GraphQL 与 Elasticsearch 相遇：使用 Hasura DDN 构建可扩展、支持 AI 的应用程序

作者：来自 Elastic Praveen Durairaju

GraphQL 提供了一种高效且灵活的数据查询方式。本博客将解释 Hasura DDN 如何与 Elasticsearch 配合使用，以实现高性能和元数据驱动的数据访问。

此示例的代码和设置可在此 GitHub 存储库 - elasticsearch-subgraph-example 中找到。

Hasura DDN 是一个为云构建的元数据驱动的数据访问层。它会自动生成支持事务和分析工作负载的 API。通过利用元数据（例如模型、关系、权限和安全规则），Hasura 创建了针对性能进行了优化的 API，提供低延迟响应并轻松处理高并发需求。

元数据驱动（Metadata-driven） API 在搜索 AI 世界中的作用

元数据驱动 API 使用声明式方法，而不是手动编码每个端点及其相关逻辑。数据源（如 Elasticsearch 索引）的结构以标准化格式描述。定义不同实体之间的关系。权限和安全规则以细粒度级别指定，全部使用配置。

基于此元数据，API 层会自动配置并与数据源保持同步。

对于 Elasticsearch，使用 Hasura DDN 的元数据驱动 API 可提供统一且一致的数据访问。数据的变化会立即反映在 API 中，这对于实时搜索和 AI 应用程序至关重要。

架构

在上面的架构中，Hasura 是连接多个子图的超级图，Elasticsearch 是子图中的数据源之一。

为 Elasticsearch 设置 GraphQL API

此设置将引导你使用 Docker 将 Hasura DDN 连接到本地运行的 Elasticsearch 实例。但是，你可以通过使用正确的凭证更新环境变量轻松切换到 Elastic Cloud。使用 Elastic Cloud 是在生产环境中体验 Elasticsearch 的推荐方式，它提供可管理、可扩展且安全的部署。

设置：加载示例数据集

git clone https://github.com/hasura/elasticsearch-subgraph-example

将 .env.example 复制到 .env 并设置 ELASTICSEARCH_PASSWORD 的值。

使用示例索引在本地启动 elasticsearch：

docker compose up -d

访问 http://localhost:9200 以验证 Elasticsearch 是否正在使用示例数据运行。

Elasticsearch 的 GraphQL 子图

在本节中，我们将设置一个 GraphQL 子图（subgraph），将 Hasura DDN 连接到你的 Elasticsearch 实例。子图允许你将 Elasticsearch 公开为可查询的 API，从而提供一种灵活而高效的方式通过 GraphQL 执行复杂的搜索、聚合和过滤。

先决条件：

Hasura CLI [从此处安装]
使用 ddn auth login 登录并进行身份验证

初始化超级图：

ddn supergraph init .

初始化 Elasticsearch 连接器：

ddn connector init -i

在快速启动向导中，输入以下环境变量值：

ELASTICSEARCH_URL=http://local.hasura.dev:9200
ELASTICSEARCH_USERNAME=elastic
ELASTICSEARCH_PASSWORD=elasticpwd

要使用 Elastic Cloud 而不是本地实例，只需修改 .env 文件中的环境变量。将 ELASTICSEARCH_URL、ELASTICSEARCH_USERNAME 和 ELASTICSEARCH_PASSWORD 值替换为 Elastic Cloud 部署中的相应凭据。

Hasura DDN 连接到 Elasticsearch 以进行自检和生成 GraphQL API。

自检 Elasticsearch 实例并跟踪所有索引和集合：

ddn connector introspect elasticsearch --add-all-resources

本地启动 Supergraph：

ddn run docker-start

在本地构建 Supergraph：

ddn supergraph build local

访问 https://console.hasura.io/local/graphql?url=http://localhost:3000 开始探索本地 supergraph。

用于搜索的 GraphQL 查询

现在我们已经设置了 Hasura DDN 并将元数据驱动的 API 应用于 Elasticsearch，让我们来编写 GraphQL 查询来执行搜索操作。

以下查询重点介绍了 Hasura 如何将复杂的搜索和聚合要求转化为简单的声明式 GraphQL 操作。这些示例不仅展示了 GraphQL 的灵活性，还展示了 Hasura 带来的标准化，从而实现了跨不同数据源的一致 API 访问。

获取 5 个产品（简单查询）

query searchProducts {
  products(limit: 5) {
    id
    price
    name
    productId
  }
}

获取 5 个产品名称与术语 “shoes”匹配的产品（使用词组匹配的搜索查询）

query searchProducts {
  products(limit: 5, where: {name: {match_phrase: "shoes"}}) {
    id
    price
    name
    productId
  }
}

获取符合过滤条件的产品集合（聚合查询）

query aggregateOfProducts {
  productsAggregate(filter_input: {where: {name: {match_phrase: "shoes"}}}) {
    name {
      _count
    }
  }
}

注意：此集成不仅限于搜索 API，还可以扩展到 Elasticsearch 中的日志记录和可观察性数据用例。

Hasura 对可组合性和标准 API 的支持使得将多个数据源（Postgres、MongoDB、REST 等）与 Elasticsearch 连接起来成为可能，从而构建一个更大的 Supergraph 来满足跨团队的需求。这种可组合性允许不同的团队以一致、标准化的方式访问相同的 API 端点和数据源，从而减少技术债务。

无论你是构建搜索体验还是高级分析仪表板，Hasura 都能让你的团队专注于应用程序逻辑而不是 API 管理，从而提高上市速度并降低运营复杂性。

大规模性能考虑

将 Hasura 和 Elasticsearch 结合使用的主要优势之一是通过谓词下推（predicate pushdown）来优化性能。Hasura DDN 能智能地编译并将过滤、限制和排序操作直接推送到 Elasticsearch，减少 N+1 查询的开销，避免数据过度抓取。

例如，以下 GraphQL 查询：

query searchProducts {
  products(limit: 5, where: { name: { match_phrase: "shoes" } }) {
    id
    price
    name
    productId
  }
}

生成类似于以下内容的 Elasticsearch 查询：

{
  "_source": [
    "_id",
    "price",
    "name",
    "product_id"
  ],
  "query": {
    "match_phrase": {
      "name": "shoes"
    }
  },
  "size": 5
}

通过仅请求必要的字段 (_source) 并限制获取的文档数量 (size)，Hasura 可确保 Elasticsearch 达到最佳性能。与传统的手动编码 API 相比，这是一个显著的改进，因为在传统的 API 中，每个新需求都需要额外的手写查询。