精华内容
下载资源
问答
  • Elasticsearch面试题

    2020-12-22 11:41:38
    Elasticsearch面试题 文章目录Elasticsearch面试题1、Elasticsearch是如何实现master选举的?2、详细描述一下 Elasticsearch 索引文档的过程。3、详细描述一下 Elasticsearch 更新和删除文档的过程。4、详细描述一下...

    Elasticsearch面试题

    1、Elasticsearch是如何实现master选举的?

    1、对所有可以成为master的节点根据nodeId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。
    2、如果对某个节点的投票数达到一定的值(可以成为master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。
    3、对于brain split问题,需要把候选master节点最小值设置为可以成为master节点数n/2+1(quorum )
    

    2、详细描述一下 Elasticsearch 索引文档的过程。

    1、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 MemoryBuffer,然后定时(默认是每隔 1 秒)写入到 Filesystem Cache,这个从 MomeryBuffer 到 Filesystem Cache 的过程就叫做 refresh;
    2、当然在某些情况下,存在 Momery 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 中的数据写入到磁盘中时,才会清除掉,这个过程叫做 flush;
    3、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。
    4、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 512M)时;
    

    3、详细描述一下 Elasticsearch 更新和删除文档的过程。

    1、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。
    2、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。
    3、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。
    

    4、详细描述一下 Elasticsearch 搜索的过程?

    1、搜索被执行成一个两阶段过程,我们称之为 Query Then Fetch;
    2、在初始查询阶段时,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。
    备注:在搜索的时候是会查询 Filesystem Cache 的,但是有部分数据还在 MemoryBuffer,所以搜索是近实时的。
    3、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。
    4、接下来就是 取回阶段,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。
    5、补充:Query Then Fetch 的搜索类型在文档相关性打分的时候参考的是本分片的数据,这样在文档数量较少的时候可能不够准确,DFS Query Then Fetch 增加了一个预查询的处理,询问 Term 和 Document frequency,这个评分更准确,但是性能会变差。
    

    5、Elasticsearch 对于大数据量(上亿量级)的聚合如何实现?

    Elasticsearch 提供的首个近似聚合是 cardinality 度量。它提供一个字段的基数,即该字段的 distinct 或者unique 值的数目。它是基于 HLL 算法的。HLL 会先对我们的输入作哈希运算,然后根据哈希运算的结果中的 bits 做概率估算从而得到基数。其特点是:可配置的精度,用来控制内存的使用(更精确 = 更多内存);小的数据集精度是非常高的;我们可以通过配置参数,来设置去重需要的固定内存使用量。无论数千还是数十亿的唯一值,内存使用量只与你配置的精确度相关。
    

    6、在并发情况下,Elasticsearch 如果保证读写一致?

    1、可以通过版本号使用乐观并发控制,以确保新版本不会被旧版本覆盖,由应用层来处理具体的冲突;
    2、另外对于写操作,一致性级别支持 quorum/one/all,默认为 quorum,即只有当大多数分片可用时才允许写操作。但即使大多数可用,也可能存在因为网络等原因导致写入副本失败,这样该副本被认为故障,分片将会在一个不同的节点上重建。
    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。
    

    7、ElasticSearch中的集群、节点、索引、文档、类型是什么?

    群集:一个或多个节点(服务器)的集合,它们共同保存您的整个数据,并提供跨所有节点的联合索引和搜索功能。群集由唯一名称标识,默认情况下为“elasticsearch”。此名称很重要,因为如果节点设置为按名称加入群集,则该节点只能是群集的一部分。   
    
    节点:属于集群一部分的单个服务器。它存储数据并参与群集索引和搜索功能。   
    
    索引:就像关系数据库中的“数据库”。它有一个定义多种类型的映射。索引是逻辑名称空间,映射到一个或多个主分片,并且可以有零个或多个副本分片。
    eg: MySQL =>数据库    ElasticSearch =>索引   
    
    文档:类似于关系数据库中的一行。不同之处在于索引中的每个文档可以具有不同的结构(字段),但是对于通用字段应该具有相同的数据类型。
    MySQL => Databases =>   Tables => Columns / Rows ElasticSearch => Indices => Types =>具有属性的文档
    
    类型:是索引的逻辑类别/分区,其语义完全取决于用户。
    

    8、Elasticsearch的倒排索引是什么?

    1、倒排索引是搜索引擎的核心。搜索引擎的主要目标是在查找发生搜索条件的文档时提供快速搜索。倒排索引是一种像数据结构一样的散列图,可将用户从单词导向文档或网页。它是搜索引擎的核心。其主要目标是快速搜索从数百万文件中查找数据。
    2、传统的我们的检索是通过文章,逐个遍历找到对应关键词的位置。而倒排索引,是通过分词策略,形成了词和文章的映射关系表,这种词典+映射表即为倒排索引。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。
    
    学术的解答方式:
    倒排索引,相反于一篇文章包含了哪些词,它从词出发,记载了这个词在哪些文档中出现过,由两部分组成——词典和倒排表。
    加分项: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。
    

    9、ElasticSearch中的分析器是什么?

    1、在ElasticSearch中索引数据时,数据由为索引定义的Analyzer在内部进行转换。 分析器由一个Tokenizer和零个或多个TokenFilter组成。编译器可以在一个或多个CharFilter之前。分析模块允许您在逻辑名称下注册分析器,然后可以在映射定义或某些API中引用它们。
    2、Elasticsearch附带了许多可以随时使用的预建分析器。或者,您可以组合内置的字符过滤器,编译器和过滤器器来创建自定义分析器。
    

    10、启用属性,索引和存储的用途是什么?

    1、Enabled属性适用于各类ElasticSearch特定/创建领域,如index和size。用户提供的字段没有“已启用”属性。 存储意味着数据由Lucene存储,如果询问,将返回这些数据。
    2、存储字段不一定是可搜索的。默认情况下,字段不存储,但源文件是完整的。因为您希望使用默认值(这是有意义的),所以不要设置store属性 该指数属性用于搜索。
    3、索引属性只能用于搜索。只有索引域可以进行搜索。差异的原因是在分析期间对索引字段进行了转换,因此如果需要的话,您不能检索原始数据。
    

    11、Elasticsearch了解多少,说说你们公司es的集群架构,索引数据大小,分片有多少,以及一些调优手段 。

    比如:ES集群架构13个节点,索引根据通道不同共20+索引,根据日期,每日递增20+,索引:10分片,每日递增1亿+数据,每个通道每天索引大小控制:150GB之内。
    仅索引层面调优手段:
    
    1.1、设计阶段调优
    1)根据业务增量需求,采取基于日期模板创建索引,通过roll over API滚动索引;
    2)使用别名进行索引管理;
    3)每天凌晨定时对索引做force_merge操作,以释放空间;
    4)采取冷热分离机制,热数据存储到SSD,提高检索效率;冷数据定期进行shrink操作,以缩减存储;
    5)采取curator进行索引的生命周期管理;
    6)仅针对需要分词的字段,合理的设置分词器;
    7)Mapping阶段充分结合各个字段的属性,是否需要检索、是否需要存储等。 …
    
    1.2、写入调优
    1)写入前副本数设置为0;
    2)写入前关闭refresh_interval设置为-1,禁用刷新机制;
    3)写入过程中:采取bulk批量写入;
    4)写入后恢复副本数和刷新间隔;
    5)尽量使用自动生成的id。
    
    1.3、查询调优
    1)禁用wildcard;
    2)禁用批量terms(成百上千的场景);
    3)充分利用倒排索引机制,能keyword类型尽量keyword;
    4)数据量大时候,可以先基于时间敲定索引再检索;
    5)设置合理的路由机制。
    
    1.4、其他调优
    部署调优,业务调优等。
    

    12、Elasticsearch 索引数据多了怎么办,如何调优,部署?

    1 动态索引层面
    基于模板+时间+rollover api滚动创建索引,举例:设计阶段定义:blog索引的模板格式为:blog_index_时间戳的形式,每天递增数据。这样做的好处:不至于数据量激增导致单个索引数据量非常大,接近于上线2的32次幂-1,索引存储达到了TB+甚至更大。一旦单个索引很大,存储等各种风险也随之而来,所以要提前考虑+及早避免。
    
    2 存储层面
    冷热数据分离存储,热数据(比如最近3天或者一周的数据),其余为冷数据。对于冷数据不会再写入新数据,可以考虑定期force_merge加shrink压缩操作,节省存储空间和检索效率。
    
    3 部署层面
    一旦之前没有规划,这里就属于应急策略。结合ES自身的支持动态扩展的特点,动态新增机器的方式可以缓解集群压力,注意:如果之前主节点等规划合理,不需要重启集群也能完成动态新增的。
    

    13、在使用 Elasticsearch 时要注意什么?

    由于ES使用的Java写的,所有注意的是GC方面的问题

    1、倒排词典的索引需要常驻内存,无法 GC,需要监控 data node 上 segmentmemory 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。
    

    14、Elasticsearch 支持哪些类型的查询?

    查询主要分为两种类型:精确匹配、全文检索匹配。
    精确匹配,例如 term、exists、term set、 range、prefix、 ids、 wildcard、regexp、 fuzzy等。
    全文检索,例如match、match_phrase、multi_match、match_phrase_prefix、query_string 等
    

    15、你能否列出与 Elasticsearch 有关的主要可用字段数据类型?

    1、字符串数据类型,包括支持全文检索的 text 类型 和 精准匹配的 keyword 类型。
    2、数值数据类型,例如字节,短整数,长整数,浮点数,双精度数,half_float,scaled_float。
    3、日期类型,日期纳秒Date nanoseconds,布尔值,二进制(Base64编码的字符串)等。
    4、范围(整数范围 integer_range,长范围 long_range,双精度范围 double_range,浮动范围 float_range,日期范围 date_range)。
    5、包含对象的复杂数据类型,nested 、Object。
    6、GEO 地理位置相关类型。
    7、特定类型如:数组(数组中的值应具有相同的数据类型)
    

    16、如何监控 Elasticsearch 集群状态?

    Marvel 让你可以很简单的通过 Kibana 监控 Elasticsearch。你可以实时查看你的集群健康状态和性能,也可以分析过去的集群、索引和节点指标。
    

    17、有了解过Elasticsearch的性化搜索方案吗?

    基于word2vec和Elasticsearch实现个性化搜索
    (1)基于word2vec、Elasticsearch和自定义的脚本插件,我们就实现了一个个性化的搜索服务,相对于原有的实现,新版的点击率和转化率都有大幅的提升;
    (2)基于word2vec的商品向量还有一个可用之处,就是可以用来实现相似商品的推荐;
    (3)使用word2vec来实现个性化搜索或个性化推荐是有一定局限性的,因为它只能处理用户点击历史这样的时序数据,而无法全面的去考虑用户偏好,这个还是有很大的改进和提升的空间;
    

    18、是否了解字典树?

    数据结构 优缺点
    Array/List 使用二分法查找,不平衡
    HashMap/TreeMap 性能高,内存消耗大,几乎是原始数据的三倍
    Skip List 跳跃表,可快速查找词语,在lucene,redis,HBase中有实现
    Trie 适合英文词典,如果系统中存在大量字符串且这些字符串基本没有公共前缀
    Double Array Trie 适合做中文词典,内存占用小,很多分词工具军采用此种算法
    Ternary Search Tree 一种有状态的转移机,Lucene 4有开源实现,并大量使用

    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。
    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3qLZ2FEI-1608608465585)(images/1843904-20200423115131359-1312665791.jpg)]

    1、可以看到,trie 树每一层的节点数是 26^i 级别的。所以为了节省空间,我们
    还可以用动态链表,或者用数组来模拟动态。而空间的花费,不会超过单词数×单
    词长度。
    2、实现:对每个结点开一个字母集大小的数组,每个结点挂一个链表,使用左儿子右兄弟表示法记录这棵树;
    3、对于中文的字典树,每个节点的子节点用一个哈希表存储,这样就不用浪费太大的空间,而且查询速度上可以保留哈希的复杂度 O(1)。

    19、ElasticSearch是否有架构?

    1、ElasticSearch可以有一个架构。架构是描述文档类型以及如何处理文档的不同字段的一个或多个字段的描述。Elasticsearch中的架构是一种映射,它描述了JSON文档中的字段及其数据类型,以及它们应该如何在Lucene索引中进行索引。因此,在Elasticsearch术语中,我们通常将此模式称为“映射”。
    2、Elasticsearch具有架构灵活的能力,这意味着可以在不明确提供架构的情况下索引文档。如果未指定映射,则默认情况下,Elasticsearch会在索引期间检测文档中的新字段时动态生成一个映射。
    

    20、为什么要使用Elasticsearch?

    因为在我们商城中的数据,将来会非常多,所以采用以往的模糊查询,模糊查询前置配置,会放弃索引,导致商品查询是全表扫面,在百万级别的数据库中,效率非常低下,而我们使用ES做一个全文索引,我们将经常查询的商品的某些字段,比如说商品名,描述、价格还有id这些字段我们放入我们索引库里,可以提高查询速度。
    

    展开全文
  • Elastic Search 面试题

    2021-06-03 14:45:05
    文章目录ES面试题1. 为什么要使用 Elasticsearch?2. Elasticsearch 的 master 选举流程?3. Elasticsearch 集群脑裂问题4. Elasticsearch 索引文档(写入)的流程?5. Elasticsearch 更新和删除文档的流程?6. ...

    来自尚硅谷 ES 教程

    ES面试题

    1. 为什么要使用 Elasticsearch?

    系统中的数据,随着业务的发展,时间的推移,将会非常多,而业务中往往采用模糊查询进行数据的搜索,而模糊查询会导致查询引擎放弃索引,导致系统查询数据时都是全表扫描,在百万级别的数据库中, 查询效率是非常低下的,而我们使用 ES 做一个全文索引,将经常查询的系统功能的某些字段,比如说电商系统的商品表中商品名,描述、价格还有 id 这些字段我们放入 ES 索引库里,可以提高查询速度。

    2. Elasticsearch 的 master 选举流程?

    • 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
    • 对所有可以成为 master 的节点(node.master: true)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。
    • 如果对某个节点的投票数达到一定的值(可以成为 master 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。
    • 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。

    3. Elasticsearch 集群脑裂问题

    “脑裂”问题可能的成因:

    • 网络问题:集群间的网络延迟导致一些节点访问不到 master,认为 master 挂掉了从而选举出新的 master,并对 master 上的分片和副本标红,分配新的主分片
    • 节点负载:主节点的角色既为 master 又为 data,访问量较大时可能会导致 ES 停止响应造成大面积延迟,此时其他节点得不到主节点的响应认为主节点挂掉了,会重新选取主节点。
    • 内存回收:data 节点上的 ES 进程占用的内存较大,引发 JVM 的大规模内存回收,造成 ES 进程失去响应。

    脑裂问题解决方案:

    • 减少误判:discovery.zen.ping_timeout 节点状态的响应时间,默认为 3s,可以适当调大,如果 master 在该响应时间的范围内没有做出响应应答,判断该节点已经挂掉了。调大参数(如 6s, discovery.zen.ping_timeout:6),可适当减少误判。

    • 选举触发: discovery.zen.minimum_master_nodes:1 ,该参数是用于控制选举行为发生的最小集群主节点数量。当备选主节点的个数大于等于该参数的值, 且备选主节点中有该参数个节点认为主节点挂了,进行选举。官方建议为(n/2)+ 1,n 为主节点个数 (即有资格成为主节点的节点个数),就是一半以上。

    • 角色分离:即 master 节点与 data 节点分离,限制角色

      主节点配置为:node.master: true node.data: false 从节点配置为:node.master: false node.data: true

    4. Elasticsearch 索引文档(写入)的流程?

    客户端向集群发送索引文档的请求,可以选择任何一个节点,这个节点就是协调节点

    • 协调节点默认使用文档 ID 参与计算(默认值是文档的 id,也可以采用自定义值,比如用户 id),以便为路由提供合适的分片(即找到对应的主分片):

      shard = hash(document_id) % (num_of_primary_shards) 
      
    • 为保证数据的安全性,主分片会将存入的数据向副本进行同步。

      延时:主分片的延时 + 并行写入各副本的最大延时

    对于每个节点的细节:

    • 当分片所在的节点接收到来自协调节点的请求后,索引请求会在内存中创建一个索引中,然后定时(默认是每隔 1 秒)写入到 Filesystem Cache,这个从 Memory Buffer 到 Filesystem Cache 的过程就叫做 refresh;

    • 当然在某些情况下,存在 Momery 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 中的数据写入到磁盘中时,才会清除掉,这个过程叫做 flush;

    • 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。

    • 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 512M)时;

    5. Elasticsearch 更新和删除文档的流程?

    • 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。

    6. Elasticsearch 搜索的流程?

    • 搜索被执行成一个两阶段过程,我们称之为 Query Then Fetch;
    • 在初始查询阶段时,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。
    • 接下来就是取回阶段,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。
    • Query Then Fetch 的搜索类型在文档相关性打分的时候参考的是本分片的数据,这样在文档数量较少的时候可能不够准确,DFS Query Then Fetch 增加了一个预查询的处理,询问 Term 和 Document frequency,这个评分更准确,但是性能会变差。

    7. Elasticsearch 在部署时,对 Linux 的设置有哪些优化方法?

    • 64 GB 内存的机器是非常理想的,但是 32 GB 和 16 GB 机器也是很常见的。少于 8 GB 会适得其反。

    • 如果你要在更快的 CPUs 和更多的核心之间选择,选择更多的核心更好。多个内核提供的额外并发远胜过稍微快一点点的时钟频率。

    • 如果你负担得起 SSD,它将远远超出任何旋转介质。 基于 SSD 的节点,查询和索引性能都有提升。 如果你负担得起,SSD 是一个好的选择。

    • 即使数据中心们近在咫尺,也要避免集群跨越多个数据中心。绝对要避免集群跨越大的地理距离。

    • 请确保运行你应用程序的 JVM 和服务器的 JVM 是完全一样的。 在 Elasticsearch 的几个地方,使 用 Java 的本地序列化。

    • 通过设置 gateway.recover_after_nodes、gateway.expected_nodes、gateway.recover_after_time 可以在集群重启的时候避免过多的分片交换,这可能会让数据恢复从数个小时缩短为几秒钟。

    • Elasticsearch 默认被配置为使用单播发现,以防止节点无意中加入集群。只有在同一台机器上运行的节点才会自动组成集群。最好使用单播代替组播。

    • 不要随意修改垃圾回收器(CMS)和各个线程池的大小。

    • 把你的内存的(少于)一半给 Lucene(但不要超过 32 GB!),通过 ES_HEAP_SIZE 环境变量设置。

    • 内存交换到磁盘对服务器性能来说是致命的。如果内存交换到磁盘上,一个 100 微秒的操作可能变 成 10 毫秒。 再想想那么多 10 微秒的操作时延累加起来。 不难看出 swapping 对于性能是多么可 怕。

    • Lucene 使用了大量的文件。同时,Elasticsearch 在节点和 HTTP 客户端之间进行通信也使用了大量的套接字。 所有这一切都需要足够的文件描述符。你应该增加你的文件描述符,设置一个很大的值, 如 64,000。

    补充:索引阶段性能提升方法

    • 使用批量请求并调整其大小:每次批量数据 5–15 MB 大是个不错的起始点。
    • 存储:使用 SSD
    • 段和合并:Elasticsearch 默认值是 20 MB/s,对机械磁盘应该是个不错的设置。如果你用的是 SSD, 可以考虑提高到 100–200 MB/s。如果你在做批量导入,完全不在意搜索,你可以彻底关掉合并限流。 另外还可以增加 index.translog.flush_threshold_size 设置,从默认的 512 MB 到更大一些的值,比如 1 GB,这可以在一次清空触发的时候在事务日志里积累出更大的段。
    • 如果你的搜索结果不需要近实时的准确度,考虑把每个索引的 index.refresh_interval 改到 30s。
    • 如果你在做大批量导入,考虑通过设置 index.number_of_replicas: 0 关闭副本。

    8. GC 方面,在使用 Elasticsearch 时要注意什么?

    • 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

    • 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。

    • 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。

    • 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。

    • 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

    9. Elasticsearch 对于大数据量(上亿量级)的聚合如何实现?

    Elasticsearch 提供的首个近似聚合是 cardinality 度量。它提供一个字段的基数,即该字段的 distinct 或者 unique 值的数目。它是基于 HLL 算法的。HLL 会先对我们的输入作哈希运算,然后根据哈希运算的 结果中的 bits 做概率估算从而得到基数。其特点是:可配置的精度,用来控制内存的使用(更精确 = 更 多内存);小的数据集精度是非常高的;我们可以通过配置参数,来设置去重需要的固定内存使用量。无 论数千还是数十亿的唯一值,内存使用量只与你配置的精确度相关

    10. 在并发情况下,Elasticsearch 如果保证读写一致?

    • 可以通过版本号使用乐观并发控制,以确保新版本不会被旧版本覆盖,由应用层来处理具体的冲突;
    • 另外对于写操作,一致性级别支持 quorum/one/all,默认为 quorum,即只有当大多数分片可用时才允 许写操作。但即使大多数可用,也可能存在因为网络等原因导致写入副本失败,这样该副本被认为故 障,分片将会在一个不同的节点上重建。
    • 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。

    11. 如何监控 Elasticsearch 集群状态?

    elasticsearch-head 插件 通过 Kibana 监控 Elasticsearch。你可以实时查看你的集群健康状态和性能,也可以分析过去的集群、 索引和节点指标

    12. 是否了解字典树?

    字典树又称单词查找树,Trie 树,是一种树形结构,是一种哈希树的变种。典型应用是用于统计,排 序和保存大量的字符串(但不仅限于字符串),所以经常被搜索引擎系统用于文本词频统计。它的优点是: 利用字符串的公共前缀来减少查询时间,最大限度地减少无谓的字符串比较,查询效率比哈希树高。

    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:

    • 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。
    • 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。
    • 每个节点的所有子节点包含的字符都不相同。

    对于中文的字典树,每个节点的子节点用一个哈希表存储,这样就不用浪费太大的空间,而且查询速度上 可以保留哈希的复杂度 O(1)。

    13. Elasticsearch 中的集群、节点、索引、文档、类型是什么?

    • 集群是一个或多个节点(服务器)的集合,它们共同保存您的整个数据,并提供跨所有节点的联合索 引和搜索功能。群集由唯一名称标识,默认情况下为“elasticsearch”。此名称很重要,因为如果节点设 置为按名称加入群集,则该节点只能是群集的一部分。
    • 节点是属于集群一部分的单个服务器。它存储数据并参与群集索引和搜索功能。
    • 索引就像关系数据库中的“数据库”。它有一个定义多种类型的映射。索引是逻辑名称空间,映射到一 个或多个主分片,并且可以有零个或多个副本分片。 MySQL =>数据库 Elasticsearch =>索引
    • 文档类似于关系数据库中的一行。不同之处在于索引中的每个文档可以具有不同的结构(字段),但 是对于通用字段应该具有相同的数据类型。 MySQL => Databases => Tables => Columns / Rows Elasticsearch => Indices => Types =>具有属性的文档
    • 类型是索引的逻辑类别/分区,其语义完全取决于用户。

    14. Elasticsearch 中的倒排索引是什么?

    倒排索引是搜索引擎的核心。搜索引擎的主要目标是在查找发生搜索条件的文档时提供快速搜索。ES 中的倒排索引其实就是 lucene 的倒排索引,区别于传统的正向索引,倒排索引会再存储数据时将关键词和数据进行关联,保存到倒排表中,然后查询时,将查询内容进行分词后在倒排表中进行查询,最后匹配数据即可。

    展开全文
  • ElasticSearch面试题

    2020-07-20 12:19:08
    ES中查询语法详细描述一下ElasticSearch索引文档的过程ElasticSearch是如何实现Master选举的?获取分片id的算法ES中的集群、节点、索引、文档、类型是什么?ES写数据流程ES读数据流程ES搜索数据的过程ES对于大数据量...

    什么是ES?

    es是基于lucene的搜索引擎, 它提供了具有Http Web界面和JSON文档的分布式的全文搜索引擎。

    ES中查询语法

    es主要使用两种类型的查询语法:

    • Lucene查询语法
    • 基于json的DSL查询语法

    详细描述一下ElasticSearch索引文档的过程

    协调节点默认使用文档ID参与计算,以便为路由提供合适的分片。

    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Memory Buffer,然后定时写入到Filesystem Cache。这个从Memory Buffer到Filesystem Cache的过程就叫做refresh

    在某些情况下,存在Memory 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。其实现原理是接收到请求后,同时也会写入到translog中,当Filesystem cache的数据写入到磁盘中时,才会清除掉,这个过程叫做flush

    在flush过程中,内存中的缓存将会清除,内存被写入一个新段,段的fsync将创建一个新的提交点,并将内容刷入磁盘,旧的translog将被删除,并开始一个新的translog。

    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512M)时。

    ElasticSearch是如何实现Master选举的?

    ES选主是通过ZenDiscovery负责的,主要包含Ping和Unicast来实现

    对于所有可以成为master的节点,根据nodeId字段排序,每次选举每个节点都把自己所知道的节点拍一次序,然后选出第一个节点,暂且作为master节点

    如果对某个节点的投票数达到一定的值(可以成为master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。

    master节点的职责主要包括:集群、节点和索引的管理

    获取分片id的算法

    分片id借助路由算法获取。路由算法就是根据路由和文档id计算目标id的过程

    shard = hash(document_id) % (number_of_primary_shards)

    ES中的集群、节点、索引、文档、类型是什么?

    集群是一个或多个节点的集合,他们共同保存数据,并提供跨所有节点的联合索引和搜索功能。群集由唯一名称标识,默认情况下为“elasticsearch”。此名称很重要,因为如果节点设置为按名称加入群集,则该节点只能是群集的一部分。

    节点时属于集群一部分的单个服务器。他存储数据并参与集群的索引和搜索功能

    索引:就像关系数据库中的数据库。他有一个定义多种类型的映射。索引是逻辑名称空间,映射到一个或多个主分片,并且可以拥有一个或多个副本分片

    分片:索引通常被分割成分布在多个节点上的分片

    副本:副本是分片的副本,

    文档:类似数据库中的一行

    类型是索引的逻辑分区/类别

    段segment:一个索引可以包含多个段,段与段之间是独立的,添加新文档可以生成新的段,不同的段可以合并。段是索引数据存储的单元‘

    字段field:一个文档可以包含多个列,是lucene数据索引的最小定义单位

    Term是搜索语法的最小单位,复杂的搜索语法会分解成一个Term查询,他表示文档的一个词语,Term由两部分组成:它表示的词语和这个词语所出现的Field。

    ES写数据流程

    • 客户端选择一个node发送请求过去,这个node就是coordinating node(协调节点)
    • coordinating node对document进行路由,将请求转发到对应的node(由primary shard)
    • 实际的node上的primary shard处理请求,然后将数据同步到replica node
    • coordinating node如果发现primary node和所有的replica node都搞定之后,就返回响应结果给客户端

    ES读数据流程

    可以通过doc id来查询,会根据doc id进行hash,判断出来当时把doc id分配到了哪个shard上去,从那个shard去查询。

    • 客户端发送请求到任意一个node,称为coordinating node
    • coordinating node对doc id进行hash路由,将请求发送到对应的节点,此时会使用round-robin随机轮询算法,在primary shard以及所有的replica中随机选取一个,让读请求负载均衡
    • 接收请求的node返回document给coordinating node
    • coordinating node返回document给客户端

    写请求是写入primary shard,然后同步给所有的replica shard;读请求可以从primary shard或replica shard读取,采用的是随机轮询算法。

    ES搜索数据的过程

    Query Then Fetch:先获取文档ID,在获取数据

    • 客户端发送请求到coordinating node
    • 协调节点将搜索请求转发到所有的shard对应的primary shard或replica shard
    • query phase:每个shard将自己的搜索结果返回给协调节点,由协调节点进行数据的合并、排序、分页等操作,最终产出结果
    • fetch phase:由协调节点根据doc id去各个节点上拉取实际的document数据,最终返回给客户端

    ES对于大数据量的聚合如何实现

    提供了近似聚合cardinality度量,

    其特点是:可配置的精度,用来控制内存的使用(更精确 = 更多内存);小的数据集精度是非常高的;我们可以通过配置参数,来设置去重需要的固定内存使用量。无论数千还是数十亿的唯一值,内存使用量只与你配置的精确度相关

    删除和更新原理

    一个文档被删除时,它实际上只是在.del文件中被标记删除。一个被标记删除的文档仍然可以被查询到,但是会在返回前从结果集中移除。

    文档更新也是类似的操作:文档被更新时,旧版本文档被标记删除,文档的新版本被索引到新的断中

    端合并时会将旧的已删除文档从文件系统中清楚。被删除的文档不会被拷贝到新的段中

    merge操作,段合并

    由于每秒会把buffer刷到segment中,所以segment会很多,为了防止这种情况,es内部会不断的把相似大小的segment合并,并且物理删除del的segment

    底层lucene

    简单来说,lucene就是一个jar包,里面包含了封装好的各种建立倒排索引的算法代码。用java开始时,引入lucene的jar,然后基于lucene的api去开发就可以了

    倒排索引

    在搜索引擎中,每个文档都有一个对应的文档ID,文档内容表示为一系列关键字的集合。例如,文档经过一次分词,提取了20个关键字,每个关键字都会记录它在文档中出现的次数和位置

    倒排索引就是关键字到文档id的映射,每个关键字都对应着一系列的文件,这些文件中都出现了关键字

    有了倒排索引,搜索引擎可以方便的响应用户的查询

    倒排索引的两个重要细节:

    • 倒排索引中的所有词项对应一个或多个文档
    • 倒排索引中的词项根据字典顺序升序排列

    Translog详解

    translog是用来恢复数据的。ES用后写的套路加快写入速度——写入的索引并没有实时落盘到索引文件,而是双写到内存和translog中

    参考

    ElasticSearch面试必考 https://blog.csdn.net/abcd1101/article/details/89010070

    展开全文
  • 【Java面试系列】ElasticSearch面试题

    万次阅读 多人点赞 2020-05-01 10:05:03
    1.Elasticsearch 面试题 2.Elasticsearch 面试题解析 1、elasticsearch 了解多少,说说你们公司 es 的集群架构,索引数据大小,分片有多少,以及一些调优手段 。 1.1、设计阶段调优 1.2、写入调优 1.3、查询...

    热门系列:


    目录

    1.Elasticsearch 面试题

    2.Elasticsearch 面试题解析

        1、elasticsearch 了解多少,说说你们公司 es 的集群架构,索引数据大小,分片有多少,以及一些调优手段 。

            1.1、设计阶段调优

            1.2、写入调优

            1.3、查询调优

            1.4、其他调优

        2、elasticsearch 的倒排索引是什么

        3、elasticsearch 索引数据多了怎么办,如何调优,部署

            3.1 动态索引层面

            3.2 存储层面

            3.3 部署层面

        4、elasticsearch 是如何实现 master 选举的

        5、详细描述一下 Elasticsearch 索引文档的过程

        6、详细描述一下 Elasticsearch 搜索的过程?

        7、Elasticsearch 在部署时,对 Linux 的设置有哪些优化方法

        8、lucence 内部结构是什么?

        9、Elasticsearch 是如何实现 Master 选举的?

        10、Elasticsearch 中的节点(比如共 20 个),其中的 10 个

        11、客户端在和集群连接时,如何选择特定的节点执行请求的?

        12、详细描述一下 Elasticsearch 索引文档的过程。

        13、详细描述一下 Elasticsearch 更新和删除文档的过程。

        14、详细描述一下 Elasticsearch 搜索的过程。

        15、在 Elasticsearch 中,是怎么根据一个词找到对应的倒排索引的?

        16、Elasticsearch 在部署时,对 Linux 的设置有哪些优化方法?

        17、对于 GC 方面,在使用 Elasticsearch 时要注意什么?

        18、Elasticsearch 对于大数据量(上亿量级)的聚合如何实现?

        19、在并发情况下,Elasticsearch 如果保证读写一致?

        20、如何监控 Elasticsearch 集群状态?

        21、介绍下你们电商搜索的整体技术架构。

        22、介绍一下你们的个性化搜索方案?

        23、是否了解字典树?

        24、拼写纠错是如何实现的?


    1.Elasticsearch 面试题

    1、elasticsearch 了解多少,说说你们公司 es 的集群架构,索引数据大小,分片有多少,以及一些调优手段 。

    2、elasticsearch 的倒排索引是什么

    3、elasticsearch 索引数据多了怎么办,如何调优,部署

    4、elasticsearch 是如何实现 master 选举的

    5、详细描述一下 Elasticsearch 索引文档的过程

    6、详细描述一下 Elasticsearch 搜索的过程?

    7、Elasticsearch 在部署时,对 Linux 的设置有哪些优化方法

    8、lucence 内部结构是什么?

    9、Elasticsearch 是如何实现 Master 选举的?

    10、Elasticsearch 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,怎么办?

    11、客户端在和集群连接时,如何选择特定的节点执行请求的?

    12、详细描述一下 Elasticsearch 索引文档的过程。

    13、详细描述一下 Elasticsearch 更新和删除文档的过程。

    14、详细描述一下 Elasticsearch 搜索的过程。

    15、在 Elasticsearch 中,是怎么根据一个词找到对应的倒排索引的?

    16、Elasticsearch 在部署时,对 Linux 的设置有哪些优化方法?

    17、对于 GC 方面,在使用 Elasticsearch 时要注意什么?

    18、Elasticsearch 对于大数据量(上亿量级)的聚合如何实现?

    19、在并发情况下,Elasticsearch 如果保证读写一致?

    20、如何监控 Elasticsearch 集群状态?

    21、介绍下你们电商搜索的整体技术架构。

    22、介绍一下你们的个性化搜索方案?

    23、是否了解字典树?

    24、拼写纠错是如何实现的?


    2.Elasticsearch 面试题解析

    1、elasticsearch 了解多少,说说你们公司 es 的集群架构,索引数据大小,分片有多少,以及一些调优手段 。

    面试官:想了解应聘者之前公司接触的 ES 使用场景、规模,有没有做过比较大规模的索引设计、规划、调优。

    解答:如实结合自己的实践场景回答即可。

    比如:ES 集群架构 13 个节点,索引根据通道不同共 20+索引,根据日期,每日递增 20+,索引:10 分片,每日递增 1 亿+数据,每个通道每天索引大小控制:150GB 之内。

    仅索引层面调优手段:

     

    1.1、设计阶段调优

    (1)根据业务增量需求,采取基于日期模板创建索引,通过 roll over API 滚动索引;

    (2)使用别名进行索引管理;

    (3)每天凌晨定时对索引做 force_merge 操作,以释放空间;

    (4)采取冷热分离机制,热数据存储到 SSD,提高检索效率;冷数据定期进行 shrink操作,以缩减存储;

    (5)采取 curator 进行索引的生命周期管理;

    (6)仅针对需要分词的字段,合理的设置分词器;

    (7)Mapping 阶段充分结合各个字段的属性,是否需要检索、是否需要存储等。

     

    1.2、写入调优

    (1)写入前副本数设置为 0;

    (2)写入前关闭 refresh_interval 设置为-1,禁用刷新机制;

    (3)写入过程中:采取 bulk 批量写入;

    (4)写入后恢复副本数和刷新间隔;

    (5)尽量使用自动生成的 id。

     

    1.3、查询调优

    (1)禁用 wildcard;

    (2)禁用批量 terms(成百上千的场景);

    (3)充分利用倒排索引机制,能 keyword 类型尽量 keyword;

    (4)数据量大时候,可以先基于时间敲定索引再检索;

    (5)设置合理的路由机制。

     

    1.4、其他调优

    部署调优,业务调优等。

    上面的提及一部分,面试者就基本对你之前的实践或者运维经验有所评估了。

     

    2、elasticsearch 的倒排索引是什么

    面试官:想了解你对基础概念的认知。

    解答:通俗解释一下就可以。

    传统的我们的检索是通过文章,逐个遍历找到对应关键词的位置。

    而倒排索引,是通过分词策略,形成了词和文章的映射关系表,这种词典+映射表即为倒排索引。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。

    学术的解答方式:

    倒排索引,相反于一篇文章包含了哪些词,它从词出发,记载了这个词在哪些文档中出现过,由两部分组成——词典和倒排表。

    加分项: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。

     

    3、elasticsearch 索引数据多了怎么办,如何调优,部署

    面试官:想了解大数据量的运维能力。

    解答:索引数据的规划,应在前期做好规划,正所谓“设计先行,编码在后”,这样才能有效的避免突如其来的数据激增导致集群处理能力不足引发的线上客户检索或者其他业务受到影响。

    如何调优,正如问题 1 所说,这里细化一下:

    3.1 动态索引层面

    基于模板+时间+rollover api 滚动创建索引,举例:设计阶段定义:blog 索引的模板格式为:blog_index_时间戳的形式,每天递增数据。这样做的好处:不至于数据量激增导致单个索引数据量非常大,接近于上线 2 的32 次幂-1,索引存储达到了 TB+甚至更大。

    一旦单个索引很大,存储等各种风险也随之而来,所以要提前考虑+及早避免。

    3.2 存储层面

    冷热数据分离存储,热数据(比如最近 3 天或者一周的数据),其余为冷数据。

    对于冷数据不会再写入新数据,可以考虑定期 force_merge 加 shrink 压缩操作,节省存储空间和检索效率。

    3.3 部署层面

    一旦之前没有规划,这里就属于应急策略。

    结合 ES 自身的支持动态扩展的特点,动态新增机器的方式可以缓解集群压力,注意:如果之前主节点等规划合理,不需要重启集群也能完成动态新增的。

     

    4、elasticsearch 是如何实现 master 选举的

    面试官:想了解 ES 集群的底层原理,不再只关注业务层面了。

    解答:

    前置前提:

    (1)只有候选主节点(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。

    核对了一下代码,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:比较:先判定是否具备 master 资格,具备候选主节点资格的优先返回;

    若两节点都为候选主节点,则 id 小的值会主节点。注意这里的 id 为 string 类型。

    题外话:获取节点 id 的方法。

    1GET /_cat/nodes?v&h=ip,port,heapPercent,heapMax,id,name
    
    2ip port heapPercent heapMax id name复制代码

     

    5、详细描述一下 Elasticsearch 索引文档的过程

    面试官:想了解 ES 的底层原理,不再只关注业务层面了。

    解答:

    这里的索引文档应该理解为文档写入 ES,创建索引的过程。

    文档写入包含:单文档写入和批量 bulk 写入,这里只解释一下:单文档写入流程。

    记住官方文档中的这个图。

    第一步:客户写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,请求的节点扮演路由节点的角色。)

    第二步:节点 1 接受到请求后,使用文档_id 来确定文档属于分片 0。请求会被转到另外的节点,假定节点 3。因此分片 0 的主分片分配到节点 3 上。

    第三步:节点 3 在主分片上执行写操作,如果成功,则将请求并行转发到节点 1和节点 2 的副本分片上,等待结果返回。所有的副本分片都报告成功,节点 3 将向协调节点(节点 1)报告成功,节点 1 向请求客户端报告写入成功。

    如果面试官再问:第二步中的文档获取分片的过程?

    回答:借助路由算法获取,路由算法就是根据路由和文档 id 计算目标的分片 id 的过程。

    1shard = hash(_routing) % (num_of_primary_shards)复制代码

     

    6、详细描述一下 Elasticsearch 搜索的过程?

    面试官:想了解 ES 搜索的底层原理,不再只关注业务层面了。

    解答:

    搜索拆解为“query then fetch” 两个阶段。

    query 阶段的目的:定位到位置,但不取。

    步骤拆解如下:

    (1)假设一个索引数据有 5 主+1 副本 共 10 分片,一次请求会命中(主或者副本分片中)的一个。

    (2)每个分片在本地进行查询,结果返回到本地有序的优先队列中。

    (3)第 2)步骤的结果发送到协调节点,协调节点产生一个全局的排序列表。

    fetch 阶段的目的:取数据。

    路由节点获取所有文档,返回给客户端。

     

    7、Elasticsearch 在部署时,对 Linux 的设置有哪些优化方法

    面试官:想了解对 ES 集群的运维能力。

    解答:

    (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。

     

    8、lucence 内部结构是什么?

    面试官:想了解你的知识面的广度和深度。

    解答:

    Lucene 是有索引和搜索的两个过程,包含索引创建,索引,搜索三个要点。可以基于这个脉络展开一些。

     

    9、Elasticsearch 是如何实现 Master 选举的?

    (1)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;

    (2)对所有可以成为 master 的节点(node.master: true)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。

    (3)如果对某个节点的投票数达到一定的值(可以成为 master 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。

    (4)补充: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*。

     

    10、Elasticsearch 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,怎么办?

    (1)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;

    (3)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。

     

    11、客户端在和集群连接时,如何选择特定的节点执行请求的?

    TransportClient 利用 transport 模块远程连接一个 elasticsearch 集群。它并不加入到集群中,只是简单的获得一个或者多个初始化的 transport 地址,并以 轮询 的方式与这些地址进行通信。

     

    12、详细描述一下 Elasticsearch 索引文档的过程。

    协调节点默认使用文档 ID 参与计算(也支持通过 routing),以便为路由提供合适的分片。

    shard = hash(document_id) % (num_of_primary_shards)复制代码

    (1)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 MemoryBuffer,然后定时(默认是每隔 1 秒)写入到 Filesystem Cache,这个从 MomeryBuffer 到 Filesystem Cache 的过程就叫做 refresh;

    (2)当然在某些情况下,存在 Momery 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 中的数据写入到磁盘中时,才会清除掉,这个过程叫做 flush;

    (3)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。

    (4)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 512M)时;

     

    补充:关于 Lucene 的 Segement:

    (1)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。

    (2)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。

    (3)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。

    (4)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。

     

    13、详细描述一下 Elasticsearch 更新和删除文档的过程。

    (1)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;

    (2)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。

    (3)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。

     

    14、详细描述一下 Elasticsearch 搜索的过程。

    (1)搜索被执行成一个两阶段过程,我们称之为 Query Then Fetch;

    (2)在初始查询阶段时,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 MemoryBuffer,所以搜索是近实时的。

    (3)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。

    (4)接下来就是 取回阶段,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。

    (5)补充:Query Then Fetch 的搜索类型在文档相关性打分的时候参考的是本分片的数据,这样在文档数量较少的时候可能不够准确,DFS Query Then Fetch 增加了一个预查询的处理,询问 Term 和 Document frequency,这个评分更准确,但是性能会变差。*

    15、在 Elasticsearch 中,是怎么根据一个词找到对应的倒排索引的?

    (1)Lucene的索引过程,就是按照全文检索的基本过程,将倒排表写成此文件格式的过程。

    (2)Lucene的搜索过程,就是按照此文件格式将索引进去的信息读出来,然后计算每篇文档打分(score)的过程。

     

    16、Elasticsearch 在部署时,对 Linux 的设置有哪些优化方法?

    (1)64 GB 内存的机器是非常理想的, 但是 32 GB 和 16 GB 机器也是很常见的。少于 8 GB 会适得其反。

    (2)如果你要在更快的 CPUs 和更多的核心之间选择,选择更多的核心更好。多个内核提供的额外并发远胜过稍微快一点点的时钟频率。

    (3)如果你负担得起 SSD,它将远远超出任何旋转介质。 基于 SSD 的节点,查询和索引性能都有提升。如果你负担得起,SSD 是一个好的选择。

    (4)即使数据中心们近在咫尺,也要避免集群跨越多个数据中心。绝对要避免集群跨越大的地理距离。

    (5)请确保运行你应用程序的 JVM 和服务器的 JVM 是完全一样的。 在Elasticsearch 的几个地方,使用 Java 的本地序列化。

    (6)通过设置 gateway.recover_after_nodes、gateway.expected_nodes、gateway.recover_after_time 可以在集群重启的时候避免过多的分片交换,这可能会让数据恢复从数个小时缩短为几秒钟。

    (7)Elasticsearch 默认被配置为使用单播发现,以防止节点无意中加入集群。只有在同一台机器上运行的节点才会自动组成集群。最好使用单播代替组播。

    (8)不要随意修改垃圾回收器(CMS)和各个线程池的大小。

    (9)把你的内存的(少于)一半给 Lucene(但不要超过 32 GB!),通过ES_HEAP_SIZE 环境变量设置。

    (10)内存交换到磁盘对服务器性能来说是致命的。如果内存交换到磁盘上,一个100 微秒的操作可能变成 10 毫秒。 再想想那么多 10 微秒的操作时延累加起来。 不难看出 swapping 对于性能是多么可怕。

    (11)Lucene 使用了大 量 的文件。同时,Elasticsearch 在节点和 HTTP 客户端之间进行通信也使用了大量的套接字。 所有这一切都需要足够的文件描述符。你应该增加你的文件描述符,设置一个很大的值,如 64,000。

    补充:索引阶段性能提升方法

    (1)使用批量请求并调整其大小:每次批量数据 5–15 MB 大是个不错的起始点。

    (2)存储:使用 SSD

    (3)段和合并:Elasticsearch 默认值是 20 MB/s,对机械磁盘应该是个不错的设置。如果你用的是 SSD,可以考虑提高到 100–200 MB/s。如果你在做批量导入,完全不在意搜索,你可以彻底关掉合并限流。另外还可以增加index.translog.flush_threshold_size 设置,从默认的 512 MB 到更大一些的值,比如 1 GB,这可以在一次清空触发的时候在事务日志里积累出更大的段。

    (4)如果你的搜索结果不需要近实时的准确度,考虑把每个索引的index.refresh_interval 改到 30s。

    (5)如果你在做大批量导入,考虑通过设置 index.number_of_replicas: 0 关闭副本。

     

    17、对于 GC 方面,在使用 Elasticsearch 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 segmentmemory 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。

    (6)根据监控数据理解内存需求,合理配置各类circuit breaker,将内存溢出风险降低到最低

     

    18、Elasticsearch 对于大数据量(上亿量级)的聚合如何实现?

    Elasticsearch 提供的首个近似聚合是 cardinality 度量。它提供一个字段的基数,即该字段的 distinct 或者 unique 值的数目。它是基于 HLL 算法的。HLL 会先对我们的输入作哈希运算,然后根据哈希运算的结果中的 bits 做概率估算从而得到基数。其特点是:可配置的精度,用来控制内存的使用(更精确 = 更多内存);小的数据集精度是非常高的;我们可以通过配置参数,来设置去重需要的固定内存使用量。无论数千还是数十亿的唯一值,内存使用量只与你配置的精确度相关。

     

    19、在并发情况下,Elasticsearch 如果保证读写一致?

    (1)可以通过版本号使用乐观并发控制,以确保新版本不会被旧版本覆盖,由应用层来处理具体的冲突;

    (2)另外对于写操作,一致性级别支持 quorum/one/all,默认为 quorum,即只有当大多数分片可用时才允许写操作。但即使大多数可用,也可能存在因为网络等原因导致写入副本失败,这样该副本被认为故障,分片将会在一个不同的节点上重建。

    (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。

     

    20、如何监控 Elasticsearch 集群状态?

    Marvel 让你可以很简单的通过 Kibana 监控 Elasticsearch。你可以实时查看你的集群健康状态和性能,也可以分析过去的集群、索引和节点指标。

     

    21、介绍下你们电商搜索的整体技术架构。

     

    22、介绍一下你们的个性化搜索方案?

    基于word2vec和Elasticsearch实现个性化搜索

    (1)基于word2vec、Elasticsearch和自定义的脚本插件,我们就实现了一个个性化的搜索服务,相对于原有的实现,新版的点击率和转化率都有大幅的提升;

    (2)基于word2vec的商品向量还有一个可用之处,就是可以用来实现相似商品的推荐;

    (3)使用word2vec来实现个性化搜索或个性化推荐是有一定局限性的,因为它只能处理用户点击历史这样的时序数据,而无法全面的去考虑用户偏好,这个还是有很大的改进和提升的空间;

     

    23、是否了解字典树?

    常用字典数据结构如下所示:

    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。

    (1)可以看到,trie 树每一层的节点数是 26^i 级别的。所以为了节省空间,我们还可以用动态链表,或者用数组来模拟动态。而空间的花费,不会超过单词数×单词长度。

    (2)实现:对每个结点开一个字母集大小的数组,每个结点挂一个链表,使用左儿子右兄弟表示法记录这棵树;

    (3)对于中文的字典树,每个节点的子节点用一个哈希表存储,这样就不用浪费太大的空间,而且查询速度上可以保留哈希的复杂度 O(1)。

     

    24、拼写纠错是如何实现的?

    (1)拼写纠错是基于编辑距离来实现;编辑距离是一种标准的方法,它用来表示经过插入、删除和替换操作从一个字符串转换到另外一个字符串的最小操作步数;

    (2)编辑距离的计算过程:比如要计算 batyu 和 beauty 的编辑距离,先创建一个7×8 的表(batyu 长度为 5,coffee 长度为 6,各加 2),接着,在如下位置填入黑色数字。其他格的计算过程是取以下三个值的最小值:

    如果最上方的字符等于最左方的字符,则为左上方的数字。否则为左上方的数字+1。(对于 3,3 来说为 0)

    左方数字+1(对于 3,3 格来说为 2)

    上方数字+1(对于 3,3 格来说为 2)

    最终取右下角的值即为编辑距离的值 3。

     

    对于拼写纠错,我们考虑构造一个度量空间(Metric Space),该空间内任何关系满足以下三条基本条件:

    d(x,y) = 0 -- 假如 x 与 y 的距离为 0,则 x=y

    d(x,y) = d(y,x) -- x 到 y 的距离等同于 y 到 x 的距离

    d(x,y) + d(y,z) >= d(x,z) -- 三角不等式

    (1)根据三角不等式,则满足与 query 距离在 n 范围内的另一个字符转 B,其与 A的距离最大为 d+n,最小为 d-n。

    (2)BK 树的构造就过程如下:每个节点有任意个子节点,每条边有个值表示编辑距离。所有子节点到父节点的边上标注 n 表示编辑距离恰好为 n。比如,我们有棵树父节点是”book”和两个子节点”cake”和”books”,”book”到”books”的边标号 1,”book”到”cake”的边上标号 4。从字典里构造好树后,无论何时你想插入新单词时,计算该单词与根节点的编辑距离,并且查找数值为d(neweord, root)的边。递归得与各子节点进行比较,直到没有子节点,你就可以创建新的子节点并将新单词保存在那。比如,插入”boo”到刚才上述例子的树中,我们先检查根节点,查找 d(“book”, “boo”) = 1 的边,然后检查标号为1 的边的子节点,得到单词”books”。我们再计算距离 d(“books”, “boo”)=2,则将新单词插在”books”之后,边标号为 2。

    3、查询相似词如下:计算单词与根节点的编辑距离 d,然后递归查找每个子节点标号为 d-n 到 d+n(包含)的边。假如被检查的节点与搜索单词的距离 d 小于 n,则返回该节点并继续查询。比如输入 cape 且最大容忍距离为 1,则先计算和根的编辑距离 d(“book”, “cape”)=4,然后接着找和根节点之间编辑距离为 3 到5 的,这个就找到了 cake 这个节点,计算 d(“cake”, “cape”)=1,满足条件所以返回 cake,然后再找和 cake 节点编辑距离是 0 到 2 的,分别找到 cape 和cart 节点,这样就得到 cape 这个满足条件的结果。

     

    本内容由个人从参考资料收集而来,可能有不准确的地方,还请各位多多指正,谢谢!

    以下还有更多一线学习资料(2T),关注我的公众号,免费领取,如:

    以上资料,都是我个人平时收集而来,有网盘存储,长期有效!有兴趣的同学,可以扫码关注我的个人公众号:时代名猿,回复关键字:wyzl ,领取一线资料!

     

     

     

     

    展开全文
  • elasticsearch 面试题

    2021-04-01 15:34:58
    1、elasticsearch 了解多少,说说你们公司 es 的集群架构,索引数据大小,分片有多少,以及一些调优手段 。 面试官:想了解应聘者之前公司接触的 ES 使用场景、规模,有没有做过比较大规模的索引设计、规划、调优。...
  • Elasticsearch 面试题

    2021-06-04 23:55:46
    1、elasticsearch 了解多少,说说你们公司 es 的集群架构,索引数据大小,分片有多少,以及一些调优手段 。 面试官:想了解应聘者之前公司接触的 ES 使用场景、规模,有没有做过比较大规模的索引设计、规划、调优。 ...
  • elasticsearch面试题

    2021-03-17 14:04:20
    1 要你做一个分布式日志系统,你打算怎么做? elk 2 分库分表后,需要统计多表数据,有什么好的办法吗? 额外增加统计表,专门...(1)查询:ES允许执行和合并多种类型的搜索:结构化、非结构化、地理位置、度量指标

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 19,563
精华内容 7,825
关键字:

elasticsearch面试题