Elasticsearch 内部数据结构深度解读

发布于 2022-4-25 16:43
浏览
0收藏

题记


最近知识星球里几个问题都问到了 doc values、store field、fielddata 等的概念。

问题1:”群主有介绍 doc value, field data, store fields 比较好的文章么?一直感觉有点模糊“

问题2:“请教下星主关于ES存储相关的问题, 一个文档有如下几个地方可能会存储:

 

 • 倒排索引。

 

 • Source 字段。

 

 • store 存储(如果开启)

 

 • doc_values。

 

不知道我理解的是否正确?

 

如果这几个地方都存储, 那是不是可以理解为数据大致会膨胀了4倍?


死磕 Elasticsearch 知识星球(http://t.cn/RmwM3N9)

 

非常有必要好好梳理一下,于是就有了这篇文章。


Elasticsearch 数据结构的理解和合理使用,对深入理解 Elasticsearch大有裨益!

 

1、数据存储认知前提


正如 Elastic 官方文档所说:

 

Elasticsearch 特点之一是:分布式文档存储。

 

Elasticsearch不会将信息存储为类似列数据库的行(row),而是存储为已序列化为JSON文档的复杂数据结构。

 

当集群中有多个Elasticsearch节点时,存储的文档会分布在整个集群中,并且可以从任何节点立即访问。

 

存储文档后,将在1秒钟内(默认刷新频率为1s)几乎实时地对其进行索引和完全搜索。

 

如何做到快速索引和全文检索的呢? 

 

Elasticsearch使用倒排索引的数据结构,该结构支持非常快速的全文本搜索。

 

倒排索引列出了出现在任何文档中的每个唯一单词,并标识了每个单词出现的所有文档。

 

索引可以认为是文档的优化集合,每个文档都是字段的集合,这些字段是包含数据的键值对。

Elasticsearch 内部数据结构深度解读-开源基础软件社区

默认情况下,Elasticsearch 对每个字段中的所有数据建立索引,并且每个索引字段都具有专用的优化数据结构。

 

例如,文本字段存储在倒排索引中,数字字段和地理字段存储在BKD树中。

Elasticsearch 内部数据结构深度解读-开源基础软件社区
不同字段具有属于自己字段类型的特定优化数据结构,并具备快速响应返回搜索结果的能力使得 Elasticsearch 搜索飞快!

 

1、Inverted Index 倒排索引

 

Elasticsearch 内部数据结构深度解读-开源基础软件社区

面对海量内容,如何快速的找到包含用户查询词的内容,倒排索引扮演了关键角色。

 

倒排索引是单词到文档映射关系的最佳实现形式。

 

下图是:书的末页的索引结构,展示了核心关键词与书页码的对应关系。

Elasticsearch 内部数据结构深度解读-开源基础软件社区

试想一下,没有这个索引页,根据关键词从全书查找有多慢,就能直观体会出索引的妙处!

 

Elasticsearch 内部数据结构深度解读-开源基础软件社区


拿官方文档的示例:

 

假设我们有两个文档,每个文档的 content 域包含如下内容:

Elasticsearch 内部数据结构深度解读-开源基础软件社区

对索引编制索引会受到标记化和标准化的处理analysis。

 

数据索引化制约因素:分词器 analyzer 的选型。

 

倒排索引(基于 默认Standard 标准分词器分词)如下所示:

Elasticsearch 内部数据结构深度解读-开源基础软件社区

如上所示,对于文档中的每个词,都包含了其所在文档的列表。

 

Elasticsearch 内部数据结构深度解读-开源基础软件社区


 • 在索引时创建
 • 序列化到磁盘
 • 全文搜索非常快
 • 不适合做排序
 • 默认开启


Elasticsearch 内部数据结构深度解读-开源基础软件社区
 • 查询
 • 全文检索


2、Doc Values 正排索引


Elasticsearch 内部数据结构深度解读-开源基础软件社区
在 Elasticsearch 中,Doc Values 就是一种列式存储结构,默认情况下每个字段的 Doc Values 都是激活的(除了 text 类型),Doc Values 是在索引时创建的,当字段索引时,Elasticsearch 为了能够快速检索,会把字段的值加入倒排索引中,同时它也会存储该字段的 Doc Values。

 

区别于倒排索引的定义,Doc Values 被定义为:“正排索引”。

Elasticsearch 内部数据结构深度解读-开源基础软件社区

Elasticsearch 内部数据结构深度解读-开源基础软件社区 • 在索引时创建
 • 序列化到磁盘
 • 适合排序操作
 • 将单个字段的所有值一起存储在单个数据列中
 • 默认情况下,除text之外的所有字段类型均启用 Doc Values。


Elasticsearch 内部数据结构深度解读-开源基础软件社区
Elasticsearch 中的 Doc Values 常被应用到以下场景:

 

 • 对一个字段进行排序
 • 对一个字段进行聚合
 • 某些过滤,比如地理位置过滤
 • 某些与字段相关的脚本计算


注意:

 

因为文档值被序列化到磁盘,我们可以依靠操作系统的帮助来快速访问。

 

 • 当 工作集(working set) 远小于节点的可用内存,系统会自动将所有的文档值保存在内存中,使得其读写十分高速;

 

 • 当其远大于可用内存,操作系统会自动把 Doc Values 加载到系统的页缓存中,从而避免了 jvm 堆内存溢出异常。

 

Elasticsearch 内部数据结构深度解读-开源基础软件社区
对于不需要:排序、聚合、脚本计算、地理位置过滤的业务场景,可以考虑禁用:Doc Values,以节约存储。

Elasticsearch 内部数据结构深度解读-开源基础软件社区

3、fielddata
Elasticsearch 内部数据结构深度解读-开源基础软件社区
如前第1、2小结所述:

 

 • 搜索需要回答“哪个文档包含此词?”的问题。借助:倒排索引实现。
 • 排序和汇总则需要回答一个不同的问题:“此字段对本文档的价值是什么?” 。借助:正排索引实现。


text 类型字段是不支持 Doc Values正排索引的,text字段使用是:查询时创建的基于的内存数据结构(query-time in-memory data structure) fielddata。

 

fielddata 将 text 字段用于聚合、排序或在脚本中使用时,将按需构建此数据结构。

 

实现机理:它是通过从磁盘读取每个段的整个反向索引,反转词项↔︎文档关系并将结果存储在JVM堆中的内存中来构建的。

Elasticsearch 内部数据结构深度解读-开源基础软件社区

严格意义讲,2.2 的示例,放到这里会更合适。

Elasticsearch 内部数据结构深度解读-开源基础软件社区

Elasticsearch 内部数据结构深度解读-开源基础软件社区

 • 适用于文档之类的操作
 • 但仅适用于 text 文本字段类型
 • 在查询时创建
 • 内存中数据结构
 • 没有序列化到磁盘
 • 默认情况下被禁用(构建它们很昂贵,并且在堆中预置)

Elasticsearch 内部数据结构深度解读-开源基础软件社区
 • 全文统计词频
 • 全文生成词云
 • text类型:聚合、排序、脚本计算


Elasticsearch 内部数据结构深度解读-开源基础软件社区
 • 在启用字段数据之前,请考虑为什么将文本字段用于聚合、排序或在脚本中使用。
 • 启用 fielddata 通常没有任何意义,因为它非常耗费内存资源。
 • 仅仅是做全文搜索的应用,就不需要启用fielddata。


4、_source 字段解读


Elasticsearch 内部数据结构深度解读-开源基础软件社区
_source 字段包含在索引时间传递的原始JSON文档主体。

 

_source 字段本身未构建索引(因此不可搜索),但已存储该字段,以便在执行获取请求(如get或search)时可以将其返回。

 

Elasticsearch 内部数据结构深度解读-开源基础软件社区

 

第一:尽管非常方便,但是source字段确实会导致索引内的存储开销。因此,可以将其禁用。

 

第二:禁用前要做好以下衡量 禁用 _source 后,如下操作将不可用:

 

1.update, update_by_query 和 reindex API
2.高亮操作


所以,要在存储空间、业务场景之间权衡利弊后选型。


5、store 字段解读
Elasticsearch 内部数据结构深度解读-开源基础软件社区
默认情况下,对字段值进行索引以使其可搜索(第1节的 倒排索引),但不存储它们。

 

这意味着可以查询该字段,但是无法检索原始字段值。

 

通常这无关紧要。该字段值已经是_source字段的一部分,默认情况下已存储。

 

但,某些特殊场景下,如果你只想检索单个字段或几个字段的值,而不是整个_source的值,则可以使用源过滤来实现。

 

这个时候, store 就派上用场了。

 

Elasticsearch 内部数据结构深度解读-开源基础软件社区

Elasticsearch 内部数据结构深度解读-开源基础软件社区


如 5.2 示例,在某些情况下,存储字段可能很有意义。例如,采集的新闻数据是:带有标题、日期和很大内容字段的文档,

 

则可能只想检索标题和日期,而不必从较大的_source字段中提取这些字段。

 

6、小结


回到文章开头的两个问题:

 

 • 问题1:看完本文后,doc values , field data , store fields  就非常清晰了。

 

 • 问题2:字段类型不一样,存储不一样。默认:倒排索引默认所有字段都启用,正排索引 Doc Values 非 text 类型默认启用, source (存储原始文档的 所有字段的 json 结构数据)和 store (存储指定字段的 json 数据) 的启用与否需要结合业务实际。假设:正排索引、倒排索引、_source 、store 都启用了,存储肯定会增加,但不是线性的 4倍。

 

对于不明白的问题,反复研读官方文档,拷贝到kibana Dev tool 去实践,直到弄明白为止。

 

文章尽量参考官方文档,尽管如此,难免表述纰漏,欢迎大家指正交流。

 

和你一起,死磕 Elasticsearch !

收藏
回复
举报
回复
添加资源
添加资源将有机会获得更多曝光,你也可以直接关联已上传资源 去关联
    相关推荐