How To

Elasticsearch默认是提供了一个非常简单的即开即用体验。用户无需修改什么配置就可以直接使用全文检索、结果高亮、聚合、索引功能。

但是想在项目中使用高性能的Elasticsearch，有几方面优化方法最好掌握。

本文就是为了引导如何优化。

常规建议

不要一次返回太大量的搜索结果集

Elasticsearch设计作为一个搜索引擎，非常擅长返回匹配的查询结果。但是，它并不合适像数据库一样，把整个document作为查询结果返回。如果非要这样做，最好还是使用Scroll这个接口来。

避免索引稀疏

Elasticsearch是基于Lucene进行索引和存储数据的，最佳的工作方式是密集的数据，即是所有的document拥有相同的字段。特别是启用了norms（通常是text字段是默认开启）或者启用了doc_values（通常是numerics, date, ip 或 keyword 是默认开启）的字段。

原因是Lucene内部是通过由0到索引 document 总数的 doc_id 来识别 document 。doc_id 用于Lucene api内部之间的通讯：例如使用关键词 match 查询得到的doc_id，然后这些doc_id用于检索 norms 的值去计算 score(匹配得分)。这个 norms 查找方式实现目前是通过为每个 document 保留一个字节。doc_id 可以直接读取该 document 的 norms 值。这种方式好处是可以帮助Lucene快速访问每个 document ，缺点是每个 document 还需要额外占多一个字节的存储。

实际上，这就意味着如果一个index里面有M个document，每个字段的norms就需要M个字节的存储，就算某些字段只是包含在小部份 document 。虽然复杂的类型字段存储使用doc_values，但是一样还会占用存储的。众所周知，fielddata 类型在 pre-2.0之后被替换成 doc_values ，除非 fielddata已经写在硬盘上了，在内存里面的话，也是有这个问题。

需要注意的是，稀疏存储会对索引和搜索速度有明显的影响，额外的存储字节虽然不是字段，也是需要花费时间去索引和搜索的。

当然，index是允许存在少数稀疏情况的，但是如果稀疏数量教大，则会影响整个index的效率。

本章节主要集中在 norms 和 doc_values 这两个影响较大的特性。稀疏情况会影响倒排索引（用于索引 text/keyword 字段）和坐标点类型字段（用于索引 geo_point 和 numeric），影响的程度不一样。

下面有几点推荐能避免稀疏：

避免把无关联的数据放在同一个index

不要把完全不同的数据结构 document 放在同一个 index 里面。最好是将这些 document 放到不同的index里面，可以考虑创建一些较小的index， 用较少的shard去存储。

注意，这个建议不适用于有使用 parent/child 这种带关系的 document 放在同一个 index 的情况。

标准化 document 结构

如果必需把不同类型的 document 放在同一个 index里面，也是有机会减少稀疏情况的。例如，在 index 内所有的 document 都添加一个时间戳字段，通常叫"timestamp"或者"creation_date"，它将会有助于把所有的 document 重命成相同的字段。

避免不同的 type 放在同一个index

多个 type 放在单个 index 看起来是个简单的方法。但是Elasticsearch并不是基于 type来存储的，不同的 type 在单个 index 也会影响效率。如果 type 没有非常相似的 mapping，建议考虑放到一个单独的 index 上面。

对于不同的字段禁用 norms 和 doc_values

如果以上建议适用，还需要检查字段是否启用了 norms 和 doc_values。通常只用于过滤而不需要进行打分（匹配度打分）的字段，可以直接禁用 norms 。不用于排序或者聚合的字段可以禁用 doc_values 。注意，如果在已有的 index 做这些变更，是需要对 index 做 reindex的动作。

调优索引速度

使用 bulk 请求

Bulk 批量请求比单次 document 索引请求性能更好。为了验证最优批量请求的大小，可以做一个基准测试，用一个单节点跑一个单 shard 。先尝试索引100个document，然后 200， 然后400，等等。每次运行基准测试就相应加倍 document 的数量。取得索引速度最高的数值，就是最佳的bulk批量请求数。当然，批量请求也不是越多 document 越好。如果并发同时请求，太大的 bulk 请求会使集群内存压力变大，所以建议避免每次请次超过几十M，这样会获得较好的性能。

使用多进程/多线程去发送数据到Elasticsearch

一个单线程发送 bulk 请求似乎不能够发挥一个集群的索引能力。为了更好地利用集群的资源，应该使用多线程或多进程来发送数据，同时这将有助于减少每次 fsync 的成本。

一定要留意系统是否返回 TOO_MANY_REQUESTS (429) 代码。（通常Java client返回是EsRejectedExecutionException），这是表示Elasticsearch无法跟上当前的索引速度。发生这种情况时可以暂停一下索引一会再试。尝试更换 bulk 一个随机值或理想值。

对于相同大小的 bulk 请求，通过测试可以得到最优的线程数量。可以逐步增加线程数量直至到集群中的机器IO或CPU饱和。

增加 refresh_interval 刷新的间隔时间

index.refresh_interval的默认值是 1s，这迫使Elasticsearch集群每秒创建一个新的 segment （可以理解为Lucene 的索引文件）。增加这个值，例如30s，可以允许更大的segment写入，减后以后的segment合并压力。

在初始化索引时，可以禁用 refresh 和 replicas 数量

如果需要一次加载较大的数据量进 index 里面时，可以先禁用 refresh ，把 index.refresh_interval 设置成为 -1 ，把 index.number_of_replicas 设置成 0。暂时把多个shard副本关闭（即如果当前index发生损坏便用丢失数据），但是这样做可以大大加快索引速度。当初始化索引完成，可以将 index.refresh_interval 和 index.number_of_replicas 设置回原来的值。

禁用 swapping

把操作系统的虚拟内存交换区关闭。sysctl 里面添加 vm.swappiness = 1

确保有空闲的内存给文件系统缓存

文件系统缓存是为了缓冲磁盘的IO操作。至少确保有一半机器的内存保留给操作系统，而不是JAVA VM占用了全部内存。

使用更快的硬件

当然这个不用说了上SSD是最好的了。如果有多个SSD硬盘，可以配置成 RAID 0阵列取得更佳的IO性能。但是任何一个SSD损坏都有可能弄坏 index。通常正确的权衡是优化单的shard存储性能，然后添加 replicas 放在不同的节点。同时使用 snapshot 快照和 restore 功能去备份 index。

索引 buffer 大小

如果节点在做非常大的索引动作，需要确保 indices.memory.index_buffer_size足够大，最多可以设置为512M的buffer。除此之外增加这个值，性能通常不会得到改善。

Elasticsearch的活跃shard需要使用java的heap内存的百份比或者绝对值去作为一个共享缓冲区。非常活跃的shard自然会使用较频繁。

这个默认值是通常是10%，例如，如果JVM设置为10GB内存为heap，那么就会有1GB的索引缓冲区提供给大量的索引shard。