写在前面

有一个问题被关注的比较少，就是ES对本地磁盘的占用情况。有人可能觉得这个问题的答案显而易见，不就是ES软件本身占用的空间，还有索引数据持久化占用的磁盘空间，另外就是一些日志了。

事实上，关于ES占用磁盘空间的问题远比这个要复杂的多。本篇文章就想聚焦这个问题，深入ES的底层原理来分析磁盘的占用情况。

正文

是否执行分析

首先对于一个索引，其中的字段在写入是，写入分析对磁盘是有影响的。那么什么是写入分析? 当我们index一个文档时，如果不指定分析器，默认使用的是standard，可以做个测试，看下默认的分析器执行的结果。

GET /_analyze
{
  "analyzer": "standard",
  "text": "Text to analyze"
}

我们可以为字段单独指定analyzed或者 not_analyzed， 比如：

PUT /my_index
{
  "mappings": {
    "my_type": {
      "properties": {
        "status_code": {
          "type": "string",
          "index": "not_analyzed"
        }
      }
    }
  }
}

• not_analyzed:将字段的原始值放入索引中，作为一个独立的term，它是除string字段以外的所有字段的默认值。
• analyzed:string字段的默认值，会先进行分析后，再把分析的term结果存入索引中。

分析的目的主要是为了建立倒排索引，进行全文检索分析。如果没有这个需求可以关掉。

_all字段和_source字段

很多时候，我们查询文档会发现返回的结果里，带有一个_source字段，里面是全部字段的内容。_source字段默认是存储的，这个会占用磁盘空间。

什么情况下不用保留 _source字段？比如如果某个字段内容非常多，我们的业务场景只需要能对该字段进行搜索，可以考虑关闭 _source字段，我们搜索到文档id后，再通过文档id去数据库拿到这个字段的内容。这样可以节省很多空间。如何关闭呢？

PUT my-index-000001
{
  "mappings": {
    "_source": {
      "enabled": false
    }
  }
}

_all字段默认是关闭的，如果要开启_all字段，索引就更大，占用磁盘空间当然就更大。_all字段开启适用于不指定搜索某一个字段，根据关键词，搜索整个文档内容。

Doc values

Doc Values 通过序列化把数据结构持久化到磁盘，我们可以充分利用操作系统的内存，而不是 JVM 的 Heap 。

Doc Values 默认对所有字段启用，除了 analyzed strings。也就是说所有的数字、地理坐标、日期、IP 和不分析（ not_analyzed ）字符类型都会默认开启。

Doc Values的作用是开启的字段可以支持排序，聚合等能力，如果业务场景确定不需要这样的能力可以显示的把这个功能禁掉，从而节省磁盘空间。

PUT my_index
{
  "mappings": {
    "my_type": {
      "properties": {
        "session_id": {
          "type":       "string",
          "index":      "not_analyzed",
          "doc_values": false
        }
      }
    }
  }
}

副本机制

这个其实不用多说。ES的副本分片机制，目的是实现高可用，但是牺牲了空间。每个副本其实都是主分片的完整拷贝，在文档数量非常大的时候，这个对磁盘的占用是相当可观的。

测试对比

看上图，从上往下看，磁盘占用基本是一直在减少。很直观的看出上面讲的那些因素对ES磁盘的占用影响。

参考：

• https://www.elastic.co/cn/blog/elasticsearch-storage-the-true-story

END