Elasticsearch解决问题之道——请亮出你的DSL!

0、引言

在业务开发中,我们往往会陷入开发的细枝末节之中,而忽略了事物的本源。

经常有同学问到:

  • 1, 业务代码实现结果和kibana验证不一致。 比如:我的python或者java程序检索结果怎么和kibana里面不一致?
  • 2, 我的某个关键词明明匹配,但怎么检索不到? 比如:星球群讨论的“三星”ik_max_word + match_phrase匹配问题。
  • 3, 熟悉sql,但转dsl就不会写了。 比如:做聚合搜索的话,select * from user where usrid >5 group by userid having count(userid) >3 这个功能能在一个dsl实现吗 ?
  • 4, 查询慢,但不知道什么原因导致的。 比如:elasticsearch有8亿数据查询慢是怎么回事,有什么办法优化。

等等等等…..

以上的看似复杂的问题,如果转换成DSL,清楚的写出来,梳理清楚问题的来龙去脉,问题就自然解决了一大半。

所以,请亮出你的dsl,不论什么语言的检索,转换到es查询都是sql查询,在es中对应dsl语法,es再拆解比如:分词match_phrase拆解成各term组合,最终传给lucene处理。

亮出你的dsl,确保编程里的实现和你的kibana或者head插件一致是非常重要、很容易被忽视的工作。

如果对dsl拆解不理解,那就再加上profile:true或者explain:true拆解结果一目了然。

1、啥是Elasticsearch DSL?

维基百科定义:领域特定语言(英语:domain-specific language、DSL)指的是专注于某个应用程序领域的计算机语言。又译作领域专用语言。

Elasticsearch提供基于JSON的完整查询DSL来定义查询。 将Query DSL视为查询的AST(抽象语法树),由两种类型的子句组成:

1、叶子查询子句

叶查询子句查找特定字段中的特定值,例如匹配,术语或范围查询。 这些查询可以单独使用。

2、复合查询子句

复合查询子句可以组合其他叶子或复合查询,用于以逻辑方式组合多个查询(例如bool或dis_max查询),或更改其行为(例如constant_score查询)。

给个例子,一看就明白。

 1GET "localhost:9200/_search
 2{
 3  "query": { 
 4    "bool": { 
 5      "must": [
 6        { "match": { "title":   "Search"        }}, 
 7        { "match": { "content": "Elasticsearch" }}  
 8      ],
 9      "filter": [ 
10        { "term":  { "status": "published" }}, 
11        { "range": { "publish_date": { "gte": "2015-01-01" }}} 
12      ]
13    }
14  }
15}
16

看到这里,可能会有人着急了:“我X,这不是官网定义吗?再写一遍有意思吗?”

引用一句鸡汤话,“再显而易见的道理,在中国,至少有一亿人不知道”。同样的,再显而易见的问题,在Elasticsearch技术社区也会有N多人提问。

基础认知不怕重复,可怕的是对基础的专研、打磨、夯实。

2、DSL的全局认知

Elasticsearch相关的核心操作,广义上可做如下解读,不一定涵盖全,仅抛砖引玉,说明DSL的重要性。

从大到小。

2.1 维度1:集群的管理。

集群的管理,一般我们会使用Kibana或者第三方工具Head插件、cerebro工具、elastic-hq工具。

基本上硬件的(磁盘、cpu、内存)使用率、集群的健康状态都能一目了然。

但基础的DSL会更便捷,便于细粒度分析问题。 如:集群状态查询:

1GET /_cluster/stats?human&pretty

如:节点热点线程查看:

1GET /_nodes/hot_threads

如:集群分片分配情况查看:

1GET /_cluster/allocation/explain

2.2 维度2:索引的生命周期管理。

索引生命周期是一直强调的概念,主要指索引的“生、老、病、死”的全过程链条的管理。

2.2.1、生:创建索引。

创建索引我们优先使用较单纯index更灵活的template模板。

创建索引类似Mysql的创建表的操作,提前设计好表结构对应ES是提前设计好Mapping非常重要。

两个维度:

  • 1、血淋淋的教训:业务上精炼再精炼,一个索引搞定的绝不多表关联。
  • 2、提前设计好字段及扩展字段,即便ES支持动态添加字段。
  • 3、不使用动态映射,所有字段自己定义,节省存储空间。 举例:
 1PUT _template/template_1
 2{
 3  "index_patterns": ["te*", "bar*"],
 4  "settings": {
 5    "number_of_shards": 1
 6  },
 7  "mappings": {
 8    "_doc": {
 9      "_source": {
10        "enabled": false
11      },
12      "properties": {
13        "host_name": {
14          "type": "keyword"
15        }
16      }
17    }
18  }
19}
20'
21

2.2.2、老:滚动索引、关闭索引或者冻结索引。

举例:

1POST /my_index/_freeze
2POST /my_index/_unfreeze

2.2.3、病:索引出了问题。

如:索引清理缓存。

1POST /twitter/_cache/clear

如:某原因导致分片重新分配,_recovery查看分片分配状态。

1GET index1,index2/_recovery?human

2.2.4、死:删除索引。

1DELETE my_index

高版本的索引生命周期管理推荐使用:ILM功能。

2.3 维度3:数据的增删改查。

这个是大家再熟悉不过的了。

2.3.1 增

单条导入数据、批量bulk写入数据、第三方同步数据(本质也是批量)。 举例:

1POST _bulk
2{ "index" : { "_index" : "test", "_id" : "1" } }
3{ "field1" : "value1" }

2.3.2 删

删除数据包括:指定id删除 delete和批量删除delete_by_query(满足给定条件)。

2.3.3 改

更新操作。包括:指定id的update/upsert或者批量更新update_by_query。

2.3.4 查

这是ES的重头戏。包含但不限于:

1、支持精确匹配查询的:term、range、exists、wildcard、prefix、fuzzy等。

2、支持全文检索的:match、match_phrase、query_string、multi_match等

2.4 维度4:数据统计分析

1、Bucketing分桶聚合 举例:最常用的terms就类似Mysql group by功能。

2、Metric计算聚合 举例:类比Mysql中的: MIN(), MAX(), SUM() 操作。

3、Pipeline针对聚合结果聚合 举例:bucket_script实现类似Mysql的group by 后having的操作。

2.5 更多其他维度

留给大家结合业务场景思考添加。

3、实践干货

讲了那么多,实践中遇到问题咋办? 这里把开头提到的几个问题逐一解答一下。

3.1,业务代码实现结果和kibana验证不一致。

实际Mysql业务中,我们一般是先验证sql没有问题,再写业务代码。

实际ES业务中,也一样,先DSL确认没有问题,再写业务代码。

写完java或者python后,打印DSL,核对是否完全一致。

不一致的地方基本就是结果和预期不一致的原因所在。

3.2,我的某个关键词明明匹配,但怎么检索不到?

第一步:借助analyzer API分析查询语句和待查询document分词结果。

1GET my_index/_analyze 
2{
3  "field": "text",
4  "text": "华为鸿蒙系统发布-可随时替代安卓",
5  "analyzer":"ik_smart"
6}

这个API的重要性,再怎么强调都不为过。

第二步:可以借助profile:true查看细节。第三步:核对match_phrase词序的原理。

3.3,熟悉sql,但转dsl就不会写了。

6.3版本后已经支持sql,如果不会写,可以借助translate 如下API翻译一下。

不够精确,但足够参考用了,需要根据业务细节微调。

当然,还是建议,从业务出发,自己写DSL。

3.4,查询慢,但不知道什么原因导致的。

从大往小,逐步细化排解

  • 思路1:索引层面。 8亿条分散到多个索引、多个副本当中,还是一个索引?
  • 思路2:Mapping映射设计层面。 举例,设计高效检索Number类型建议改成keyword。 详细参考携程架构师的文章:number?keyword?傻傻分不清楚
  • 思路3:检索DSL优化层面 注意:能使用filter过滤检索的就不要使用query,原理参考我之前梳理的文章: 吃透 | Elasticsearch filter和query的不同
  • 思路4:返回字段层面 有没有检索的使用_source:"" 限定返回的字段, 如果没有,会全字段返回,数据量大的话,也会慢。
  • 思路5:DSL 调试 调试方法:DSL执行语句中加上profile:true . 或者借助:xpack可视化插件排查。 这样,会打印出对应查询的细节花费时间,让你明明白白知道那里慢了。
  • 思路6:日志查询 查询的时候,查询ES日志,看看有没有大量的gc。 看看有没有错误日志,错误日志的处理就是优化的方向。
  • 思路7:借助cerebro或者xpack mointer监视集群状态 看一看,集群堆内存、cpu、负载的使用情况。
  • 思路8:外部思维 想一想,查询的时候,有没有并行的写入操作? 那么查询的时候慢,是不是写入压力大队集群造成的影响。
  • 思路9:排除网络慢的原因 内网查询还是外网映射查询,返回时间也不一样。
  • 思路10:其他问题 结合业务场景进行分析,自己的业务代码逻辑的问题。 一定要转成DSL进行最小化定位。

4、小结

  • 实际业务中的问题远比上面复杂。但开发的过程中,很多时候,走的太久忘记了出发的目的是什么。
  • 本文仅起到抛砖引玉作用,更多复杂DSL、脚本、自定义评分等DSL没有涉及,不过原理一致。
  • 所以,遇到问题,切莫乱求医。亮出你的DSL,追根溯源、条分缕析逐步细化,问题会迎刃而解。 一起加油,共勉!

END

原文发布于微信公众号 - zhisheng(zhisheng_blog)

原文发表时间:2019-08-12

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券