目录

倒排索引

---

倒排索引

Elasticsearch的倒排索引是一种数据结构，用于加快基于文本的搜索操作。它的主要优势在于能够快速找到包含特定单词的文档。

倒排索引的构建过程如下：

1. 文档分词：将文档内容分割成单独的词（或者更小的词元，如果是中文的话是分词）。

2. 创建词典：创建一个包含所有不重复词的列表，也称为词典。

3. 创建排序列表：对于词典中的每个词，创建一个排序列表，列出所有包含该词的文档ID。

倒排索引的理解可以通过以下例子来说明：

假设我们有两个文档，每个文档的内容如下：

文档1: "The quick brown fox jumped over the lazy dog."

文档2: "Quick brown foxes leap over lazy dogs in summer."

我们将这些文档发送给Elasticsearch进行索引，它将创建一个倒排索引，如下所示：

词典（terms）:

• Term      Doc_1  Doc_2
  -------------------------
  Quick   |       |  X
  The     |   X   |
  brown   |   X   |  X
  dog     |   X   |
  dogs    |       |  X
  fox     |   X   |
  foxes   |       |  X
  in      |       |  X
  jumped  |   X   |
  lazy    |   X   |  X
  leap    |       |  X
  over    |   X   |  X
  quick   |   X   |
  summer  |       |  X
  the     |   X   |
  ------------------------

排序列表（postings list）:

Term      Doc_1  Doc_2
-------------------------
brown   |   X   |  X
dog     |   X   |  X
fox     |   X   |  X
in      |       |  X
jump    |   X   |  X
lazy    |   X   |  X
over    |   X   |  X
quick   |   X   |  X
summer  |       |  X
the     |   X   |  X
------------------------

排序列表（倒排列表）通常包含以下信息：

• 文档ID：包含词的文档的唯一标识符。

• 词频（TF）：文档中词出现的次数。

• 位置（Position）：词在文档中的位置信息。

• 偏移量（Offset）：词在文档中的开始和结束位置。

现在，如果我们想搜索 quick brown ，我们只需要查找包含每个词条的文档：

Term      Doc_1  Doc_2
-------------------------
brown   |   X   |  X
quick   |   X   |
------------------------
Total   |   2   |  1

两个文档都匹配，但是第一个文档比第二个匹配度更高。

这就是Elasticsearch倒排索引的基本概念。

分片与副本机制

Elasticsearch 的分片和副本机制是确保集群高可用性和数据安全性的关键。

分片（Shard）:

分片是Elasticsearch在集群中分发数据的方式。将大量数据分散到多个分片中，可以提高搜索和其他操作的性能。

副本（Replica）:

副本是分片的副本，用于提供高可用性。当主分片（Leader）不可用时，副本分片（Follower）可以被提升为新的主分片。

创建索引时，可以定义分片数和副本数。例如，使用Elasticsearch的REST API创建一个有3个主分片和每个分片有一个副本的索引：

PUT /my_index
{"settings": {"number_of_shards": 3,"number_of_replicas": 1}
}

R0、R1、R2为P0、P1、P2的备份副本。

ElasticSearch各版本特性

5.x新特性

• Lucene 6.x， 性能提升，默认打分机制从TF-IDF改为BM 25
• 支持Ingest节点/ Painless Scripting / Completion suggested支持/原生的Java REST客户端Type标记成deprecated， 支持了Keyword的类型
• 性能优化

1. 内部引擎移除了避免同一文档并发更新的竞争锁，带来15% - 20%的性能提升
2. Instant aggregation,支持分片，上聚合的缓存
3. 新增了Profile API

6.x新特性

• Lucene 7.x
• 新功能

1. 跨集群复制(CCR)
2. 索引生命周期管理
3. SQL的支持

• 更友好的的升级及数据迁移

1. 在主要版本之间的迁移更为简化，体验升级
2. 全新的基于操作的数据复制框架，可加快恢复数据

• 性能优化

1. 有效存储稀疏字段的新方法，降低了存储成本
2. 在索引时进行排序，可加快排序的查询性能

7.x新特性

• Lucene 8.0
• 重大改进-正式废除单个索引下多Type的支持
• 7.1开始，Security 功能免费使用
• ECK - Elasticseach Operator on Kubernetes
• 新功能

1. New Cluster coordination
2. Feature——Complete High Level REST Client
3. Script Score Query

• 性能优化

1. 默认的Primary Shard数从5改为1,避免Over Sharding
2. 性能优化， 更快的Top K

8.x新特性

• Rest API相比较7.x而言做了比较大的改动（比如彻底删除_type）
• 默认开启安全配置
• 存储空间优化：对倒排文件使用新的编码集，对于keyword、match_only_text、 text类型字段有效，有3.5%的空间优化提升，对于新建索引和segment自动生效。
• 优化geo_point，geo_shape类型的索引（写入）效率：15%的提升。
• 技术预览版KNN API发布，（K邻近算法），跟推荐系统、自然语言排名相关。