elasticsearch的数据组织

转载声明:

原版作者： 听雨危楼
原版出处：https://www.cnblogs.com/Neeo/articles/10571307.html

一、前言

我们从之前的一堆铺垫中，也对elasticsearch有了基本了解。
为了理解elasticsearch是如何组织数据的，我们可以从以下两个方面来观察：

• 逻辑设计，我们可以把elasticsearch与关系型数据做个客观对比
  
  elasticsearch（集群）中可以包含多个索引（数据库），每个索引中可以包含多个类型（表），每个类型下又包含多个文档（行），每个文档中又包含多个字段（列）。
  物理设计，在elasticsearch后台是如何处理这些数据的呢？elasticsearch将每个索引划分为多个分片，每份分片又可以在集群中的不同服务器间迁移。
  注意：当然，这里需要补充的是，从elasticsearch的第一个版本开始，每个文档都存储在一个索引中，并分配多个映射类型，映射类型用于表示被索引的文档或者实体的类型，但这也带来了一些问题(问题参考)，导致后来在elasticsearch6.0.0版本中一个文档只能包含一个映射类型，而在7.0.0中，映射类型则将被弃用，到了8.0.0中则将完全被删除。

我们先从逻辑设计开始，即从程序视角开始。

二、逻辑设计：文档、类型、索引

一个索引类型中，包含多个文档，比如说文档1，文档2。
当我们索引一篇文档时，可以通过这样的顺序找到它：索引▷类型▷文档ID，通过这个组合我们就能索引到某个具体的文档。
注意：ID不必是整数，实际上它是个字符串。

1、文档

之前说elasticsearch是面向文档的，那么就意味着索引和搜索数据的最小单位是文档，elasticsearch中，文档有几个重要属性：

• 自我包含，一篇文档同时包含字段和对应的值，也就是同时包含key:value
• 可以是层次型的，一个文档中包含自文档，复杂的逻辑实体就是这么来的
• 灵活的结构，文档不依赖预先定义的模式，我们知道关系型数据库中，要提前定义字段才能使用，在elasticsearch中，对于字段是非常灵活的，有时候，我们可以忽略该字段，或者动态的添加一个新的字段。
• 文档是无模式的，也就是说，字段对应值的类型可以是不限类型的。

尽管我们可以随意的新增或者忽略某个字段，但是，每个字段的类型非常重要，比如一个年龄字段类型，可以是字符串也可以是整型。因为elasticsearch会保存字段和类型之间的映射及其他的设置。这种映射具体到每个映射的每种类型（因此带来的问题），这也是为什么在elasticsearch中，类型有时候也称为映射类型。

2、类型

类型是文档的逻辑容器，就像关系型数据库一样，表格是行的容器。
类型中对于字段的定义称为映射，比如name映射为字符串类型。
我们说文档是无模式的，它们不需要拥有映射中所定义的所有字段，比如新增一个字段，那么elasticsearch是怎么做的呢？elasticsearch会自动的将新字段加入映射，但是这个字段的不确定它是什么类型，elasticsearch就开始猜，如果这个值是18，那么elasticsearch会认为它是整型。
但是elasticsearch也可能猜不对，所以最安全的方式就是提前定义好所需要的映射，这点跟关系型数据库殊途同归了，先定义好字段，然后再使用，别整什么幺蛾子。后面在讨论更多关于映射的东西。

3、索引（名词）

索引是映射类型的容器，elasticsearch中的索引是一个非常大的文档集合。索引存储了映射类型的字段和其他设置。然后它们被存储到了各个分片上了。
我们来研究下分片是如何工作的。

物理设计：节点和分片
一个集群包含至少一个节点，而一个节点就是一个elasticsearch进程。节点内可以有多个索引。
默认的，如果你创建一个索引，那么这个索引将会有5个分片（primary shard，又称主分片）构成，而每个分片又有一个副本（replica shard，又称复制分片），这样，就有了10个分片。

那么这个索引是如何存储在集群中的呢？

上图是一个有3个节点的集群，可以看到主分片和对应的复制分片都不会在同一个节点内，这样有利于某个节点挂掉了，数据也不至于丢失。
实际上，一个分片是一个Lucene索引，一个包含倒排索引的文件目录，倒排索引的结构使得elasticsearch在不扫描全部文档的情况下，就能告诉你哪些文档包含特定的关键字。
不过，等等，倒排索引是什么鬼？

倒排索引

elasticsearch使用的是一种称为倒排索引的结构，采用Lucene倒排索作为底层。这种结构适用于快速的全文搜索，一个索引由文档中所有不重复的列表构成，对于每一个词，都有一个包含它的文档列表。
倒排列表（Posting List）记录了词条对应的文档集合，由倒排索引项（Posting）组成。
倒排索引项主要包含如下信息：

• 文档id，用于获取原始信息。
• 词条频率（TF，Term Frequency），记录该词条在文档中出现的次数，用于后续相关性算分。
• 位置（Position），记录词条在文档中的分词位置（多个），用于做短语搜索（Phrase Query）。
• 偏移（Offset），记录词条在文档的开始和结束位置，用于做高亮显示。

以搜索引擎为例：

上述文档的倒排索引列表是这样的：

关于文档1，DocID是1无需多说，TF是1表示搜索引擎在文档内容中出现一次，Position指的是分词后的位置，首先要说文档内容会被分为elasticsearch、最流行、搜索引擎3部分，从0开始计算，搜索引擎的Position是2；Offset是搜索引擎这个字符在文档中的位置。
文档3中搜索引擎在文档中出现一次（TF:1），并且出现在文档的开始位置（Position：0），那么Offset的位置就是<0,4>无疑了。

再比如说，现在有两个文档， 每个文档包含如下内容：

Study every day, good good up to forever		# 文档1包含的内容
To forever, study every day, good good up	# 文档2包含的内容

为了创建倒排索引，我们首先要将每个文档拆分成独立的词（或称为词条或者tokens），然后创建一个包含所有不重复的词条的排序列表，然后列出每个词条出现在哪个文档：

现在，我们试图搜索to forever，只需要查看包含每个词条的文档：

两个文档都匹配，但是第一个文档比第二个匹配程度更高。如果没有别的条件，现在，这两个包含关键字的文档都将返回。

再来看一个示例，比如我们通过博客标签来搜索博客文章。那么倒排索引列表就是这样的一个结构：

如果要搜索含有python标签的文章，那相对于查找所有原始数据而言，查找倒排索引后的数据将会快的多。只需要查看标签这一栏，然后获取相关的文章ID即可
elasticsearch的索引和Lucene的索引对比
在elasticsearch中，索引这个词被频繁使用，这就是术语的使用。
并且elasticsearch将索引被分为多个分片，每份分片是一个Lucene的索引。所以一个elasticsearch索引是由多个Lucene索引组成的。别问为什么，谁让elasticsearch使用Lucene作为底层呢！
如无特指，说起索引都是指elasticsearch的索引。

see also： 倒排索引 | 倒排索引原理和实现