海量数据系统架构的技术选型

https://db-engines.com/en/ran...

全文搜索引擎（NLP,爬虫，如百度）
垂直搜索引擎（电商，OA，站内搜索，视频网站）

搜索引擎具备要求：

  • 查问速度快(高效的压缩算法，疾速的编码和解码)
  • 后果精确（BM25,TF-IDF）
  • 检索后果丰盛（召回率）

上手Elasticsearch

环境装置

  • 操作系统|JDK|本身 兼容性
  • jdk(8|11|14) 兼容性
  • elastic.co/cn/downloads 兼容性

Elasticsearch目录构造

  • bin：可执行脚本文件，包含启动es服务、插件治理、函数命令
  • config：配置文件目录，es配置、角色配置、jvm配置等
  • lib：es所依赖的java库
  • data: 默认的数据寄存目录。蕴含节点、分片、索引、文档的所有数据，生产环境要求必须批改。
  • logs: 默认日志文件存储门路，生产环境务必批改。
  • modules: 蕴含所有es模块，如Cluster、Discovery、Indices等
  • plugins：曾经装置的插件目录
  • jdk/jdk.app 7.0当前才有，自带的java环境

启动

  • 启动 bin/elasticsearch ，关上 localhost:9200

  • 多节点形式

    • 多我的项目单节点

    • 单我的项目多节点

      elasticserach -E path.data=data1 -Ee path.logs=log1 -E node.name=node1 -E cluster.name=msb_teachelasticserach -E path.data=data1 -Ee path.logs=log1 -E node.name=node1 -E cluster.name=msb_teach

集群衰弱值

  • 衰弱值状态

    • green 所有primary和replica均为active,集群衰弱
    • yellow，至多一个replica不可用，但所有primary均active，数据认可保障残缺
    • red:至多一个primary 不可用，集群不可用

  • 衰弱值查看

    • _cat/health
    • _cluster/health

kibana

  • 验证服务启动胜利 localhost:5601
  • 配置es服务地址elasticsearch.host:["http://localhost:9201"](kibana.yml)

  • 命令行敞开kibana:

    • 敞开窗口
    • ps -ef|grep 5601 或 ps -ef|grep kibana 或 lsof -i:5601
    • kill -9 pid

  • 对于“kibana server is not ready yet” 问题起因及解决办法

    • kibana和Elasticsearch版本不兼容（放弃版本统一）
    • Elasticsearch的服务地址和Kibana中配置的elasticsearch.hosts不同（elasticsearch.yml中配置）
    • Elasticsearch中禁止跨域拜访（elasticsearch.yml中配置容许跨域）
    • 服务器开启了防火墙（敞开防火墙或批改服务器安全策略）
    • Elasticsearch所在磁盘残余空间有余90%(清理磁盘空间，配置监控和报警)

透过景象看实质：带你看穿“索引”实质

索引

  • 帮忙疾速检索
  • 以数据结构为载体
  • 以文件模式落地

数据库的组成构造

为什么B+Trees(Mysql)不适宜大数据检索

  • mysql，十万级，无索引：0.295s
  • mysql, 百万级，无索引: 3.365s
  • mysql, 百万级，全文索引：1.033s
  • mysql, 千万级，全文索引：10.038s
  • es, 千万，.8s

mysql的索引构造 B-Trees 可视化

倒排索引齐全解读

倒排索引数据结构

倒排索引外围算法

  • 倒排表的压缩算法

    • FOR:Frame Of Reference




    • RBM:RoaringBitMap

  • 词项索引的检索原理

    • FST:Finit state Transducers
      http://examples.mikemccandles...

      FST在lucene的实现原理


正排索引倒排索引辨析：
首先要了解两种数据结构的概念doc values是文档到词项的映射，inverted是词项到文档id的映射。从原理上讲，先说倒排索引为什么不适宜聚合，你无奈通过倒排索引确定doc的总数量，并且因为默认会执行analysis，即便聚合，后果也可能不精确，所以你还要创立not_analyzed字段，徒增磁盘占用。举个最简略的例子，退出这是一个商品表，每个商品都有若干标，咱们执行了以下查问

query:{  match:{    tags:"性价比"  }，  aggs:{    tag_terms:{      terms:{        field:"tags.keyword"      }    }  }}

这段聚合查问的意思 查问蕴含“性价比” 这个标签商品的所有标签

在执行agg的时候
咱们应用倒排索引，那么语音是这样的的：在倒排索引中扫描一一term，看看这个term对应的倒排表中对应的doc的标签，是否蕴含“性价比”，如果蕴含，则记录，因为咱们不确定上面一个term是否符合条件，所以咱们就要一个个的判断，就造成了扫表。

如果应用正排索引，而正排索引指的是，doc中蕴含了哪些词项，也就是以后docid=>以后字段所蕴含的所有词项的映射，咱们要查找的是符合条件的doc中所有的标签，那么咱们间接更具key(docid)去拿values(all terms)就能够了，就不必扫表。

所以聚合查问应用正排索引效率高的实质是两种数据结构的区别，和联合倒排索引没有关系，联合倒排索引只是事后进行了数据筛选。以上是正排索引在原理上对聚合查问敌对的起因。

这两种数据结构在数据压缩上的不同：
doc values是一种序列化的列式存储构造，其中values也蕴含了词频数据。而这种构造是十分有利于数据压缩的（FOR和RBM压缩算法）因为Lucence底层读取文件的形式是局域mmap的，原理上是从磁盘读取到OS cache外面进行解码的，应用正排索引的数据结构，因为其列式存储的数据和posting list 一样能够被高效压缩，所以这种形式极大的减少了从磁盘中读取的速度，因为体积小了嘛，而后把数据在OS Cache中解码，这样的话读取速度就十分高，doc values更适宜于聚合的起因。

举个通俗易懂的例子
有二十个学生报名学习辅导班，每个学生能够报多个班，每个班都有一个班主任

正排索引就是班主任，也就是 每个班蕴含哪些学生

倒排索引就是，每个学生都报了哪些班

当初咱们要晓得音乐辅导班和美术辅导班都蕴含了哪些学生，问班主任问2次就行，如果咱们问学生，就要每个学生都问一遍，问他你是否报了音乐和美术辅导班，如果你不问玩每个学生，你永远不晓得你没有问过的学生是不是在音乐班和美术班里

在这个例子里，班主任相当于正排索引，每个doc就是一个班级，每个doc蕴含若干词项，每个词项就好比是一个学生。
班主任晓得每个班级有哪些学生，也就是每个doc蕴含哪些词项，学生只晓得本人属于哪些班，相当于哪些班级（doc）蕴含了这个词项。

Elasticsearch面试题汇总与解析

https://wenyuanblog.com/blogs...
https://blog.csdn.net/yy33945...