdn:https://bysocket.blog.csdn.ne...
...