上周,在某多多搬砖的一位朋友在微信上找我咨询,说他们公司一个ES集群从2.4升级到5.5以后,一个很简单的Query查询耗时突然从几十毫秒,变成800-1000毫秒,几十倍的性能下降!原始问题链接:# Why my search slow?

这个查询非常简单,就是3个过滤条件求交集而已:

{"from": 0,"size": 10,"query": {"bool": {"filter": [{"terms": {"goods_id": ["262628158"],"boost": 1.0}},{"terms": {"status": ["2","4"],"boost": 1.0}},{"range": {"create_time": {"from": "1514027649","to": "1514632449","include_lower": true,"include_upper": true,"boost": 1.0}}}],"disable_coord": false,"adjust_pure_negative": true,"boost": 1.0}},"sort": [{"create_time": {"order": "desc"}}]
}

通过profile查看,发现耗时主要在status字段过滤是build_scorer这个阶段。

对方同时提到,只要去掉"status":["2", "4"]这个查询条件,速度就会恢复正常。进一步询问后得知,查询的索引文档总量相当巨大,达到16亿条,而status字段只有几个不同的数字,在mapping里被定义为数值型short

我的第一反应,status只有几个值,意味着该字段的filter得到的结果集是海量的。可能是处理这个大结果集的代价很高造成的缓慢,但是具体什么原因我一时也说不上来。

脑子里开始翻查ES 2.x -> 5.x升级对于数值类型和Term Query有何重大变化?想起来两点:

  1. Lucene6.0引入了重新设计的数值类型的索引结构,不再采用倒排索,而是使用了更适合范围查找的Block K-d Tree。 ES从5.0开始引入这种新结构。(参考: searching-numb3rs-in-5.0)
  2. Term Query由于通常非常快,从5.1.1开始不再被缓存到Query Cache

显然这个status这个字段不用于范围查找,字段类型设置上keyword比number更合理。 但我也没想明白为何number在这场景下查询会慢这么多,所以我也稍稍有些怀疑2.x缓存了Term Query是造成性能差异的原因。 当时让朋友做了个测试,将TermQuery换成RangeQuery,被告知速度飞快,只要几十个毫秒,并且多执行几次后更是快到只有几个毫秒了。(因为RangeQuery反复执行会被Cache起来)。

隔天,朋友根据建议将status先改为keyword,重新索引数据后,查询性能奇迹般的恢复到正常,所以基本可以确定和缓存无关了。

恰巧社区也有人在经历同样的问题: Elastic对类似枚举数据的搜索性能优化 ,看起来是个普遍现象,值得研究找出问题根源。

花了几天的时间参阅技术文档,也粗略读了一下ES/Lucene相关代码后,总算搞清楚了问题的来龙去脉。 本文将对相关技术细节做分析,然后回答下面3个问题:

  1. 为什么ES5.x里对数值型字段做TermQuery可能会很慢?
  2. 为何Profile里显示的耗时几乎全部在build_scorer?
  3. 为什么对同样的数值型字段做RangeQuery却又很快了?

为更好的理解这个问题,先谈一下几点预备知识:

  • ES2.x和5.x的数值类型分别是如何索引的
  • Block k-d tree的基本概念和Lucene实现
  • Queries/filters执行的先后顺序及结果合并是怎样做的

ES2.x和5.x的数值类型分别是如何索引的

ES5.x之前用到的Lucene版本,实际上只能够索引文本类型的数据,表面上被定义为数值类型的字段,在暗地里都被转换成了字符串,编排成了倒排索引。例如:

Term Postings List
2 [doc3, doc5, doc10 ...]
5 [doc1, doc3, doc9 ... ]
... ...
90 [doc2, doc3, doc8 ...]
99 [doc3, doc5, doc20 ...]
... ...

这种结构对于精确的数值查询速度还是比较快的,直接从倒排索引根据查找的term拿到postings list就好了。 但类似range: [50, 100]这样的范围查找就比较麻烦了,Lucene在找到对应的term后,只能将其转换成50 OR 51 OR 52 ... OR 100这样Bool查询。可想而知,这个多条件OR查询开销很高,执行很慢。所以Lucene在创建索引的时候,会自动产生一些类似50x75 这样的特殊Term,指向包含在该范围的文档列表,从而可以将查询优化成类似50x75 OR 76x99 OR 100 这种形式。但是这种优化在字段的不同值很多,查询范围很大的时候,依然很无力。 因此早期版本的Lucene和ES的范围查询性能一只被诟病。

Lucene从6.0开始引入了Block k-d tree来重新设计数值类型的索引结构,其目标是让数值型数据索引的结构更紧凑,搜索速度更快。这种数据结构是为多维数值字段设计的,可以高效的用于诸如地理位置这类数据的快速过滤,但同样适用于单维度的数值型。


Block k-d tree的基本概念和Lucene实现

基本思想就是将一个N维的空间,不断选定包含值最多的维度做2分切割,反复迭代,直到切分出来的空间单元(cell)包含的值数量小于某个数值。 对于单维度的数据,实际上就是简单的对所有值做一个排序,然后反复从中间做切分,生成一个类似于B-tree这样的结构。和传统的B-tree不同的是,他的叶子结点存储的不是单值,而是一组值的集合,也就是是所谓的一个Block。每个Block内部包含的值数量控制在512- 1024个,保证值在block之间尽量均匀分布。 其数据结构大致看起来是这样的:

block b-tree.jpg

Lucene将这颗B-tree的非叶子结点部分放在内存里,而叶子结点紧紧相邻存放在磁盘上。当作range查询的时候,内存里的B-tree可以帮助快速定位到满足查询条件的叶子结点块在磁盘上的位置,之后对叶子结点块的读取几乎都是顺序的。

要注意一点,不是简单的将拿到的所有块合并就可以得到想要的docID结果集,因为查询的上下边界不一定刚好落在两端block的上下边界上。 所以如果需要拿到range filter的结果集,就要对于两端的block内的docid做扫描,将他们的值和range的上下边界做比较,挑选出match的docid集合。


Queries/filters执行的先后顺序及结果合并是怎样做的

ES的Queries/filters执行顺序比较复杂,并非按照Query里条件的排列顺序来挨个执行;也不是某些人想象的那样,每个filter/Query都独立执行,拿到各自的结果集以后,再做结果集的合并。 在elasticsearch-query-execution-order 这篇博客里对这个主题做了比较详细的介绍。

简单来说,ES会先通过调用每个查询的cost()函数估算一下该查询的代价,然后选择代价最小的查询作为起点,在其圈定的docid集合上生成一个迭代器。然后反复迭代,根据和其他条件之间是AND还是OR的关系,再去决定结果集合并的方式。

这个结果集的迭代,以及合并,就是上面链接里提到的nextdoc()advance()等操作。 比较复杂的地方是这些操作根据数据类型的不同和查询类型的不同,ES都有针对性的进行操作优化,同样的操作有些可能是在内存中进行,有些则可能直接在磁盘上操作。

以最常见的keyword字段做TermQuery为例,其cost就是Term Frequency,这个值可以直接从倒排索引读取。 Frequency越高的Term,其postings list就越长,迭代起来的代价就越高。 所以如果对多个TermQuery做AND合并,就会选择Frequency最低的Term,以其postings list为起点做迭代(nextdoc)。 Postings list是按照docid顺序存放的,并且在数据结构上还增加了跳表来加快advance()操作。因此多个postings list的合并可以直接操作磁盘上的数据而不会引起过多的随机IO,加上ES5.0以后对于索引数据采取了mmap file的方式访问,热数据读取引发的磁盘IO愈发的少。 这也是为什么5.1.1之后取消了TermQuery的cache,因为在跳表和OS page cache的加持下,直接合并磁盘上的postings list已经非常快了。 取消对其cache后,可以减少构造cache的开销,并且将宝贵的cache空间留给代价更高的filter,一定程度上可以提升ES整体性能。


有了这些预备知识,再来解答文首抛出的3个问题。

1. 为什么ES5.x里对数值型字段做TermQuery可能会很慢?

首先,用户范例查询里还有其他更加selective的TermQuery,cost更低,因此迭代器从选择从这个低代价的Query作为起点开始执行; 其次,因为数值型字段在5.x里没有采用倒排表索引, 而是以value为序,将docid切分到不同的block里面。对应的,数值型字段的TermQuery被转换为了PointRangeQuery。这个Query利用Block k-d tree进行范围查找速度非常快,但是满足查询条件的docid集合在磁盘上并非向Postlings list那样按照docid顺序存放,也就无法实现postings list上借助跳表做蛙跳的操作。 要实现对docid集合的快速advance操作,只能将docid集合拿出来,做一些再处理。 这个处理过程在org.apache.lucene.search.PointRangeQuery#createWeight这个方法里可以读取到。 这里就不贴冗长的代码了,主要逻辑就是在创建scorer对象的时候,顺带先将满足查询条件的docid都选出来,然后构造成一个代表docid集合的bitset,这个过程和构造Query cache的过程非常类似。 之后advance操作,就是在这个bitset上完成的。

2. 为何Profile里显示的耗时几乎全部在build_scorer?

回答第一个问题的时候提到了,如果查看PointRangeQuery的源码,构造scorer对象的构造过程包含了bitset的生成过程,所以耗时的实际上是构造一个巨大的bitset并在上面生成一个迭代器。

3. 为什么对同样的数值型字段做RangeQuery却又很快了?

从上面数值型字段的Block k-d tree的特性可以看出,rangeQuery的结果集比较小的时候,其构造bitset的代价很低,不管是从他开始迭代做nextdoc(),或者从其他结果集开始迭代,对其做advance,都会比较快。 但是如果rangeQuery的结果集非常巨大,则构造bitset的过程会大大延缓scorer对象的构造过程,造成结果合并过程缓慢。
这个问题官方其实早已经意识到了,所以从ES5.4开始,引入了indexOrDocValuesQuery作为对RangeQuery的优化。(参考: better-query-planning-for-range-queries-in-elasticsearch)。 这个Query包装了上面的PointRangeQuerySortedSetDocValuesRangeQuery,并且会根据Rang查询的数据集大小,以及要做的合并操作类型,决定用哪种Query。 如果Range的代价小,可以用来引领合并过程,就走PointRangeQuery,直接构造bitset来进行迭代。 而如果range的代价高,构造bitset太慢,就使用SortedSetDocValuesRangeQuery。 这个Query利用了DocValues这种全局docID序,并包含每个docid对应value的数据结构来做文档的匹配。 当给定一个docid的时候,一次随机磁盘访问就可以定位到该id对应的value,从而可以判断该doc是否match。 因此它非常适合从其他查询条件得到的一个小结果集作为迭代起点,对于每个docid一次调用其内部的matches()函数判断匹配与否。也就是说, 5.4新增的indexOrDocValuesQuery将Range查询过程中的顺序访问任务扔给Block k-d Tree索引,将随机访任务交给doc values。
值得注意的是目前这个优化只针对RangeQuery!对于TermQuery,因为实际的复杂性,还未做类似的优化,也就导致同样的字段,Term和Range Query的性能差异极大。


小结:

  1. 在ES5.x里,一定要注意数值类型是否需要做范围查询,看似数值,但其实都是做Term或者Terms匹配的,应该定义为keyword字段。典型的例子就是索引web日志时常见的HTTP Status code。
  2. 如果RangeQuery的结果集很大,并且还需要和其他更加selective的查询条件做AND的,应该升级到ES5.4+,该版本在底层引入的indexOrDocValuesQuery,可以极大提升该场景下RangeQuery的查询速度。

作者:莱克蒙
链接:https://www.jianshu.com/p/e9be6740b724
来源:简书
简书著作权归作者所有,任何形式的转载都请联系作者获得授权并注明出处。

es 中number和keyword的选型问题傻傻分不清楚相关推荐

  1. es中text和keyword的区别

    text 会分词,然后索引 支持模糊,精确搜索 不支持聚合 keyword 直接索引 支持模糊,精确搜索 支持聚合

  2. es中修改某个字段值_搜索引擎之laravel中使用elasticsearch(一)

    一.概述 Elasticsearch官方提供了Composer包可直接引用就好,不过要注意:如果你使用的elastcsearch不是最新的那么我建议你指定合适的版本下载,而不要采用最新的,因为不同版本 ...

  3. es html标签,ES 6 Number

    ES 6 Number Number对象表示数字日期,可以是整数或浮点数.通常,您不需要担心Number对象,因为浏览器会自动将数字文字转换为数字类的实例. 以下是创建Number对象的语法.var  ...

  4. ES中如何实现随机抽样查询

    一.场景说明 索引中有几千万的数据,现在需要每次查询随机抽样返回10条数据,怎么实现? 二.实现方式 DSL语句执行如下: GET myIndex/_search {"from": ...

  5. ES 中时间日期类型 “yyyy-MM-dd HHmmss” 的完全避坑指南

    文章目录 1.ES中的日期类型有何不同 2.案例 2.1 案例介绍 2.2 原理揭秘 3.路为何这么不平 4.又一个坑 5.总结 6.ES 的时间类型为什么这么难用,有没有什么办法可以解决? 7.更优 ...

  6. ES 中时间日期类型 “yyyy-MM-dd HH:mm:ss” 的完全避坑指南

    文章目录 1.ES中的日期类型有何不同 2.案例 2.1 案例介绍 2.2 原理揭秘 3.路为何这么不平 4.又一个坑 5.总结 6.ES 的时间类型为什么这么难用,有没有什么办法可以解决? 7.更优 ...

  7. ES中如何实现in和not in查询

    问题描述: 在ES中如何实现in和not in查询? 实现方案: ES中可以通过terms进行多值匹配查询,实现in和not in查询逻辑. 比如: "query": {" ...

  8. ES中 同时使用should和must 导致只有must生效 解决方案

    使用ES查询语句的时候 会遇到嵌套多条件查询情况 title或者content包含xx(should) type必须是1(must) enabled必须是1(must_not) 只使用should查询 ...

  9. es中的dsl练习题-----简单的dsl语句

    slirp4netns >= 0.4 fuse-overlayfs >= 0.7 这是在本地安装elasticsearch数据然后通过kibana来操作数据的dsl来实现的 其中的查询ap ...

  10. ES中SQL查询详解

    一.Elasticsearch SQL简介 Elasticsearch SQL 是一个 X-Pack 组件,它允许对 Elasticsearch 实时执行类似 SQL 的查询.无论是使用 REST 接 ...

最新文章

  1. 数据结构与算法:选择排序
  2. 【深度解析】FPGA四大设计要点
  3. matlab与音频处理
  4. 浅谈Android软件安全自动化审计
  5. chime-4 lstm_CHIME-6挑战赛回顾
  6. java obervable_RxJava中Observable,Completable和Single之间有什么区别
  7. windows 弹shell_Windows系统常用免费软件“红黑榜”
  8. cf914F. Substrings in a String(bitset 字符串匹配)
  9. 论文笔记_S2D.70_2021_IEEE-RAL_CodeMapping:使用紧凑场景表示的稀疏SLAM的实时稠密建图
  10. python运算符手写笔记_Python基础学习笔记之运算符
  11. 创维广电服务器无线,创维电视与电脑无线投屏条件
  12. Head First 系列书籍分享,Head First Python (中文版·第2版),Head First Java(中文版):第二版——涵盖Java 5.0...
  13. 【Python精彩案例】生成动态二维码
  14. [Power--IC]电源管理IC-STNS01
  15. 大学生充实自己生活的方法
  16. nmcli命令详解>>>创建热点,连接wifi,管理连接等
  17. Python学习资料全面总结,真的对零基础很有用
  18. Matlab 基础04 - 冒号Colon operator “:”的使用和复杂应用详析
  19. 金蝶K3 CLOUD数据库优化
  20. 【飞行器】基于matlab四旋翼飞行器PID控制仿真【含Matlab源码 1277期】

热门文章

  1. 如何使用 Git 操控Gitee远程库?如何进行 团队内协作 与 跨团队协作 ?这一篇就够了~
  2. Apache Druid 数据摄取---本地数据和kafka流式数据
  3. Java—解读Java中的String类
  4. linux操作系统的训练目的,Linux操作系统期末练习题lym
  5. 我在工作中是如何使用 git 的
  6. 我的第一次项目管理经历--一次惨痛的教训
  7. 概率+思路--luoguU50923 听我说,海蜗牛
  8. Java mail发送相关问题
  9. Quartus II13.1 cyclone v器件库下载(免费)
  10. Hadoop基本介绍