這篇文章主要講解了“如何調(diào)優(yōu)Elasticsearch”，文中的講解內(nèi)容簡單清晰，易于學(xué)習(xí)與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學(xué)習(xí)“如何調(diào)優(yōu)Elasticsearch”吧！
每天都有數(shù)量相當(dāng)龐大的新聞和微博產(chǎn)生；在高峰期需要索引大約300多萬社論文章，和近1億條社交帖子數(shù)據(jù)。其中社論數(shù)據(jù)長期保存以供檢索（可回溯到2009年），社交帖子數(shù)據(jù)保存近15個月的。當(dāng)前的主分片數(shù)據(jù)使用了大約200 TB的磁盤空間，副本數(shù)據(jù)大約600 TB。
我們的業(yè)務(wù)每分鐘有3千次請求。所有的請求通過一個叫做 “search-service” 的服務(wù)，該服務(wù)會依次完成所有與 Elasticsearch 集群的交互。大部分檢索規(guī)則比較復(fù)雜，包括在面板和新聞流中。比如，一個客戶可能對 Tesla 和 Elon Musk 感興趣，但希望排除所有關(guān)于 SpaceX 或 PayPal 的信息。用戶可以使用一種與 Lucene 查詢語法類似的靈活語法，如下：
Tesla AND "Elon Musk" NOT (SpaceX OR PayPal)
我們最長的此類查詢有60多頁。重點是：除了每分鐘3千次請求以外，沒有一個查詢是像在 Google 里查詢 “Barack Obama” 這么簡單的；這簡直就是可怕的野獸，但ES節(jié)點必須努力找出一個匹配的文檔集。
我們運行的是一個基于 Elasticsearch 1.7.6 的定制版本。該版本與1.7.6 主干版本的唯一區(qū)別是，我們向后移植（backport）了 roaring bitsets/bitmaps 作為緩存。該功能是從 Lucene 5 移植到 Lucene 4 的，對應(yīng)移植到了 ES 1.X 版本。Elasticsearch 1.X 中使用默認的 bitset 作為緩存，對于稀疏結(jié)果來說開銷非常大，不過在 Elasticsearch 2.X 中已經(jīng)做了優(yōu)化。
為何不使用較新版本的 Elasticsearch 呢？主要原因是升級困難。在主版本間滾動升級只適用于從ES 5到6（從ES 2到5應(yīng)該也支持滾動升級，但沒有試過）。因此，我們只能通過重啟整個集群來升級。宕機對我們來說幾乎不可接受，但或許可以應(yīng)對一次重啟所帶來的大約30-60分鐘宕機時間；而真正令人擔(dān)心的，是一旦發(fā)生故障并沒有真正的回滾過程。
截止目前我們選擇了不升級集群。當(dāng)然我們希望可以升級，但目前有更為緊迫的任務(wù)。實際上該如何實施升級尚未有定論，很可能選擇創(chuàng)建另一個新的集群，而不是升級現(xiàn)有的。
我們自2017年6月開始在AWS上運行主集群，使用i3.2xlarge實例作為數(shù)據(jù)節(jié)點。之前我們在COLO（Co-located Data Center）里運行集群，但后續(xù)遷移到了AWS云，以便在新機器宕機時能贏得時間，使得我們在擴容和縮容時更加彈性。
我們在不同的可用區(qū)運行3個候選 master 節(jié)點，并設(shè)置 discovery.zen.minimum_master_nodes 為2。這是避免腦裂問題 split-brain problem 非常通用的策略。
我們的數(shù)據(jù)集在存儲方面，要求80%容量和3個以上的副本，這使得我們運行了430個數(shù)據(jù)節(jié)點。起初打算使用不同層級的數(shù)據(jù)，在較慢的磁盤上存儲較舊的數(shù)據(jù)，但是由于我們只有相關(guān)的較低量級舊于15個月的數(shù)據(jù)（只有編輯數(shù)據(jù)，因為我們丟棄了舊的社交數(shù)據(jù)），然而這并未奏效。每個月的硬件開銷遠大于運行在COLO中，但是云服務(wù)支持?jǐn)U容集群到2倍，而幾乎不用花費多少時間。
你可能會問，為何選擇自己管理維護ES集群。其實我們考慮過托管方案，但最后還是選擇自己安裝，理由是： AWS Elasticsearch Service
暴露給用戶的可控性太差了， Elastic Cloud 的成本比直接在EC2上運行集群要高2-3倍。
為了在某個可用區(qū)宕機時保護我們自身，節(jié)點分散于eu-west-1的所有3個可用區(qū)。我們使用 AWS plugin 來完成該項配置。它提供了一個叫做aws_availability_zone 的節(jié)點屬性，我們把 cluster.routing.allocation.awareness.attributes 設(shè)置為 aws_availability_zone。這保證了ES的副本盡可能地存儲在不同的可用區(qū)，而查詢盡可能被路由到相同可用區(qū)的節(jié)點。
這些實例運行的是 Amazon Linux，臨時掛載為 ext4，有約64GB的內(nèi)存。我們分配了26GB用于ES節(jié)點的堆內(nèi)存，剩下的用于磁盤緩存。為何是26GB？因為 JVM 是在一個黑魔法之上構(gòu)建的 。
我們同時使用 Terraform 自動擴容組來提供實例，并使用 Puppet 完成一切安裝配置。
因為我們的數(shù)據(jù)和查詢都是基于時間序列的，所以使用了 time-based indexing ，類似于ELK (elasticsearch, logstash, kibana) stack 。同時也讓不同類型的數(shù)據(jù)保存在不同的索引庫中，以便諸如社論文檔和社交文檔類數(shù)據(jù)最終位于不同的每日索引庫中。這樣可以在需要的時候只丟棄社交索引，并增加一些查詢優(yōu)化。每個日索引運行在兩個分片中的一個。
該項設(shè)置產(chǎn)生了大量的分片（接近40k）。有了這么多的分片和節(jié)點，集群操作有時變得更特殊。比如，刪除索引似乎成為集群master的能力瓶頸，它需要把集群狀態(tài)信息推送給所有節(jié)點。我們的集群狀態(tài)數(shù)據(jù)約100 MB，但通過TCP壓縮可減少到3 MB（可以通過 curl localhost:9200/_cluster/state/_all 查看你自己集群的狀態(tài)數(shù)據(jù)）。Master 節(jié)點仍然需要在每次變更時推送1.3 GB數(shù)據(jù)（430 節(jié)點 x 3 MB 狀態(tài)大?。?。除了這1.3 GB數(shù)據(jù)外，還有約860 MB必須在可用區(qū)（比如 最基本的通過公共互聯(lián)網(wǎng)）之間傳輸。這會比較耗時，尤其是在刪除數(shù)百個索引時。我們希望新版本的 Elasticsearch 能優(yōu)化這一點，首先從 ES 2.0支持僅發(fā)送集群狀態(tài)的差分?jǐn)?shù)據(jù) 這一特性開始。
如前所述，我們的ES集群為了滿足客戶的檢索需求，需要處理一些非常復(fù)雜的查詢。
為應(yīng)對查詢負載，過去幾年我們在性能方面做了大量的工作。我們必須嘗試公平分享ES集群的性能測試，從下列引文就可以看出。
不幸的是，當(dāng)集群宕機的時候，不到三分之一的查詢能成功完成。我們相信測試本身導(dǎo)致了集群宕機。
—— 摘錄自使用真實查詢在新ES集群平臺上的第一次性能測試
為了控制查詢執(zhí)行過程，我們開發(fā)了一個插件，實現(xiàn)了一系列自定義查詢類型。通過使用這些查詢類型來提供Elasticsearch官方版本不支持的功能和性能優(yōu)化。比如，我們實現(xiàn)了 phrases 中的 wildcard 查詢，支持在 SpanNear 查詢中執(zhí)行；另一個優(yōu)化是支持“*”代替 match-all-query ；還有其他一系列特性。
Elasticsearch 和 Lucene 的性能高度依賴于具體的查詢和數(shù)據(jù)，沒有銀彈。即便如此，仍可給出一些從基礎(chǔ)到進階的參考：
限制你的檢索范圍，僅涉及相關(guān)數(shù)據(jù)。比如，對于每日索引庫，只按相關(guān)日期范圍檢索。對于檢索范圍中間的索引，避免使用范圍查詢/過濾器。
使用wildcards時忽略前綴wildcards - 除非你能對term建立倒排索引。雙端wildcards難以優(yōu)化。
關(guān)注資源消耗的相關(guān)跡象 數(shù)據(jù)節(jié)點的CPU占用持續(xù)飆高嗎？IQ等待走高嗎？看看GC統(tǒng)計。這些可以從profilers工具或者通過 JMX 代理獲得。如果 ParNewGC 消耗了超過15%的時間，去檢查下內(nèi)存日志。如果有任何的 SerialGC 停頓，你可能真的遇到問題了。不太了解這些內(nèi)容？
沒關(guān)系，這個系列博文很好地介紹了 JVM性能 。記住， ES和G1垃圾回收器一起并非最佳 。
如果遇到垃圾回收問題，請不要嘗試調(diào)整GC設(shè)置。這一點經(jīng)常發(fā)生，因為默認設(shè)置已經(jīng)很合理了。相反，應(yīng)該聚焦在減少內(nèi)存分配上。具體怎么做？參考下文。
如果遇到內(nèi)存問題，但沒有時間解決，可考慮查詢Azul Zing。這是一個很貴的產(chǎn)品，但僅僅使用它們的JVM就可以提升2倍的吞吐量。不過最終我們并沒有使用它，因為我們無法證明物有所值。
考慮使用緩存，包括 Elasticsearch 外緩存和 Lucene 級別的緩存。在 Elasticsearch 1.X 中可以通過使用 filter 來控制緩存。之后的版本中看起來更難一些，但貌似可以實現(xiàn)自己用于緩存的查詢類型。我們在未來升級到2.X的時候可能會做類似的工作。
查看是否有熱點數(shù)據(jù)（比如某個節(jié)點承擔(dān)了所有的負載）?？梢試L試均衡負載，使用分片分配過濾策略 shard allocation filtering ，或者嘗試通過集群重新路由 cluster rerouting 來自行遷移分片。我們已經(jīng)使用線性優(yōu)化自動重新路由，但使用簡單的自動化策略也大有幫助。
搭建測試環(huán)境（我更喜歡筆記本）可從線上環(huán)境加載一部分代表性的數(shù)據(jù)（建議至少有一個分片）。使用線上的查詢回放加壓（較難）。使用本地設(shè)置來測試請求的資源消耗。
綜合以上各點，在 Elasticsearch 進程上啟用一個 profiler。這是本列表中最重要的一條。
我們同時通過 Java Mission Control 和 VisualVM 使用飛行記錄器。在性能問題上嘗試投機（包括付費顧問/技術(shù)支持）的人是在浪費他們（以及你自己）的時間。排查下 JVM 哪部分消耗了時間和內(nèi)存，然后探索下 Elasticsearch/Lucene 源代碼，檢查是哪部分代碼在執(zhí)行或者分配內(nèi)存。
一旦搞清楚是請求的哪一部分導(dǎo)致了響應(yīng)變慢，你就可以通過嘗試修改請求來優(yōu)化（比如， 修改term聚合的執(zhí)行提示 ，或者切換查詢類型）。修改查詢類型或者查詢順序，可以有較大影響。如果不湊效，還可以嘗試優(yōu)化 ES/Lucene 代碼。這看起來太夸張，卻可以為我們降低3到4倍的CPU消耗和4到8倍的內(nèi)存使用。某些修改很細微（比如 indices query ），但其他人可能要求我們完全重寫查詢執(zhí)行。最終的代碼嚴(yán)重依賴于我們的查詢模式，所以可能適合也可能不適合他人使用。因此目前為止我們并沒有開源這部分代碼。不過這可能是下一篇博文的好素材。
圖表說明：響應(yīng)時間。有/沒有 重寫 Lucene 查詢執(zhí)行。同時也表明不再有節(jié)點每天多次發(fā)生內(nèi)存不足。
感謝各位的閱讀，以上就是“如何調(diào)優(yōu)Elasticsearch”的內(nèi)容了，經(jīng)過本文的學(xué)習(xí)后，相信大家對如何調(diào)優(yōu)Elasticsearch這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是創(chuàng)新互聯(lián)，小編將為大家推送更多相關(guān)知識點的文章，歡迎關(guān)注！
重慶分公司
重慶分公司
