Elasticsearch面试常见问题
- ES中的倒排索引是什么？
- ES是如何实现master选举的？
- 如何解决ES集群的脑裂问题？
- es新增文档详细过程
- 详细描述一下ES更新和删除文档的过程？
- 详细描述一下ES搜索的过程？
- es索引是什么?
- Elasticsearch在部署时，对Linux的设置有哪些优化方法?
- 是否了解字典树？
- 在并发情况下，ES如果保证读写一致？
- 对于GC方面，在使用ES时要注意什么？
ES中的倒排索引是什么？
传统的检索方式是通过文章id，逐个遍历找到对应关键词的位置。
倒排索引: 是通过分词策略，形成了词典和文章的映射关系表，也称倒排表，这种词典 + 映射表即为倒排索引。
其中词典中存储词元，倒排表中存储该词元在哪些文中出现的位置。
有了倒排索引，就能实现 O(1) 时间复杂度的效率检索文章了，极大的提高了检索效率
原理：
倒排索引的底层实现是基于：FST（Finite State Transducer）数据结构。
Lucene 从 4+ 版本后开始大量使用的数据结构是 FST。FST 有两个优点：
1）空间占用小。通过对词典中单词前缀和后缀的重复利用，压缩了存储空间；
2）查询速度快。O(len(str)) 的查询时间复杂度
ES是如何实现master选举的？
前置条件：
1）只有是候选主节点（master：true）的节点才能成为主节点。
2）最小主节点数（min_master_nodes）的目的是防止脑裂。
过程：
Elasticsearch 的选主是 ZenDiscovery 模块负责的，主要包含 Ping（节点之间通过这个RPC来发现彼此）和 Unicast（单播模块包含一个主机列表以控制哪些节点需要 ping 通）这两部分；
获取主节点的核心入口为 findMaster，选择主节点成功返回对应 Master，否则返回 null。
选举流程大致描述如下：
第一步：确认候选主节点数达标，elasticsearch.yml 设置的值 discovery.zen.minimum_master_nodes;
第二步：对所有候选主节点根据nodeId字典排序，每次选举每个节点都把自己所知道节点排一次序，然后选出第一个（第0位）节点，暂且认为它是master节点。
第三步：如果对某个节点的投票数达到一定的值（候选主节点数n/2+1）并且该节点自己也选举自己，那这个节点就是master。否则重新选举一直到满足上述条件。
补充：
这里的 id 为 string 类型。
master 节点的职责主要包括集群、节点和索引的管理，不负责文档级别的管理；data 节点可以关闭 http 功能。
如何解决ES集群的脑裂问题？
所谓集群脑裂，1.是指 Elasticsearch 集群中的节点（比如共 20 个），其中的 10 个选了一个 master，另外 10 个选了另一个 master 的情况。2.网络原因导致master节点连接超时，此时选举出新的master,原master重新连接
解决：
- 当集群 master 候选数量不小于 3 个时，可以通过设置最少投票通过数量（discovery.zen.minimum_master_nodes）超过所有候选节点一半以上来解决脑裂问题；
当候选数量为两个时，只能修改为唯一的一个 master 候选，其他作为 data 节点，避免脑裂问题 - 适当延长超时时间，减少因为网络波动造成的脑裂现象
es新增文档详细过程
第一步：客户端向集群某节点写入数据，发送请求。（如果没有指定路由/协调节点，请求的节点扮演协调节点的角色。）
第二步：协调节点接受到请求后，默认使用文档 ID 参与计算（也支持通过 routing），得到该文档属于哪个分片。随后请求会被转到另外的节点。分片路由算法：shard =hash(document_id)%(num_of_primary_shards) – hash（文档id模上分片数量）
第三步：当分片所在的节点接收到来自协调节点的请求后，会将请求写入到存储缓存 Memory Buffer ，然后定时（默认是每隔 1 秒）写入到文件系统缓存Filesystem Cache，这个从 Momery Buffer 到 Filesystem Cache 的过程就叫做refresh；此时文档可读，基于这种机制，es可以实现近乎实时查询，文档写入，最快一秒钟被索引到，不能再快了。
第四步：当然在某些情况下，存在 Memery Buffer 和 Filesystem Cache 的数据可能会丢失，ES 是通过 translog 的机制来保证数据的可靠性的。其实现机制是接收到请求后，同时也会写入到 translog 中，当 Filesystem cache 中的数据写入到disk磁盘中时，才会清除掉，这个过程叫做刷写 flush；
第五步：在 flush 过程中，内存中的缓冲将被清除，内容被写入一个新段，段的 fsync 将创建一个新的提交点，并将内容刷新到磁盘，旧的 translog 将被删除并开始一个新的 translog。
第六步：flush 触发的时机是定时触发（默认 30 分钟）或者 translog 变得太大（默认为 512 M）时。
● 补充：关于 Lucene 的 Segement：
Lucene 索引是由多个段组成，段本身是一个功能齐全的倒排索引。
段是不可变的，允许 Lucene 将新的文档增量地添加到索引中，而不用从头重建索引。
对于每一个搜索请求而言，索引中的所有段都会被搜索，并且每个段会消耗 CPU 的时钟周、文件句柄和内存。这意味着段的数量越多，搜索性能会越低。
为了解决这个问题，Elasticsearch 会合并小段到一个较大的段，提交新的合并段到磁盘，并删除那些旧的小段。（段合并）
详细描述一下ES更新和删除文档的过程？
删除和更新也都是写操作，但是 Elasticsearch 中的文档是不可变的，因此不能被删除或者改动以展示其变更。
磁盘上的每个段都有一个相应的 .del 文件。当删除请求发送后，文档并没有真的被删除，而是在 .del 文件中被标记为删除。该文档依然能匹配查询，但是会在结果中被过滤掉。当段合并时，在 .del 文件中被标记为删除的文档将不会被写入新段。
在新的文档被创建时，Elasticsearch 会为该文档指定一个版本号，当执行更新时，旧版本的文档在 .del 文件中被标记为删除，新版本的文档被索引到一个新段。旧版本的文档依然能匹配查询，但是会在结果中被过滤掉。
详细描述一下ES搜索的过程？
搜索被执行成一个两阶段过程，即 Query Then Fetch；
Query阶段：
查询会广播到索引中每一个分片拷贝（主分片或者副本分片）。每个分片在本地执行搜索并构建一个匹配文档的大小为 from + size 的优先队列。PS：在搜索的时候是会查询Filesystem Cache的，但是有部分数据还在Memory Buffer，所以搜索是近实时的。
每个分片返回各自优先队列中 所有文档的 ID 和排序值 给协调节点，它合并这些值到自己的优先队列中来产生一个全局排序后的结果列表。
Fetch阶段：
协调节点辨别出哪些文档需要被取回并向相关的分片提交多个 GET 请求。每个分片加载并 丰富 文档，如果有需要的话，接着返回文档给协调节点。一旦所有的文档都被取回了，协调节点返回结果给客户端。
es索引是什么?
ES集群包含多个索引，每个索相当于数据库中的包含一种表，表包含多个文档id相当于行，并且每个文档包含不同的属性相当于列。
Elasticsearch在部署时，对Linux的设置有哪些优化方法?
● 1）关闭缓存swap;
● 2）堆内存设置为：Min（节点内存/2, 32GB）;
● 3)设置最大文件句柄数；
● 4）线程池+队列大小根据业务需要做调整；
● 5）磁盘存储raid方式——存储有条件使用RAID10，增加单节点性能以及避免单节点存储故障。
是否了解字典树？
Trie 的核心思想是空间换时间，利用字符串的公共前缀来降低查询时间的开销以达到提高效率的目的。它有 3 个基本性质：
1、根节点不包含字符，除根节点外每一个节点都只包含一个字符。
2、从根节点到某一节点，路径上经过的字符连接起来，为该节点对应的字符串。
3、每个节点的所有子节点包含的字符都不相同。
在并发情况下，ES如果保证读写一致？
1.版本号控制。避免旧版本覆盖新版本，通过应用层控制。
2.对于写操作，可以设置一致性级别 quorum：大多数分片可用 one ： 主分片可用 all ：所有分片可用。
3.对于读操作，可以设置replication为sync(默认)，这使得操作在主分片和副本分片都完成后才会返回；如果设置replication为async时，也可以通过设置搜索请求参数_preference为primary来查询主分片，确保文档是最新版本。
对于GC方面，在使用ES时要注意什么？
1）倒排词典的索引需要常驻内存，无法GC，需要监控data node上segment memory增长趋势。
2）各类缓存，field cache, filter cache, indexing cache, bulk queue等等，要设置合理的大小，并且要应该根据最坏的情况来看heap是否够用，也就是各类缓存全部占满的时候，还有heap空间可以分配给其他任务吗？避免采用clear cache等“自欺欺人”的方式来释放内存。
3）避免返回大量结果集的搜索与聚合。确实需要大量拉取数据的场景，可以采用scan & scroll api来实现。
4）cluster stats驻留内存并无法水平扩展，超大规模集群可以考虑分拆成多个集群通过tribe node连接。
5）想知道heap够不够，必须结合实际应用场景，并对集群的heap使用情况做持续的监控
