Elasticseach：从微服务架构演变到大宽表思维的架构转变

序言

图示：Elasticsearch 在​​DB-Engine​​综合排名第8

Elasticsearch 简称"ES”, 在DB-Engine 综合排名第8，已经持续了相当长的时间，按照当下热度应该会继续保持或者上升一个名次；ES在多数工程师印象中最深刻可能是ELK三件套或者全文检索领域，但在笔者看来，应该是业务系统领域“大宽表查询”场景，或者叫“数据库查询加速”场景。

下面就从微服务架构开始，谈谈ES是如何解决应用系统中复杂查询的，为什么应该是首选？

微服务架构

​​微服务​​是一种应用系统架构模式，非指特定的技术框架。微服务时代人人都在谈微服务架构，在Java编程领域，Spring Cloud技术栈体系几乎已经成为了微服务的代名词或者首选，当下如果去应聘一名Java工程师，有三个必问技术框架，Spring，Spring Boot，Spring Cloud，俗称"厨房"三件套，随便打开一个招聘网站或者了解一个公司IT项目架构设计，几乎都有Spring XXXX。注意，这里不是跟大家讨论微服务技术栈，只是为了给大家探讨微服务架构模式的一些弊端与进化。

微服务架构模式

图示：某电商物流微服务架构模式示意图，参考百度百科

在微服务架构模式中，一般的做法会基于领域进行服务划分与编排；服务划分为基础服务与业务服务，基础服务更抽象一些，一个基础服务对应一个数据库模型。

如图所示，用户基础服务有用户领域专属 DB，订单基础服务有订单领域 DB，商品有商品领域 DB 等；业务服务一般是聚合服务，按照应用系统交互方式组合，如订单中心，需要查询订单基础服务与商品基础服务，在订单中心内部进行组合，还有如商品中心、库存中心、财务中心等都是基于组合各自需要的基础服务进行。

微服务架构弊端

基础服务抽象的划分与编排，初步看起来都非常美好，很符合微服务架构模式规范；业务服务组合各种基础服务，也看起来很美好，也很符合微服务架构模式规范。

随着业务规模越来越大，业务变化越来越复杂，以上微服务架构模式开始出现各种各样的查询复杂度问题；首先，用户、订单、商品、支付基础服务大概率都需要进行分库分表重构，在这之前订单中心的查询，进行一次关联查询，只需要跨几个基础服务查询，性能与复杂度都还能接受，在这之后，偶然的一次关联查询，就需要消耗非常多的查询资源，包括数据库层面、基础服务组合调用层面等。

图示：订单中心关联查询模式，系统复杂度高、查询资源消耗大

如果能通过快速廉价的增加硬件资源方式继续这种微服务模式，倒也无可厚非，只是越往后可选择的余地越来越有限。

大宽表架构

为了解决微服务应用架构中，跨多个基础服务 ​​join​​ 联合查询问题，需要引入一种“大宽表”架构模式，简单来说就是将各种需要关联的基础服务数据提前关联计算好，并存储到一个强悍的数据产品中，基于此数据产品提炼新的基础服务或者业务服务，取名“xx数据服务”，以数据关联为导向融入到微服务架构体系之中。

数据架构模式

图示：订单中心关联查询，由数据服务提供

如图所示，订单中心的各种复杂查询由订单维度数据服务完成，数据服务独立于基础服务，与基础服务属于同一服务层次，数据服务依赖的数据库采用大宽表模式构建，数据来源于其它数据库同步，或离线同步或实时同步。

数据库范式

图示：数据库范式示意图，来自百度百科

我们知道，在设计数据库表模型，必须要遵守数据库范式，已知目前有五种，通常意义到第三范式就差不多了，但是在面对日益复杂的应用场景，反过来大大约束了数据产品的能力，进而导致微服务架构模式的性能问题。

在此场景下，我们还有必要遵守范式约束吗？答案是的，还是需要遵守，不过换个说法“反范式”。如订单中心图示，先必须有基础服务，然后才能有数据数据，数据服务底层数据数据模型采用反范式设计，数据来源基础服务，自己不生产数据，不修改数据，也不保证数据的 ​​ACID​​，仅仅是为了查询存在。

数据同步

在大宽表架构模式下，数据服务不负责数据的产生与维护，数据来源于基础服务，从基础服务到数据服务，中间需要打通数据同步，解决了数据同步关键问题，也就解决了微服务架构模式与数据架构模式融合。

图示：实时同步与离线同步示意图

数据同步包含实时同步与离线同步，实时同步多数采用数据库支持的​​WAL​​​机制完成，如​​Mysql-Binlog​​​；离线同步有更多的选择方式，如​​DataX​​工具等。此处不深入展开数据同步话题，可以参考笔者历史文章或公开分享内容。

用 ES 承载大宽表架构模式

为什么选择 ​​Elasticsearch​​来承载数据服务，实现大宽表架构模式？以下简单说几点？

首先，ES最核心的是倒排索算法，支持任意复杂条件组合查询，大宽表的目的就是为了便于数据查询检索，而不必定制化的指定字段创建索引，同比传统数据库左侧原则检索算法，要灵活很多；

其次，ES数据模型构造基于​​Free Schema​​​理念，应用层面采用​​Json​​填充，支持局部数据变更，提供了非常灵活的机制，大宽表模式数据构建时，原则上无法保证所有关联数据表完全同步更新，有了这种灵活模式，就不必拘泥于此；

最后，​​ES​​架构设计的特性，分布式架构，支持横向扩展，支持超大集群规模，数据层面采用分片与副本机制，保障性能与高可用等。

图示：ES分布式架构，数据分片与副本

结语

当传统微服务架构面临海量数据检索困境时，不要试图继续在微服务架构模式中优化，记得尝试数据架构转变，将大宽表架构模式融入其中。

以前会说“ES玩的好，下班下得早”，现在开始“数据玩的好，下班下得早”

篇幅有限，我们找个时间给大家视频分享一下，一起探讨一下 Elasticsearch 更多的应用花样。

参考文献

1. 马丁叔叔 关于《微服务架构概要描述》​​https://martinfowler.com/articles/microservices.html​​
2. 知乎《微服务架构是什么？》
3. ​​https://www.zhihu.com/question/65502802​​
4. 铭毅天下《​​干货 | Elasticsearch多表关联设计指南​​​》​​https://mp.weixin.qq.com/s/j7YdtmyuzBFRK1BViDtp2w​​
5. 数据库范式​​https://baike.baidu.com/item/%E6%95%B0%E6%8D%AE%E5%BA%93%E8%8C%83%E5%BC%8F/7309898​​

关于

关于作者

Elastic King 数据领域专家

• Elastic Stack 国内顶尖实战专家
• ELastic Stack 技术社区分享嘉宾
• 国内首批Elastic 官方认证工程师21人之一
• 阿里云MVP（大数据领域）
• DBAPlus MVP（原创内容贡献者）
• GitHub：https://github.com/ynuosoft
• 2012年入手Elasticsearch，对Elastic Stack技术栈开发、架构、运维、源码、算法等方面有深入实战；负责过多种Elastic Stack项目，包括大数据分析领域，机器学习预测领域，业务查询加速领域，日志分析领域，基础指标监控领域等；
• 服务过多家企业，提供Elastic Stack 咨询培训以及调优实施；
• 多次在Elastic Stack技术大会/技术社区分享，发表过多篇实战干货文章；
• 十余年技术实战从业经验，擅长大数据多种技术栈混合，系统架构领域。

文章转载自公众号：铭毅天下Elasticsearch