Elasticsearch的分段存储思想

在早期的全文检索中为整个文档集合建立了一个很大的倒排索引，并将其写入磁盘中，如果索引有更新，就需要重新全量创建一个索引来替换原来的索引。这种方式在数据量很大时效率很低，并且由于创建一次索引的成本很高，所以对数据的更新不能过于频繁，也益不能保证时效性。

现在，在搜索中引入了段的概念（将一个索引文件拆分为多个子文件，则每个子文件叫作段），每个段都是一个独立的可被搜索的数据集，并且段具有不变性，一旦索引的数据被写入硬盘，就不可再修改。

分段的思想下的数据操作

新增：当有新的数据需要创建索引时，由于段的不变性，所以选择新建一个段来存储新增的数据。

删除：当需要删除数据时，由于数据所在的段只可读，不可写，所以 Lucene 在索引文件下新增了一个.del 的文件，用来专门存储被删除的数据 id。当查询时，被删除的数据还是可以被查到的，只是在进行文档链表合并时，才把已经删除的数据过滤掉。被删除的数据在进行段合并时才会真正被移除。

更新：更新的操作其实就是删除和新增的组合，先在.del 文件中记录旧数据，再在新段中添加一条更新后的数据。

段不变性的优点

不需要锁，因为数据不会更新，所以不用考虑多线程下的读写不一致情况。

可以常驻内存。段在被加载到内存后，由于具有不变性，所以只要内存的空间足够大，就可以长时间驻存，大部分查询请求会直接访问内存，而不需要访问磁盘，使得查的性能有很大的提升。

缓存友好。在段的声明周期内始终有效，不需要在每次数据更新时被重建。

增量创建。分段可以做到增量创建索引，可以轻量级地对数据进行更新，由于每次创建的成本很低，所以可以频繁地更新数据，使系统接近实时更新。

段不变性的缺点

当对数据进行删除时，旧数据不会被马上删除，而是在.del 文件中被标记为删除。而旧数据只能等到段更新时才能真正被移除，这样会有大量的空间浪费。

更新。更新数据由删除和新增这两个动作组成。若有一条数据频繁更新，则会有大量的空间浪费。

由于索引具有不变性，所以每次新增数据时，都需要新增一个段来存储数据。当段的数量太多时，对服务器的资源（ 如文件句柄 ）的消耗会非常大，查询的性能也会受到影响。

在查询后需要对已经删除的旧数据进行过滤，这增加了查询的负担。

为了提升写的性能，Lucene 并没有每新增一条数据就增加一个段，而是采用延迟写的策略每当有新增的数据时，就将其先写入内存中，然后批量写入磁盘中。若有一个段被写到硬盘,就会生成一个提交点，提交点就是--个用来记录所有提交后的段信息的文件。

一个段一旦拥了提交点，就说明这个段只有读的权限，失去了写的权限：相反，当段在内存中时，就只有写数据的权限，而不具备读数据的权限，所以也就不能被检索了。从严格意义上来说，Lucene或者 Elasticscarch 并不能被称为实时的搜索引擎，只能被称为准实时的搜索引擎。

写索引的流程

新数据被写入时，并没有被直接写到磁盘中，而是被暂时写到内存中。Lucene 默认是一秒钟，或者当内存中的数据量达到一定阶段时，再批量提交到磁盘中，当然，默认的时间和数据量的大小是可以通过参数控制的。通过延时写的策略，可以减少数据往磁盘上写的次数，从而提升整体的写入性能。

在达到触发条件以后，会将内存中缓存的数据一次性写入磁盘中，并生成提交点。

由于数据先被暂存放在内存中，并没有真正持久化到磁盘，所以如果这时出现断电等不可控的情况，就会丢失数据，为此，elasticsearch添加了事务日志，来保证数据的安全。

ps：事务日志下一篇介绍。