面試題
es 在數據量很大的情況下（數十億級別）如何提高查詢效率啊？
面試官心理分析
這個問題是肯定要問的，說白了，就是看你有沒有實際幹過 es，因為啥？其實 es 性能並沒有你想象中那麼好的。很多時候數據量大了，特別是有幾億條數據的時候，可能你會懵逼的發現，跑個搜索怎麼一下 5~10s，坑爹了。第一次搜索的時候，是5~10s，後面反而就快了，可能就幾百毫秒。
你就很懵，每個用戶第一次訪問都會比較慢，比較卡麼？所以你要是沒玩兒過 es，或者就是自己玩玩兒 demo，被問到這個問題容易懵逼，顯示出你對 es 確實玩兒的不怎麼樣？
面試題剖析
說實話，es 性能優化是沒有什麼銀彈的，啥意思呢？就是不要期待著隨手調一個參數，就可以萬能的應對所有的性能慢的場景。也許有的場景是你換個參數，或者調整一下語法，就可以搞定，但是絕對不是所有場景都可以這樣。
性能優化的殺手鐧——filesystem cache
你往 es 裡寫的數據，實際上都寫到磁盤文件裡去了，查詢的時候，操作系統會將磁盤文件裡的數據自動緩存到 filesystem cache 裡面去。
es 的搜索引擎嚴重依賴於底層的 filesystem cache，你如果給 filesystem cache 更多的內存，儘量讓內存可以容納所有的 idx segment file 索引數據文件，那麼你搜索的時候就基本都是走內存的，性能會非常高。
性能差距究竟可以有多大？我們之前很多的測試和壓測，如果走磁盤一般肯定上秒，搜索性能絕對是秒級別的，1秒、5秒、10秒。但如果是走 filesystem cache，是走純內存的，那麼一般來說性能比走磁盤要高一個數量級，基本上就是毫秒級的，從幾毫秒到幾百毫秒不等。
這裡有個真實的案例。某個公司 es 節點有 3 臺機器，每臺機器看起來內存很多，64G，總內存就是 64 * 3 = 192G。每臺機器給 es jvm heap 是 32G，那麼剩下來留給 filesystem cache 的就是每臺機器才 32G，總共集群裡給 filesystem cache 的就是 32 * 3 = 96G 內存。而此時，整個磁盤上索引數據文件，在 3 臺機器上一共佔用了 1T 的磁盤容量，es 數據量是 1T，那麼每臺機器的數據量是 300G。這樣性能好嗎？ filesystem cache 的內存才 100G，十分之一的數據可以放內存，其他的都在磁盤，然後你執行搜索操作，大部分操作都是走磁盤，性能肯定差。
歸根結底，你要讓 es 性能要好，最佳的情況下，就是你的機器的內存，至少可以容納你的總數據量的一半。
根據我們自己的生產環境實踐經驗，最佳的情況下，是僅僅在 es 中就存少量的數據，就是你要用來搜索的那些索引，如果內存留給 filesystem cache 的是 100G，那麼你就將索引數據控制在 100G 以內，這樣的話，你的數據幾乎全部走內存來搜索，性能非常之高，一般可以在 1 秒以內。
比如說你現在有一行數據。id,name,age .... 30 個字段。但是你現在搜索，只需要根據 id,name,age 三個字段來搜索。如果你傻乎乎往 es 裡寫入一行數據所有的字段，就會導致說 90% 的數據是不用來搜索的，結果硬是佔據了 es 機器上的 filesystem cache 的空間，單條數據的數據量越大，就會導致 filesystem cahce 能緩存的數據就越少。其實，僅僅寫入 es 中要用來檢索的少數幾個字段就可以了，比如說就寫入es id,name,age 三個字段，然後你可以把其他的字段數據存在 mysql/hbase 裡，我們一般是建議用 es + hbase 這麼一個架構。
hbase 的特點是適用於海量數據的在線存儲，就是對 hbase 可以寫入海量數據，但是不要做複雜的搜索，做很簡單的一些根據 id 或者範圍進行查詢的這麼一個操作就可以了。從 es 中根據 name 和 age 去搜索，拿到的結果可能就 20 個 doc id，然後根據 doc id 到 hbase 裡去查詢每個 doc id 對應的完整的數據，給查出來，再返回給前端。
寫入 es 的數據最好小於等於，或者是略微大於 es 的 filesystem cache 的內存容量。然後你從 es 檢索可能就花費 20ms，然後再根據 es 返回的 id 去 hbase 裡查詢，查 20 條數據，可能也就耗費個 30ms，可能你原來那麼玩兒，1T 數據都放es，會每次查詢都是 5~10s，現在可能性能就會很高，每次查詢就是 50ms。
數據預熱
假如說，哪怕是你就按照上述的方案去做了，es 集群中每個機器寫入的數據量還是超過了 filesystem cache 一倍，比如說你寫入一臺機器 60G 數據，結果 filesystem cache 就 30G，還是有 30G 數據留在了磁盤上。
其實可以做數據預熱。
舉個例子，拿微博來說，你可以把一些大V，平時看的人很多的數據，你自己提前後臺搞個系統，每隔一會兒，自己的後臺系統去搜索一下熱數據，刷到 filesystem cache 裡去，後面用戶實際上來看這個熱數據的時候，他們就是直接從內存裡搜索了，很快。
或者是電商，你可以將平時查看最多的一些商品，比如說 iphone 8，熱數據提前後臺搞個程序，每隔 1 分鐘自己主動訪問一次，刷到 filesystem cache 裡去。
對於那些你覺得比較熱的，經常會有人訪問的數據，最好做一個專門的緩存預熱子系統，就是對熱數據每隔一段時間，就提前訪問一下，讓數據進入 filesystem cache 裡面去。這樣下次別人訪問的時候，一定性能會好一些。
分頁性能優化
es 的分頁是較坑的，為啥呢？舉個例子吧，假如你每頁是 10 條數據，你現在要查詢第 100 頁，實際上是會把每個 shard 上存儲的前 1000 條數據都查到一個協調節點上，如果你有個 5 個 shard，那麼就有 5000 條數據，接著協調節點對這 5000 條數據進行一些合併、處理，再獲取到最終第 100 頁的 10 條數據。
分佈式的，你要查第 100 頁的 10 條數據，不可能說從 5 個 shard，每個 shard 就查 2 條數據？最後到協調節點合併成 10 條數據？你必須得從每個 shard 都查 1000 條數據過來，然後根據你的需求進行排序、篩選等等操作，最後再次分頁，拿到裡面第 100 頁的數據。你翻頁的時候，翻的越深，每個 shard 返回的數據就越多，而且協調節點處理的時間越長，非常坑爹。所以用 es 做分頁的時候，你會發現越翻到後面，就越是慢。
我們之前也是遇到過這個問題，用 es 作分頁，前幾頁就幾十毫秒，翻到 10 頁或者幾十頁的時候，基本上就要 5~10 秒 才能查出來一頁數據了。
有什麼解決方案嗎？
不允許深度分頁（默認深度分頁性能很差）
跟產品經理說，你係統不允許翻那麼深的頁，默認翻的越深，性能就越差。
類似於 app 裡的推薦商品不斷下拉出來一頁一頁的
類似於微博中，下拉刷微博，刷出來一頁一頁的，你可以用 scroll api，關於如何使用，自行上網搜索。
scroll 會一次性給你生成所有數據的一個快照，然後每次滑動向後翻頁就是通過遊標 scroll_id 移動，獲取下一頁下一頁這樣子，性能會比上面說的那種分頁性能要高很多很多，基本上都是毫秒級的。
但是，唯一的一點就是，這個適合於那種類似微博下拉翻頁的，不能隨意跳到任何一頁的場景。也就是說，你不能先進入第 10 頁，然後去第 120 頁，然後又回到第 58 頁，不能隨意亂跳頁。所以現在很多產品，都是不允許你隨意翻頁的，app，也有一些網站，做的就是你只能往下拉，一頁一頁的翻。
初始化時必須指定 scroll 參數，告訴 es 要保存此次搜索的上下文多長時間。你需要確保用戶不會持續不斷翻頁翻幾個小時，否則可能因為超時而失敗。
除了用 scroll api，你也可以用 search_after 來做，search_after 的思想是使用前一頁的結果來幫助檢索下一頁的數據，顯然，這種方式也不允許你隨意翻頁，你只能一頁頁往後翻。初始化時，需要使用一個唯一值的字段作為 sort 字段。
閱讀更多 程序員界的彭于晏 的文章
