NetCore and ElasticSearch 7.5

NET Core接入ElasticSearch 7.5

 

写在前面

最近一段时间，团队在升级ElasticSearch（以下简称ES），从ES 2.2升级到ES 7.5。也是这段时间，我从零开始，逐步的了解了ES，中间也踩了不少坑，所以特地梳理和总结一下相关的技术点。

ES小趣闻：

多年前，一个叫做Shay Banon的刚结婚不久的开发者，由于妻子要去伦敦学习厨师，他便跟着也去了。在他找工作的过程中，为了给妻子构建一个食谱的搜索引擎，他开始使用Lucene进行尝试。
直接基于Lucene工作会比较困难，所以Shay开始抽象Lucene代码以便可以在应用中添加搜索功能。他发布了他的第一个开源项目，叫做“Compass”。
后来Shay找到一份工作，这份工作处在高性能和内存数据网格的分布式环境中，因此高性能的、实时的、分布式的搜索引擎也是理所当然需要的。
然后他决定重写Compass库使其成为一个独立的服务叫做Elasticsearch。
Shay的妻子依旧等待着她的食谱搜索……

由此看见，一个成功的男人背后总是站着一个女人，所以程序员们要早点找到对象，可程序员找到女朋友又谈何容易，程序猿注定悲伤-_-||。

ElasticSearch基础知识

EElasticsearch是一个开源的分布式、RESTful 风格的搜索和数据分析引擎，ES底层基于开源库Apache Lucene，不过Lucene使用门槛太高，ES隐藏了Lucene使用时的复杂性，使得分布式实时文档搜索、实时分析引擎、高扩展性变得更加容易。

安装

安装ES，首先要配置Java SDK，然后配置一下环境变量即可。然后再从官网下载ES安装包，可以选用默认配置，点击下一步—>安装。

在浏览器上输入http://localhost:9200/，显示如下文本，就意味着安装成功了。

{
  "name" : "XXXXXXXXXX",
  "cluster_name" : "elasticsearch",
  "cluster_uuid" : "mB04ov3OTvSz7OSe0GtZ_A",
  "version" : {
    "number" : "7.5.2",
    "build_flavor" : "unknown",
    "build_type" : "unknown",
    "build_hash" : "8bec50e1e0ad29dad5653712cf3bb580cd1afcdf",
    "build_date" : "2020-01-15T12:11:52.313576Z",
    "build_snapshot" : false,
    "lucene_version" : "8.3.0",
    "minimum_wire_compatibility_version" : "6.8.0",
    "minimum_index_compatibility_version" : "6.0.0-beta1"
  },
  "tagline" : "You Know, for Search"
}

部分基本概念

节点 & 集群

集群由多个节点组成，其中一个节点为主节点，主节点由内部选举算法选举产生。当然主节点是相对的，是相对于内部而言的。ES去中心化，这是相对于外部而言的，从逻辑上说，与任何一个节点的的通信和与集群通信是没有区别的。如下图所示。

索引

索引保存相关数据的地方，是指向一个或者多个物理分片的逻辑命名空间 。另外，每个Index的名字必须是小写。

文档

Document的核心元数据有三个：_index、_type(7.X已经弱化了，8.0开始就会移除)、_id。Document 使用 JSON 格式表示。

分片

一个分片是一个底层的工作单元，它仅保存了全部数据中的一部分。我们的文档被存储和索引到分片内，但是应用程序是直接与索引而不是与分片进行交互。

Elasticsearch 是利用分片将数据分发到集群内各处的。分片是数据的容器，文档保存在分片内，分片又被分配到集群内的各个节点里。 当你的集群规模扩大或者缩小时， Elasticsearch 会自动的在各节点中迁移分片，使得数据仍然均匀分布在集群里。

一个分片可以是主分片或者副本分片。索引内任意一个文档都归属于一个主分片，所以主分片的数目决定着索引能够保存的最大数据量。

一个副本分片只是一个主分片的拷贝。副本分片作为硬件故障时保护数据不丢失的冗余备份，并为搜索和返回文档等读操作提供服务。

在索引建立的时候就已经确定了主分片数，但是副本分片数可以随时修改。

理论上一个主分片最大能够存储Integer.MAX_VALUE^128 个文档。

写操作探讨

文档会被保存到主分片，那么在多个分片的情况下是如何写入和精确搜索的。实际上这是通过以下公式确定的：

shard = hash(routing) % number_of_primary_shards

以上的routing的值是一个任意的字符串，它默认被设置成文档的_id字段，但是也可以被设置成其他指定的值。这个routing字符串会被传入到一个哈希函数(Hash Function)来得到一个数字，然后该数字会和索引中的主要分片数进行模运算来得到余数。这个余数的范围应该总是在0和number_of_primary_shards - 1之间，它就是一份文档被存储到的分片的号码。

这就解释了为什么索引中的主要分片数量只能在索引创建时被指定，并且将来都不能在被更改：如果主要分片数量在索引创建后改变了，那么之前的所有路由结果都会变的不正确，从而导致文档不能被正确地获取。那么如何水平扩展呢，可以移步Designing for scale。

所有的文档API(get, index, delete, bulk, update)都接受一个routing参数，它用来定制从文档到分片的映射。一个特定的routing值能够确保所有相关文档 - 比如属于相同用户的所有文档 - 都会被存储在相同的分片上。

写操作原理图：

写入的请求流程如图所示（此图源自《Elasticsearch权威指南》）：

写入到磁盘流程如下图所示：

由此可见ES的实时并非是完全的实时，而是一种准实时(Near-Real-Time)。

读操作探讨

读分为两个阶段，查询阶段（Query Phrase）以及聚合提取阶段(Fetch Phrase)

查询阶段

协调节点接受到读请求，并将请求分配到相应的分片上（有可能是主分片或是副本分片，这个机制后续会提及），默认情况下，每个分片创建10个结果（仅包含 document_id 和 Scores）的优先级队列，并以相关性排序，返回给协调节点。

查询阶段如果不特殊指定，落入的分片有可能是 primary 也有可能是 replicas，这个根据协调节点的负载均衡算法来确定。

聚合提取阶段

假设查询落入的分片数为 N，那么聚合阶段就是对 N*10 个结果集进行排序，然后再通过已经拿到的 document_id 查到对应的 document 并组装到队列里，组装完毕后将有序的数据返回给客户端。

• 客户端发送请求到任意一个Node，成为Coordinating node
• Coordinating node对Document进行路由，将请求转发到对应的Node上，此时会使用Round-Robin随机轮询算法，在Primary Shard以及其所有Replica中随机选择一个，让读请求负载均衡
• 接收请求的node返回Document给Coordinating node
• Coordinating node返回Document给客户端

ElasticSearch实战

ES在.NET平台上的官方客户端是NEST，以下操作都是基于该package的。

常用操作

以下操作均基于ES-Head，该工具是一个Chrome插件，非常简单实用，而且可以在GitHub上搜到源码，方便个性化开发。

写入数据：

返回的数据中，可以看到Id是一段字符串，这是因为在写入的过程中并没有指定，所以会由ES默认生成。当然可以指定：

更新数据：

_version值会随着操作次数，逐渐迭代。

删除数据：

查询操作：

项目升级过程中遇到的问题

分页查询过慢：

初次的查询使用了深度分页(from-size)查询，当数据达到百万千万级别时，已经慢的让人忍无可忍。所谓深度查询就是涉及到大量 shard 的查询时，直接跳页到几千甚至上万页的数据，协调节点就有宕机的风险，毕竟协调节点需要将大量数据汇总起来进行排序，耗费大量的内存和 CPU 资源。所以慎用！尽可能用 Scroll API ，即只允许拿到下一页的信息，不允许跳页的情况出现，会避免这种情况的发生。

后来改用了快照分页(scroll)，整个查询过程非常稳定，方差几乎可以忽略。该查询会自动返回一个_scroll_id，通过这个id(经过base64编码)可以继续查询。查询语句如下：http://localhost:9200/_search/scroll?scroll=1m&scroll_id=c2MkjsjskMkkssllasKKKOzM0NDg1ODpksksks5566HHsaskLLLqi692215。这个语句虽然很快，但是无法做到跳页查询，只能一页一页的查询。

快照分页参考代码如下：

模糊查询：

该场景涉及到多个字段的模糊查询，当然，这种查询是十分消耗效率的，使用的时候要慎重，同时还要控制模糊关键字的数量，以尽可能在满足业务的情况下，提升查询效率，参考代码如下：

关于排序

在本次的ES优化升级过程中，关于排序的操作可以说是很纠结的。按照业务要求，要根据两个时间类型的字段进行排序，如果某个为空，就按照不为空的排序，使得其排序结果达到穿插的效果，而不是像SQL语句那样order by field1, field2的排序结果那样。

找出解决方案的过程很痛苦，因为官方的demo无法运行，这时间类型的操作是个巨坑，经过多方尝试，终于在查看ElasticSearch源代码的情况下，找到了解决方案。

Github地址：https://github.com/elastic/elasticsearch/blob/master/server/src/main/java/org/elasticsearch/script/JodaCompatibleZonedDateTime.java，第411行

查询语句如下：

C#参考代码如下：

参考链接：

https://www.dazhuanlan.com/2020/02/13/5e44f118b75cb/

https://www.toutiao.com/i6824365055832752653