分布式系统中深度分页的问题
- ElasticSearch 天生就是分布式的,数据保存在多个分片和多台机器上的;
- 当发起一个查询,指定其 From=990,Size=10 的时候,会在每个分片上都先获取 1000 个文档;然后通过 Coordinating Node 聚合所有的结果;最后再通过排序选取前 1000 个文档;
- 页数越深,占用内存越多,为了避免深度分页带来的内存开销,ElasticSearch 有一个设定,默认限制到 10000 个文档,由参数
Index.max_result_window
控制;
From & Size | 举个栗子
- from + size 的值大于 10000,ElasticSearch 会报错;
POST tmdb/_search
{
"from": 10000,
"size": 1,
"query": {
"match_all": {
}
}
}
POST tmdb/_search
{
"from": 0,
"size": 10001,
"query": {
"match_all": {
}
}
}
避免深度分页问题 | Search After
- 使用 search_after 的 API 可以避免深度分页;
- 避免深度分页的性能问题,可以实时获取下一页文档的信息
- search_after 不支持指定 From;
- search_after 只能往下翻;
- search_after 使用时的第一步需要指定 sort,并且保证值是唯一的(可以通过加入 _id 保证唯一性)
- 然后使用上一次,最后一个文档的 sort 值,加入到 search_after 里面,进行查询;
Search After | 举个栗子
准备数据
DELETE users
POST users/_doc
{"name":"user1","age":10}
POST users/_doc
{"name":"user2","age":11}
POST users/_doc
{"name":"user2","age":12}
POST users/_doc
{"name":"user2","age":13}
POST users/_count
先取 1 条数据,得到其 sort 字段的值:sort:10,_id:ZQ0vYGsBrR8X3IP75QqX
;
POST users/_search
{
"size": 1,
"query": {
"match_all": {}
},
"sort": [
{"age": "desc"} ,
{"_id": "asc"}
]
}
调用 search_after API,指定上一步查出来的用于 sort 的字段的值;
POST users/_search
{
"size": 1,
"query": {
"match_all": {}
},
"search_after":
[
10,
"ZQ0vYGsBrR8X3IP75QqX"],
"sort": [
{"age": "desc"} ,
{"_id": "asc"}
]
}
Search After API 是如何解决深度分页的问题
- 假定 Size 是 10,当查询到 990 - 1000 的文档时;
- 通过 search_after 的 sort 的定位,Coordinating Node 每次只需要在分片上取回 10 条文档,这样就可以通过控制文档的个数,避免深度分页的开销;
Scroll API
- 在调用的第一次,指定一个 Scroll 存活的时间,ElasticSearch 会基于这个请求创建一个快照,带来的问题是:有新的数据写入后,无法被查到;
- 当得到 Scroll 的 Id 后,每次查询输入上一次的 Scroll Id;
Scroll API | 举几个栗子
准备数据
DELETE users
POST users/_doc
{"name":"user1","age":10}
POST users/_doc
{"name":"user2","age":20}
POST users/_doc
{"name":"user3","age":30}
基于 Scroll API 创建快照
- 快照生效的时间是 5 分钟;
- 执行后会返回第一条数据,并得到第一条 Scroll Id:
DXF1ZXJ5QW5kRmV0Y2gBAAAAAAAAAWAWbWdoQXR2d3ZUd2kzSThwVTh4bVE0QQ==
;
POST /users/_search?scroll=5m
{
"size": 1,
"query": {
"match_all" : {
}
}
}
再写入一个文档
POST users/_doc
{"name":"user4","age":40}
调用 Scroll API
- 带上第一次得到的 Scroll Id:
DXF1ZXJ5QW5kRmV0Y2gBAAAAAAAAAWAWbWdoQXR2d3ZUd2kzSThwVTh4bVE0QQ==
,返回第二条数据,并得到第二个 Scroll Id; - 就这样一次次的查,就能获取快照中的所有数据;
- 快照生成的时候,只有 3 条数据,那么在快照期间新写入的文档,就不会被查询到;
POST /_search/scroll
{
"scroll" : "1m",
"scroll_id" : "DXF1ZXJ5QW5kRmV0Y2gBAAAAAAAAAWAWbWdoQXR2d3ZUd2kzSThwVTh4bVE0QQ=="
}
不同搜索类型 | 使用场景
Regular
一般调用 ES 的查询时,只会返回头部的最新的 10 条文档,例如查询最新的订单;
Scroll
需要获取索引中的所有文档,例如导出全部数据;
Pagination
如果有分页的需求,可以使用 From & Size;如果页数非常深的时候,选用 Search After,局限性就是每次只能往后查询;