背景
有2种常见的多维度查询场景,分别是:
- 带多个筛选条件的列表查询
- 不含分库分表列的其他维度查询
普通的数据库查询,很难实现上述需求场景,更不用提模糊查询、全文检索了。
下面结合楼主的经验和知识,介绍初级方案、进阶方案(上ElasticSearch),大部分情况下推荐使用ElasticSearch来实现多维度查询,赶时间的读者可以直接跳到“进阶方案:将ElasticSearch添加到现有系统中”。
初级方案
1、根据常见查询场景,增加相应字段的组合索引
这个是为了实现带多个筛选条件的列表查询的。
优点
- 非常简单
- 读写不一致时间较短:取决于数据库主从同步延时,一般为毫秒级别
缺点
- 非常局限:除非筛选条件比较固定,否则难以应付后续新增或修改筛选条件
- 如果每次来新的筛选查询字段的需求,就新增索引,最终导致索引过于庞大,影响性能
于是就出现了经典的一幕:产品提需求说要支持某个新字段的筛选查询,开发反馈说做不了、或者成本很高,于是不了了之 :)
2、异构出多份数据
更加优雅的方式,是异构出多份数据。
例如,C端按用户维度查询,B端按店铺维度查询,如果还有供应商,按供应商维度查询。一个数据库只能按一种维度来分库。
(1)程序写入多个数据源
优点是:非常简单。
缺点
- 跨库写存在一致性问题(除非不同维度的表使用公共的分库,事务写入),性能低
- 不能灵活支持更多其他维度的查询
(2)借助Canal实现数据的自动同步
通过Canal同步数据,异构出多个维度的数据源。详见之前写的这篇文章:架构师必备:巧用Canal实现异步、解耦的架构
优点是:更加优雅,无需改动程序主流程。
缺点
- 仍然无法解决不断变化的需求,不可能为了支持新维度就异构出一份新数据
进阶方案:将ElasticSearch添加到现有系统中
应用架构
现有系统一般都会用到MySQL数据库,需要引入ES,为系统增强多维度查询的功能。
MySQL继续承担业务的实时读写请求、事务操作,ES承担近实时的多维度查询请求,ES可支撑十万级别qps(取决于节点数、分片数、副本数)。
需要注意的是:同步数据至ES是秒级延迟(主要耗费在索引refresh),而查询已进入索引的文档,是在数毫秒到数百毫秒级别。
导入数据
需要同步机制,来把MySQL中的数据导入到ES中,主要流程如下:
- 预先定义ES索引的mapping配置,而不依赖ES自动生成mapping
- 初始全量导入,后续增量导入:Canal+MQ数据管道同步,不需要或仅需少量代码工作
- 数据过滤:不导入无需检索的字段,减小索引大学,提高性能
- 数据扁平化处理:如果数据库中有json字段列,需要从中提取业务字段,避免嵌套类型的字段,提高性能
查询数据
从ES 8.x版本开始,建议使用Java api client,并且要Java 8及以上环境,因为可使用各种lambda函数,来提高代码可读性
- 优点是新客户端与server代码完全耦合(相比于原Java transport client,在8.x版本已废弃),并且API风格与http rest api很接近(相比于原Java rest client,在8.x版本已废弃),只要熟练掌握http json请求体写法,即可快速上手。
- 底层使用的还是原来的low level rest client,实现了http长连接、访问ES各节点的负载均衡、故障转移,最底层依赖的是apache http async client。
- ES 7.x版本及以下,或使用Java 7及以下,建议升级,否则就只能继续用high level rest client。
代码示例如下(含详细注释):
public class EsClientDemo {
// demo演示:创建client,然后搜索
public void createClientAndSearch() throws Exception {
// 创建底层的low level rest client,连接ES节点的9200端口
RestClient restClient = RestClient.builder(
new HttpHost(\"localhost\", 9200)).build();
// 创建transport类,传入底层的low level rest client,和json解析器
ElasticsearchTransport transport = new RestClientTransport(
restClient, new JacksonJsonpMapper());
// 创建核心client类,后续操作都围绕此对象
ElasticsearchClient esClient = new ElasticsearchClient(transport);
// 多条件搜索
// fluent API风格,并且使用lambda函数提高代码可读性,可以看出Java api client的语法,同http json请求体非常相似
String searchText = \"bike\";
String brand = \"brandNew\";
double maxPrice = 1000;
// 根据商品名称,做match全文检索查询
Query byName = MatchQuery.of(m -> m
.field(\"name\")
.query(searchText)
)._toQuery();
// 根据品牌,做term精确查询
Query byBrand = new Query.Builder()
.term(t -> t
.field(\"brand\")
.value(v -> v.stringValue(brand))
).build();
// 根据价格,做range范围查询
Query byMaxPrice = RangeQuery.of(r -> r
.field(\"price\")
.lte(JsonData.of(maxPrice))
)._toQuery();
// 调用核心client,做查询
SearchResponse response = esClient.search(s -> s
.index(\"products\") // 指定ES索引
.query(q -> q // 指定查询DSL
.bool(b -> b // 多条件must组合,必须同时满足
.must(byName)
.must(byBrand)
.must(byMaxPrice)
)
),
Product.class
);
// 遍历命中结果
List> hits = response.hits().hits();
for (Hit hit: hits) {
Product product = hit.source(); // 通过source获取结果
logger.info(\"Found product \" + product.getName() + \", score \" + hit.score());
}
}
}
可参阅:https://www.elastic.co/guide/...
数据模型转换
因为既有MySQL,又有ES,所以有2种异构的数据模型。需要在代码中定义2种数据模型,并且实现类型互相转换的工具类。
- MySQL数据VO
- ES数据VO
- MySQL数据VO、ES数据VO互相转换工具
- 业务层BO
- 接口DTO
原理概要
ES之所以比MySQL,能胜任多维度查询、全文检索,是因为底层数据结构不同:
ES倒排索引
- 如果是全文检索字段:会先分词,然后生成 term -> document 的倒排索引,查询时也会把query分词,然后检索出相关的文档。相关度算法如TF-IDF(term frequency–inverse document frequency),取决于:词在该文档中出现的频率(TF,term frequency),越高代表越相关;以及词在所有文档中出现的频率(IDF,inverse document frequency),越高代表越不相关,相当于是一个通用的词,对相关性影响较小。
- 如果是精确值字段:则无需分词,直接把query作为一个整体的term,查询对应文档。
- 因为文档中的所有字段,都生成了倒排索引,所以能处理多维度组合查询
MySQL B+树
- B+树的非叶子节点记录了孩子节点值的范围,而叶子节点记录了真正的一组值,并且在同一层,形成了一个有序链表
- 组合索引需要显式创建:选择需索引的字段、并且顺序是重要的,所以如果待查询的字段不在索引中,就无法高效查询,可能演变为全表扫描(对聚簇索引的叶子节点做一次遍历)
另外简要回顾一下ES的架构要点:
- 节点分为主节点、数据节点,一个节点上可以有多个分片,分片分为主分片、副本分片,1对多,主分片与副本分片分布在不同的节点,来实现高可用
- 主分片数在创建时,就需要指定,在创建后不能随意更改(如果变化,路由就会出错);而副本分片可以增加,来提高ES集群的查询QPS
- 路由算法:id % 主分片数,如果创建文档时不指定id,则ES会自动生成;一般会传自定义业务id
优点、缺点
优点
- 支持各字段的多维度组合查询,无惧未来新增字段(主要成本在于新增字段后、重建索引)
- 与现有系统完全解耦,适合架构演进
- 在数据量级上远胜Mysql,最大支持PB级数据的存储和查询
缺点
读写不一致时间在秒级:因为有2个耗时阶段,一是同步阶段将数据从MySQL数据库写入ES,二是ES索引refresh阶段,数据从buffer写入索引后才可查到
- 因此一个trick就是,在写入操作后,前端延迟调用后端的列表查询接口,比如延迟1秒后再展示
- 超高并发下存在瓶颈,存在稳定性问题:目前原生版本支持大约 3-5 万分片,性能已经到达极限,创建索引基本到达 30 秒+ 甚至分钟级。节点数只能到 500 左右基本是极限了。但依然能满足绝大部分场景。数据来源:https://elasticsearch.cn/slid...
ES最佳实践
- 只把需要搜索的数据导入ES,避免索引过大
- 数据扁平化,不用嵌套结构,提高性能
- 合理设置字段类型,预先定义mapping配置,而不依赖ES自动生成mapping
精确值的类型指定为keyword(mapping配置),并且使用term查询
- 精确值是指无需进行range范围查询的字段,既可以是字符串,比如书的作者名字,也可以是数值,比如商品id、订单id、图书ISBN编号、枚举值。在使用中,大部分场景是以id类作为精确值
- 避免无路由查询:无路由查询会并发在多个索引上查询、归并排序结果,会使得集群cpu飙升,影响稳定性
- 避免深度分页查询:如有大量数据查询,推荐用scroll滚动查询
- 设置合理的文件系统缓存(filesytem cache)大小,提高性能:因为ES查询的热数据在文件系统缓存中
- ES分片数在创建后不能随意改动,但是副本数可以随时增加,来提高最大QPS。如果单个分片压力过大,需要扩容。
更进一步
前面提到ES超高并发下存在瓶颈,极端情况下可能遇到OOM,因此超高并发下需要C++实现的专用搜索引擎
例如:
- 百度:通用搜索引擎,根据文字、图片搜索信息
- 电商垂类:电商专用搜索引擎,比如根据关键词查找商品,或根据品牌、价格筛选商品,可总结为商品的搜索、广告、推荐