重生之我们在ES顶端相遇第16 章 - Lucene 写入流程

前言

上一章我们介绍了倒排索引的数据结构。
本章我们将深入介绍 Lucene 写入流程。
该知识点在面试中比较常问，也是理解 ES 必须掌握的知识点。

写入流程图

在第 14 章，我在介绍 coordinating node 时，画了 coordinating node 的工作流图，但是只画到了 data node。
那么当数据到达 data node 后，ES 是如何将数据写入的呢？

我们来看一个 ES 比较完整的写入流程图

图中标红的地方，就是我们要详细讲解的内容。

从图中，我们可以知道：

• 1 个 Data Node 可以有非常多的 Lucene 实例
• 1 个分片就是一个 Lucene 实例（ES 是基于 Apache Lucene 开发的）
• 1 个 Segement 就是一个倒排索引

refresh

数据写入时，先写入到内存，此时这部分数据无法被检索。Refresh 后, 数据就能被检索。这也是为什么 ES 被称为 近实时查询 的原因。

当发生 Refresh 时，数据会被写入操作系统 file cache，并清空 Memory buffer。

这里，我们不禁要产生疑问了：

1. 什么时候触发 Refresh？
2. Refresh 只是将数据写入 file cache，但 file cache 在操作系统掉电或崩溃后，数据会丢失的，这怎么办？

Refresh 触发时机

1. Memory Buffer 满
2. refresh_interval(创建索引时可以指定) 时间到

Translog

为了避免 file cache 掉电或崩溃后数据丢失。ES 在触发 Refresh 时，同时还会写入 translog，用于恢复未落盘的数据。

translog 具有以下几个特点：

1. 顺序写入，写入速度快
2. 每个分片都有对应的 translog
3. translog 默认每次索引写入时落盘
4. 触发 flush 后，translog 会被清空(segment 都落盘了，旧的 translog 肯定没用了)

Flush

Flush 阶段的作用是执行 fsync, 将 segment 落盘。

ES 默认每隔 30 分钟执行 1 次 Flush 操作，执行内容如下：

1. 执行 Refresh
2. 清空 translog

Merge

你可能也注意到了，每次写入都不会去修改旧的 segment，而是生成新的 segment（segment 不可变）。也因此，segment 是一个不断增多的过程。
当 segment 增多的时候，ES 查询性能会下降，因此需要定时的合并 segment。

Merge 是 ES 内部自动处理的。当然我们可以强制让 ES 执行 Merge，也可以控制 Merge 时的并发线程。

• 强制 Merge
  POST /{your-index}/_forcemerge

• 控制并发线程
  index.merge.scheduler.max_thread_count。该配置默认值为：Math.max(1, Math.min(4, <<node.processors>> / 2))