本文主要是介绍elasticsearch内部原理自我总结，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
环境
elasticsearch：5.5
自我理解
对于elasticsearch我自己也是新手，只是想做点笔记，记录下自己的理解。
我一直想明白当一个文档被索引进elasticsearch时，其内部干什么了？
本人结合网上的教程，记录下
倒排索引
一个新文档要使其可见，需要使用倒排索引，其长相如下：
| 词项 | 文档1 | 文档2 | 文档3 | … |
|---|---|---|---|---|
| 中国 | X | X | … | |
| 小米 | X | X | X | … |
| 华为 | X | X | … | |
| 南昌 | X | X | … |
有了倒排索引之后，新进的文档就可以被搜索到了。
注意：倒排索引被写入磁盘后是 不可改变 的:它永远不会修改。 不变性有重要的价值
①不需要锁。如果你从来不更新索引，你就不需要担心多进程同时修改数据的问题。
② 一旦索引被读入内核的文件系统缓存，便会留在哪里，由于其不变性。只要文件系统缓存中还有足够的空间，那么大部分读请求会直接请求内存，而不会命中磁盘。这提供了很大的性能提升。
③其它缓存(像filter缓存)，在索引的生命周期内始终有效。它们不需要在每次数据改变时被重建，因为数据不会变化。
④写入单个大的倒排索引允许数据被压缩，减少磁盘 I/O 和 需要被缓存到内存的索引的使用量。
当然，一个不变的索引也有不好的地方。主要事实是它是不可变的! 你不能修改它。如果你需要让一个新的文档 可被搜索，你需要重建整个索引。这要么对一个索引所能包含的数据量造成了很大的限制，要么对索引可被更新的频率造成了很大的限制。
动态更新（倒排）索引
由于倒排索引具有不变性（一旦被写入磁盘就不能再改变），那么我们如何来实现更新倒排索引呢？官方的做法就是用更多的倒排索引。通过增加新的倒排索引来反应新近的修改，而不是重写整个倒排索引，毕竟重写整个倒排索引，要消耗巨大资源；每一个倒排索引都会被轮流查询到–从最早的开始–查询完后再对结果进行合并。
如果一个新文档立马就写入磁盘也会影响性能，所以新的文档首先被添加到内存索引缓存中，然后写入基于磁盘的段中，接着包含这个新段的提交点也会被写入磁盘，接着磁盘同步，把文件系统缓存中的文档刷新到磁盘，接着新段被打开，使其可以被搜索到，接着内存索引缓存被清空，等待接受新的文档。
注意
段其实就是倒排索引，其不能被改变。当文档发生改变时，每个提交点会包含一个
.del文件，文件中会列出这些被删除文档的段信息。所以文档被删除时，并不会立马被删除，只是被标记了，其依然可以被搜索到，只不过在结果集返回前就已经移除了。
这里有一个新的问题就是磁盘同步是一件很消耗资源的事情，如果每次插入一个文档都去执行的话，就会造成很大的性能问题。这意味着我们再插入新文档时，不能立马就进行同步。
我们要知道在Elasticsearch和磁盘之间是文件系统缓存。
新文档 写入 内存索引缓存中，接着会写入到新段上，重点来了，这个新段不会直接写入磁盘而是先写入到文件系统缓存中，稍后才会写入到磁盘。只要文件已经在缓存中，就可以像其他文件一样被打开和读取了。
refresh
在elasticsearch中，写入和打开一个新段（倒排索引）的轻量的过程叫做refresh。也就是把内存索引缓存中的数据写到新段的一个过程。由于elasticsearch默认每个分片是每秒自动刷新一次。这就造成其索引是近实时搜索而不是实时搜索。最长需要等待1秒。
目前处于性能考虑，我们文档还放在文件系统缓存中，如果不进行同步到磁盘的话，假设断电了，数据就丢失了。而由于上面也说明，同步不是实时的，是每个一段时间同步一次，默认是30分钟一次。假设elasticsearch9点同步过了，下次需要在9点半同步，而此时刚好断电了，这时内存里的数据就全部丢失了。但是我们又不想丢失掉。所以elasticsearch引入了translog或者叫事务日志。
那么其最终的流程就变成了：
1、一个文档被索引（插入）后，就会被添加到内存缓存区，并且追加到translog；
2、分片默认是每秒刷新一次；即把内存缓存区里的数据刷新写入到新段中(文件系统缓存中)，此时没有进行fsync（磁盘同步）。
3、这个新段会被打开并且使其可被搜索。
4、内存缓存区被清空。
5、这个进程会继续工作，更多的文档被添加进内容缓存区和追加事务日志。
6、这也就意味着每隔一段时间translog会变得越来越大。这时（倒排）索引被flush；与此同时一个新translog会被创建，并且一个全量提价被执行：
①所有在内存缓存区的文档都被写入到新段。
②缓存区被清空
③一个提交点被写入硬盘
④文件系统缓存通过fsync被刷新（flush）
⑤老的translog被删除
translog 提供所有还没有被刷到磁盘的操作的一个持久化纪录。当 Elasticsearch 启动的时候， 它会从磁盘中使用最后一个提交点去恢复已知的段，并且会重放 translog 中所有在最后一次提交后发生的变更操作。
translog 也被用来提供实时 CRUD 。当你试着通过ID查询、更新、删除一个文档，它会在尝试从相应的段中检索之前， 首先检查 translog 任何最近的变更。这意味着它总是能够实时地获取到文档的最新版本。
flush
对translog进行截断并进行提交的行为在elasticsearch中称作flush。分片每30分钟被自动刷新（flush），或者在 translog 太大的时候也会刷新。请查看 translog 文档 来设置，它可以用来 控制这些阈值。
这时其实还有个小问题，要是translog在断电之前还没有写入磁盘，这时，数据照样还是会丢失。默认情况下translog是每5秒fsync到磁盘或者在每次写请求完成之后。对于这种情况，官方说明：但是对于一些大容量的偶尔丢失几秒数据问题也并不严重的集群，使用异步的 fsync 还是比较有益的。
由于自动刷新refresh每秒创建一个段，这样就会造成短时间内，段数量暴增。而段数目太多会带来较大的麻烦。 每一个段都会消耗文件句柄、内存和cpu运行周期。更重要的是，每个搜索请求都必须轮流检查每个段；所以段越多，搜索也就越慢。
Elasticsearch通过在后台进行段合并来解决这个问题。小的段被合并到大的段，然后这些大的段再被合并到更大的段。
段合并的时候会将那些旧的已删除文档 从文件系统中清除。 被删除的文档（或被更新文档的旧版本）不会被拷贝到新的大段中。
启动段合并不需要你做任何事。进行索引和搜索时会自动进行。
1、 当索引的时候，刷新（refresh）操作会创建新的段并将段打开以供搜索使用。
2、 合并进程选择一小部分大小相似的段，并且在后台将它们合并到更大的段中。这并不会中断索引和搜索。
合并完成时的活动：
- 新的段被刷新到了磁盘。
- 写入一个提交点，该提交点包含新段且排除旧的和较小的段
- 新的段被打开用来搜索
- 老的段被删除
合并大的段需要消耗大量的I/O和CPU资源，如果任其发展会影响搜索性能。Elasticsearch在默认情况下会对合并流程进行资源限制，所以搜索仍然 有足够的资源很好地执行。
参考地址：
https://www.elastic.co/guide/cn/elasticsearch/guide/cn/merge-process.html
https://www.elastic.co/guide/en/elasticsearch/guide/current/making-text-searchable.html
这篇关于elasticsearch内部原理自我总结的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
