Elasticsearch的索引机制

Elasticsearch使用的是倒排索引，所谓的倒排索引是相对于正排索引而言的。
在一般的文件系统中，索引是文档映射到关键字，而倒排索引则相反，是从关键字映射到文档。

如果没有倒排索引的话，想找到包含关键字“Elasticsearch”的文档，需要遍历所有的文档，然后筛选出包含了“Elasticsearch”关键字的文档。有了倒排索引，就可以直接从关键字出发，找到“Elasticsearch”关键字对应的文档。

Elasticsearch依赖Lucene来维护索引，基本原理如下：

• 每次写入一个新的文档的时候，根据文档的每一个字段，Elasticsearch会使用分词器，把每个字段的值切割成一个个关键词，每一个关键词也叫做Term
• 切割之后，Elasticsearch会统计每一个关键词出现的频率，构建一个关键词到文档ID、出现频率、位置的映射，叫做posting list

从图片里可以看到几个关键点：

• 每个字段是分散统计的
• Elasticsearch记录了两个位置信息，一个位置指的是它是第几个词，另一个偏移量指的是整个关键词的起始位置。比如World在文档0的desc里是第1个词（从0开始），它的位置是从Hello World的起始位置算的第6位字符到11位字符。
  存在Elasticsearch里的文档很多，一个字段会有非常多的关键词。假设要查询的是desc里包含Hello这个关键字的文档，首先在关键词表格里找到Hello这一条。如果关键词是随机的，肯定很难找。
  如果让你来设计的话，可以考虑把这些关键词排序，比如按字母来排序。但是这种类似查找单词的东西，在业界早就有成熟的方案，就是前缀树，也叫做字典树。
  这个关键词表格在Elasticsearch里叫Term Dictionary。它们的目标是尽可能地把全部关键词组成地索引整个装进内存里。

之所以是尽可能，而不是一定，是因为部分字段的关键词非常多，确定装不进去。

Elastiscearch更进一步用了一个优化，就是FST（Finite State Transducers），核心思想是连公共前缀、后缀也一起压缩了。
最基本的概念如下：
假设有两个关键词cat和ct，两种数据结构看起来是这样的

当你找到3的时候，如果经过0-1-3，就知道前缀是ct，并且能够得到ct在Term Dictionary（关键词表格）的位置，这个位置也是ct所在的Block。

如果有其他的关键词，cta、ctb等，都是用这个前缀的，当几千个关键词都共享某个前缀的时候，在一个Block内部怎么找？

Elasticsearch会在Block内部有很多关键词的时候，进一步切割成所谓的Floor Block，每个Floor Block使用第一个关键词的首字母来加快查找。

在Block或Floor Block内部，是通过遍历来查找对应的关键词的，整个结构看起来是下面这样

可以把查找关键词的过程理解为两步

1. 根据FST找到Block
2. 在Block里遍历找到关键词。如果Block进一步细分为Floor Block，就先根据前缀找到Floor Block，然后再去遍历Floor Block。

找到了关键词，也就找到了这个关键词对应的posting list，可以根据文档ID来找到具体的文档了。

面试准备

还要清楚公司内部一些和Elasticsearch有关的数据

• Elasticsearch是如何部署的？有几个节点？每个节点上面内存有多大？这些内存是怎么分配的？
• Elasticsearch上JVM的配置是什么？垃圾回收用的哪个？垃圾回收停顿的实践多长？
• Elasticsearch的哪些配置和默认值不一样，为什么修改？
• Elasticsearch性能如何，能够撑住多大的读写流量

如果本身对Elasticsearch性能优化不是很了解的话，不特别建议在简历或自我介绍的时候提起Elasticsearch性能优化。但是如果很擅长，可以特意强调一下，足以称为竞争优势。