分布式搜索引擎es 面试突击

es elastocsearch

倒排索引是在数据查询之前建立，在查询的时候可以直接通过关键词定位到文档内容。用空间换时间

分布式架构原理说一下？

es底层是基于lucene来的大概就是一个用于全文检索的jar包

用es来做分布式的搜索引擎可以承载一秒钟几千的搜索

es用来存储数据的基本单位是索引。

index:mysql里的一张表

type：一个index里可以有多个type，每个type的字段都是差不多的，但是有一些略微的差别

比如mysql中的表有些订单是实物订单，有些是游戏点卡。两种订单大部分字段一样，但是少部分字段可能有略微的差别。

mapping代表了对这个type表结构的定义，定义了这个type中每个字段名称，字段是什么类型，然后还有这个字段的各种配置

document：往index里的一个type里面写一条数据，叫做一条document，一条document代表了mysql中某个表的一行，每个document有多个field，每个field就代表了document中一个字段的值

架构：

每台机器中有一个es进程，每个es进程中有多个shard，每个shard都会在其他的某个机器上有一个副本一个索引的数据会被分布式存储在多个shard上面 primary为主版本，replica为副版本

如果说masterNode节点（代表一个机器）突然挂了，那么es会重新选举一个新的节点成为masterNode 原本需要的不是shard01跟shard02么此时新的masterNode里面是02跟03,02是replica Shard 此时会将它变成primary Shard

kafka是只能在lead里面读写而es是可以在primary里面写读写可以在replica里面读

当刚刚宕机了的节点恢复后，它里面的shard02会变成replica shard

写入与查询的工作原理？

客户端可以挑任意一个进程去写，进去以后如果是找到了replica节点，那么replica会把数据路由到primary中，写进primary，然后primary会将数据同步到replica中

写进shard怎么写的？

在写进shard之后会写进内存buffer中，同时会写进tanslog日志中，每隔一段时间会把buffer中的数据刷进磁盘，refresh操作->刷到segmentFile中，segmentfile 中就存储最近1秒内buffer中写入的数据刷到segmentfile之前会先进os cache操作系统级别的一个内存缓存中为什么说es是准实时的，因为是每隔1秒refresh一次，写入的数据1秒后才能被看到

这样一直重复，新的数据不断进入buffer和translog中，不断将buffer数据写入一个又一个新的segment file中去，每次refresh完buffer清空，tanslog保留，随着过程推进，translog会变得越来越大，当translog达到一定长度的时候，就会触发conmit操作

commit操作：1写comimit point 2 OS cache数据fsync强刷到磁盘上去 3.清空translog日志文件

一般不叫commit 一般叫flash操作

translog主要是用来做数据的恢复内存如果宕机那么就可以根据translog来做一个恢复

1.他是准实时的，数据写入一秒后可以搜索到，2可能会丢失数据的，你的数据有5秒的时间停留在buffer、translog、segment file os cache中

此时如果宕机可能会导致五秒的数据丢失

如果你希望一定不丢数据的话，可以设置参数，每次写入一条数据，都是直接写入buffer，同时写入磁盘中的translog

删除数据：有个.del的文件如果某条数据被删除了，.del文件中会标记这条数据。然后你就不会搜索到这条数据了

merge操作：三个segment合并成一个segment，如果原来的segment中某条数据被标志成.del 那么在合并后它就没了被物理删除了

读数据过程：不断轮询每次随机找一个shard去读，

在几十亿数量级场景下如何优化查询性能？

仅仅只是写入es中要用来检索的少数几个字段就可以了， fileSystemcache里面的内存要大一点

你最好写入es的数据小于等于 fileSystem cache 最好让查询大量的命中filesystemcache