|
|
51CTO旗下网站
|
|
移动端

面试陷阱:数十亿级别数据下,如何提高ES查询效率?

如果面试的时候碰到这样一个面试题:ES在数据量很大的情况下(数十亿级别)如何提高查询效率?这个问题是肯定要问的,说白了,就是看你有没有实际干过ES,因为啥?

作者:节操泛滥的程序员来源:知乎专栏|2019-05-22 15:57

如果面试的时候碰到这样一个面试题:ES在数据量很大的情况下(数十亿级别)如何提高查询效率?

面试官心理分析

这个问题是肯定要问的,说白了,就是看你有没有实际干过ES,因为啥?

其实ES性能并没有你想象中那么好的。很多时候数据量大了,特别是有几亿条数据的时候,可能你会懵逼的发现,跑个搜索怎么一下 5~10s,坑爹了。

第一次搜索的时候,是5~10s,后面反而就快了,可能就几百毫秒。

你就很懵,每个用户第一次访问都会比较慢,比较卡么?所以你要是没玩儿过ES,或者就是自己玩玩儿demo,被问到这个问题容易懵逼,显示出你对ES确实玩儿的不怎么样?

面试题剖析

说实话,ES性能优化是没有什么银弹的。

啥意思呢?

就是不要期待着随手调一个参数,就可以万能的应对所有的性能慢的场景。也许有的场景是你换个参数,或者调整一下语法,就可以搞定,但是绝对不是所有场景都可以这样。

一、性能优化的杀手锏:filesystem cache

你往ES里写的数据,实际上都写到磁盘文件里去了,查询的时候,操作系统会将磁盘文件里的数据自动缓存到filesystem cache里面去。

面试陷阱:数十亿级别数据下,如何提高ES查询效率?

ES的搜索引擎严重依赖于底层的filesystem cache,你如果给filesystem cache更多的内存,尽量让内存可以容纳所有的idx segment file索引数据文件,那么你搜索的时候就基本都是走内存的,性能会非常高。

性能差距究竟可以有多大?

我们之前很多的测试和压测,如果走磁盘一般肯定上秒,搜索性能绝对是秒级别的,1秒、5秒、10秒。但如果是走filesystem cache,是走纯内存的,那么一般来说性能比走磁盘要高一个数量级,基本上就是毫秒级的,从几毫秒到几百毫秒不等。

这里有个真实的案例:

某个公司ES节点有3台机器,每台机器看起来内存很多64G,总内存就是64 * 3 = 192G。

每台机器给es jvm heap是32G,那么剩下来留给filesystem cache的就是每台机器才32G,总共集群里给filesystem cache的就是32 * 3 = 96G内存。

而此时,整个磁盘上索引数据文件,在3台机器上一共占用了1T的磁盘容量,ES数据量是1T,那么每台机器的数据量是300G。这样性能好吗?

filesystem cache的内存才100G,十分之一的数据可以放内存,其他的都在磁盘,然后你执行搜索操作,大部分操作都是走磁盘,性能肯定差。

归根结底,你要让ES性能要好,最佳的情况下,就是你的机器的内存,至少可以容纳你的总数据量的一半。

根据我们自己的生产环境实践经验,最佳的情况下,是仅仅在ES中就存少量的数据,就是你要用来搜索的那些索引,如果内存留给filesystem cache的是100G,那么你就将索引数据控制在100G以内,这样的话,你的数据几乎全部走内存来搜索,性能非常之高,一般可以在1秒以内。

比如说你现在有一行数据:id,name,age .... 30个字段。但是你现在搜索,只需要根据id,name,age三个字段来搜索。如果你傻乎乎往ES里写入一行数据所有的字段,就会导致说 90% 的数据是不用来搜索的,结果硬是占据了ES机器上的filesystem cache的空间,单条数据的数据量越大,就会导致filesystem cahce能缓存的数据就越少。

其实,仅仅写入ES中要用来检索的少数几个字段就可以了,比如说就写入es id,name,age三个字段,然后你可以把其他的字段数据存在MySQL/HBase里,我们一般是建议用ES + HBase这么一个架构。

HBase的特点是适用于海量数据的在线存储,就是对HBase可以写入海量数据,但是不要做复杂的搜索,做很简单的一些根据 id 或者范围进行查询的这么一个操作就可以了。

从ES中根据name和age去搜索,拿到的结果可能就20个doc id,然后根据doc id到HBase里去查询每个doc id对应的完整的数据,给查出来,再返回给前端。

写入ES的数据最好小于等于,或者是略微大于ES的filesystem cache的内存容量。然后你从ES检索可能就花费 20ms,然后再根据ES返回的id去HBase里查询,查20条数据,可能也就耗费个30ms,可能你原来那么玩儿,1T数据都放ES,会每次查询都是5~10s,现在可能性能就会很高,每次查询就是50ms。

二、数据预热

假如说,哪怕是你就按照上述的方案去做了,ES集群中每个机器写入的数据量还是超过了 filesystem cache 一倍,比如说你写入一台机器60G数据,结果filesystem cache就30G,还是有30G数据留在了磁盘上。

其实可以做数据预热。

举个例子,拿微博来说,你可以把一些大V,平时看的人很多的数据,你自己提前后台搞个系统,每隔一会儿,自己的后台系统去搜索一下热数据,刷到filesystem cache里去,后面用户实际上来看这个热数据的时候,他们就是直接从内存里搜索了,很快。

或者是电商,你可以将平时查看最多的一些商品,比如说iphone 8,热数据提前后台搞个程序,每隔1分钟自己主动访问一次,刷到filesystem cache里去。

对于那些你觉得比较热的、经常会有人访问的数据,最好做一个专门的缓存预热子系统,就是对热数据每隔一段时间,就提前访问一下,让数据进入filesystem cache里面去。这样下次别人访问的时候,性能一定会好很多。

三、冷热分离

ES可以做类似于MySQL的水平拆分,就是说将大量的访问很少、频率很低的数据,单独写一个索引,然后将访问很频繁的热数据单独写一个索引。最好是将冷数据写入一个索引中,然后热数据写入另外一个索引中,这样可以确保热数据在被预热之后,尽量都让他们留在filesystem os cache 里,别让冷数据给冲刷掉。

你看,假设你有6台机器,2个索引,一个放冷数据,一个放热数据,每个索引3个shard。3台机器放热数据index,另外3台机器放冷数据index。

这样的话,你大量的时间是在访问热数据index,热数据可能就占总数据量的10%,此时数据量很少,几乎全都保留在filesystem cache里面了,就可以确保热数据的访问性能是很高的。

但是对于冷数据而言,是在别的index里的,跟热数据index不在相同的机器上,大家互相之间都没什么联系了。

如果有人访问冷数据,可能大量数据是在磁盘上的,此时性能差点,就10%的人去访问冷数据,90%的人在访问热数据,也无所谓了。

四、document 模型设计

对于MySQL,我们经常有一些复杂的关联查询。在ES里该怎么玩儿,ES里面的复杂的关联查询尽量别用,一旦用了性能一般都不太好。

最好是先在Java系统里就完成关联,将关联好的数据直接写入ES中。搜索的时候,就不需要利用ES的搜索语法来完成join之类的关联搜索了。

document模型设计是非常重要的,很多操作,不要在搜索的时候才想去执行各种复杂的乱七八糟的操作。

ES能支持的操作就那么多,不要考虑用ES做一些它不好操作的事情。如果真的有那种操作,尽量在document模型设计的时候,写入的时候就完成。

另外对于一些太复杂的操作,比如join/nested/parent-child搜索都要尽量避免,性能都很差的。

五、分页性能优化

ES的分页是较坑的,为啥呢?

举个例子吧,假如你每页是10条数据,你现在要查询第100 页,实际上是会把每个shard上存储的前1000条数据都查到一个协调节点上,如果你有5个shard,那么就有5000条数据,接着协调节点对这5000条数据进行一些合并、处理,再获取到最终第100页的10条数据。

分布式的,你要查第100页的10条数据,不可能说从5个shard,每个shard就查2条数据,最后到协调节点合并成10条数据吧?

你必须得从每个shard都查1000条数据过来,然后根据你的需求进行排序、筛选等等操作,最后再次分页,拿到里面第100页的数据。

你翻页的时候,翻的越深,每个shard返回的数据就越多,而且协调节点处理的时间越长,非常坑爹。所以用ES做分页的时候,你会发现越翻到后面,就越是慢。

我们之前也是遇到过这个问题,用ES作分页,前几页就几十毫秒,翻到10页或者几十页的时候,基本上就要5~10秒才能查出来一页数据了。

有什么解决方案吗?

不允许深度分页(默认深度分页性能很差)

跟产品经理说,你系统不允许翻那么深的页,默认翻的越深,性能就越差。

类似于app里的推荐商品不断下拉出来一页一页的

类似于微博中,下拉刷微博,刷出来一页一页的,你可以用scroll api,关于如何使用,自行上网搜索。

scroll会一次性给你生成所有数据的一个快照,然后每次滑动向后翻页就是通过游标scroll_id移动,获取下一页、下一页这样子,性能会比上面说的那种分页性能要高很多很多,基本上都是毫秒级的。

但是,唯一的一点就是,这个适合于那种类似微博下拉翻页的,不能随意跳到任何一页的场景。

也就是说,你不能先进入第10页,然后去第120页,然后又回到第58页,不能随意乱跳页。

所以现在很多产品,都是不允许你随意翻页的,app,也有一些网站,做的就是你只能往下拉,一页一页的翻。

初始化时必须指定scroll参数,告诉ES要保存此次搜索的上下文多长时间。你需要确保用户不会持续不断翻页翻几个小时,否则可能因为超时而失败。

除了用scroll api,你也可以用search_after来做。search_after的思想是使用前一页的结果来帮助检索下一页的数据,显然,这种方式也不允许你随意翻页,你只能一页页往后翻。初始化时,需要使用一个唯一值的字段作为sort 字段。

【编辑推荐】

  1. 如何用一句话通过面试?美国科技名企版
  2. 作为面试官的一点点感悟,谈谈技术人的成长之路
  3. 我在阿里做技术面试官的一些经验
  4. 我去面试Python岗位了
  5. 包装严重的IT行业,作为面试官,我是如何甄别应聘者的包装程度
【责任编辑:未丽燕 TEL:(010)68476606】

点赞 0
分享:
大家都在看
猜你喜欢
24H热文
一周话题
本月最赞

订阅专栏+更多

Spring Boot 爬虫搜索轻松游

Spring Boot 爬虫搜索轻松游

全栈式开发之旅
共4章 | 美码师

1人订阅学习

Linux性能调优攻略

Linux性能调优攻略

性能调优规范
共15章 | 南非蚂蚁

119人订阅学习

VMware vSphere虚拟化常见故障

VMware vSphere虚拟化常见故障

搞定vSphere虚拟化
共18章 | 王春海

53人订阅学习

读 书 +更多

嬴在用户:Web人物角色创建和应用实践指南

您如何保证您的网站确实给予用户他们所需要的,并对您产生商业成果?您需要了解谁是您的用户,您的用户的目标、行为和观点是什么,还要把他...

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊

51CTO服务号

51CTO播客