ElasticSearch_概率模型 p(d|r)含义

概率检索模型和BM25

BIM模型的推导：从P(R|D,q)/P(NR|D,q)推导，用的贝叶斯公式，最后转换成P(D|R,q)/P(D|NR,q), 再根据词项独立假设, 把P(D|R,q)拆分成P(qt1|R,q)*(1-P(qt2|R,q))*P(qt3|R,q)*..., （假设D里面包含查询词1和3，不包含查询词2） P(qt1|R,q)是指query词1在相关文档里的出现概率，(1-P(qt2|R,q))是指词2在相关文档里不出现的概率； P(qt1|R,q)=r1/R, R是相关文档的个数,r1是相关文档里出现过qt1的文档个数； P(D|NR,q)同理；

BM25模型：=BIM*query词在该文档中的重要性(考虑了词频和文档长度, 类似TF)*query词在该query中的重要性(考虑了词频, 类似TF);  BIM中的R和ri如果设为0，则化简为类似IDF; （我的感受：query和该文档碰上的词，计算：该词在文档集的IDF*该词在query的TF做压制*该词在该文档的TF做压制！）；淘宝的例子 里有一个例子把所有参数代入进去了，一目了然；

BM25考虑了4个因素：IDF因子，文档长度因子，文档词频因子和查询词频因子;  文档词频因子归一化的解释: 每一个词对于文档相关性的分数不会超过一个特定的阈值，当词出现的次数达到一个阈值后，其影响不再线性增长，而这个阈值会跟文档本身长度有关。

和TF-IDF类似，都是字面匹配，没有LDA基于共现关系的语义模型号，更没有基于监督信息的DSSM提取的语义好；

 

优化干货

建索引性能优化：1. 批量提交； 2. SSD; RAID0(不需要带备份功能的RAID)； 3. 增大内存缓冲区refresh至segment文件的时间间隔（segment文件flush至磁盘的频率较低，一般是30分钟；挂了靠translog进行恢复，translog fsync至磁盘的频率高，默认5秒），这样可以减少； 4.减少副本数量；

查询效率优化：1. 路由，让关联性强的数据放到同一个分片上，查询的时候不用所有分片都查再Merge了；2.多用Filter少用Query，前者不需要计算评分，而且可缓存；3.避免大翻页，from+size适合头几页，如果经常查后面的，可用快照scroll方式；

JVM设置：尽量让JVM内存不要超过32GB，否则指针变成64位比32位浪费内存；

 

enabled, index, store: 这三个属性，分别决定"是否建立用于查询或聚合的索引"，"是否建立用于搜索的索引"，“是否存储（不存储的话也可以在_source里得到它）”

IKAnalyzer: 好用的分词插件；可自定义词库，自定义停用词词典；

Tika: 好用的文件内容提取库（可自动判断文件类型）

Head插件：UI方式查看ES集群和数据；

RESTful接口来操作ES

 

分片：索引默认分成这么多份子集，彼此不相交（默认5个分片,0~4号）

副本：整份索引的副本数量，1表示除了原本还有1份副本，0表示只有原本（默认1个副本）

客户端过来新文档写入请求后，这个ES节点先用hash(_id)%shards_num来得知路由到哪个分片，然后根据集群信息得到该分片在哪个节点上，然后把请求转发给那个节点(A)；那个节点(A)完成写入索引过程，完成后把写数据转发给所有副本节点；有1~N(可配置）个副本写入完成的ACK回来后，A节点才会给客户端返回成功ACK;

 

悲观锁：传统锁，适用于写操作较多的情况；

乐观锁：适用于读多写少的情况；用版本号控制一致性；客户端写操作传过来的版本号如果小于服务器数据当前版本，则返回失败，一致则写成功并版本号自动加一；基于版本号实现乐观锁的例子

 

routing参数，可以指定文档的hash_key，(slice_id <== hash(hash_key) % slice_num), 经常会被一起查询出来的文档可以指定相同的routing参数，以使得这种查询只被路由到一个分片上，节省网络和系统延迟；创建文档和查询文档时都要指定这个参数才行；默认的话是按照_id来做hash_key，查询的时候向所有分片发送查询请求，最后Merge；

 

text字段和keyword字段的区别：text字段会被分词然后建立索引；keyword不会分词，直接建立索引；_analyze命令查看文档字段的索引key情况；text用于可全文检索的；keyword用于过滤、排序、聚合；

用"analyzed"属性控制是否全文索引（是否分词）

geo_point和geo_shape是对地理位置等数据的支持；

哪些字段支持索引（查找），哪些字段不支持：enabled, index, store这几个的区别；

 

term代表完全匹配，也就是精确查询，搜索前不会再对搜索词进行分词，所以我们的搜索词必须是文档分词集合中的一个

match查询会先对搜索词进行分词，分词完毕后再逐个对分词结果进行匹配; 可以按照分词后的分词集合的or或者and进行匹配，默认为or，这也是为什么默认只要有一个分词出现在文档中就会被搜索出来

match_phrase为按短语搜索; 查询先分词，要求所有分词必须在文档中出现(像不像operator为and的match查询)，除此之外，还必须满足分词在文档中出现的顺序和搜索词中一致， 且各搜索词之间必须紧邻（可用slop参数控制最大间隔）

multi_match可以搜索多个字段；多个字段对评分都会有印象，权重可以用例如"^3"来指定。

详细解释

fuzzy: 模糊查询，查询词和文档关键词的“编辑距离”越小越排前面；

 

过滤：只按条件过滤，不产生评分不影响排序；

ES默认使用BM25评分模型；在每一个分片上单独打分，所以分片的数量和哈希映射会影响打分的结果；

分词器也会影响打分结果，因为不同的分词器会分成不同的词，对应倒排索引key就不同了；

 

Java Client一定要和ES节点具有相同的版本！

TransportClient打开某选项可以自动探测到集群里节点挂掉或新节点加入这种变化；

"双重加锁单例模式"：判空-->加锁-->判空-->创建；声明static全局变量的时候，要用volatile关键字禁止编译器优化！

 

master节点：负责集群调度；

data节点：负责存储分片数据；

client节点：负责处理用户请求，实现请求转发，负载均衡

配置成master为true，表示有资格参与主节点选举（最后只有一个成为主节点）；

默认是每个节点3个角色都有；建议master节点转做master，data节点专放data，专机专用；

参考

 

有很多参数，控制分片负载均衡和分片恢复等任务的密集度不要太高，防止影响正常查询搜索功能；参考

分片可以设置对Rack的感知，node设置自己的rack_id，则分片及其副本不会自动分配到同一个rack上（防灾）；

每个node可以设置自己的tag; 索引可以设置过滤，让自己的分片只分配到具有某种tag的node上，或者让自己的分片不要分配到具有某种tag的node上；可以借助这个功能实现读写分离，即设置几个node的tag是hot, 其他node的tag是stale, 当天的新索引设置tag为hot只放到hot的node上，大量的查询都是读的放老文档的node们(stale)，每天凌晨低负载的时候用定时任务来将这天新索引的tag更改为stale，使其分片迁移到stale机器上去

 

query和filter:

1. query是要相关性评分的, filter不要；2.query的结果无法缓存, filter可以缓存；

1. 全文搜索、评分排序，使用query;   2. 是非过滤、精确匹配，使用filter;

 

query_then_fetch和DFS_query_then_fetch: 

1. 发送查询到每个shard

2. 找到所有匹配的文档，并使用本地的Term/Document Frequency信息进行打分

3. 对结果构建一个优先队列（排序，标页等）

4. 返回关于结果的元数据到请求节点。注意，实际文档还没有发送，只是分数

5. 来自所有shard的分数合并起来，并在请求节点上进行排序，文档被按照查询要求进行选择

6. 最终，实际文档从他们各自所在的独立的shard上检索出来

7. 结果被返回给用户
当每个分片里的文档数量过少时，自己分片上建立的TF/IDF评分就很不准确；所以可以使用策略DFS_query_then_fetch， 这个过程基本和Query Then Fetch类似，除了它执行了一个预查询来计算整体文档的frequency。

 

ElasticSearch索引实现原理

1. Term Index --> Term Dictionary --> Posting List; 

2. TermIndex是为了快速查找到某个term而建立的索引结构（数量远小于term数量），可以是前缀树实现，可以是FST技术压缩成自动机来实现；（也可以是多级调表）

3. Posting List的压缩存储1: 增量编码压缩(A+B)： A. Delta-encode,第一个数存本身，后面每个数只存和前一个数的delta; B. 分成Block, 每个Block存N个数，每个Block第一个byte存本block内每个数用多少bit表示，后面存所有的数；

4. Posting List的压缩存储2：Roaring Bitmaps技术：老版本lucence使用bitmap存储Posting List，缺点是文档数目多的话要用的内存较大，即使其中全是0（即本term只在很少几个Doc中出现）。Roaring Bitmaps使用分块，docID/65536==>BlockID, docID%65536==>OffsetInBlock, 每个Block根据其中文档的数目(比如以4096为界), 大于界的就用Bitmap实现（65536个bit即8192Bytes）, 小于界的就用数组实现(每个doc用2个byte存OffsetInBlock,<=4096*2B=8192Bytes)

5. 跳表: Posting List上建一两层"稀疏链表"，加快查找速度；求交时用到；

6. Bitset求交: 如果2个Term求交时，对应Block用的是Bitset实现，可直接按位与;

7. 文档内容是存储在磁盘上的，文档是按照主ID顺序存储的，查询时如果经常跳跃读取文档，会造成寻道开销（SSD硬盘请忽略。。。），所以主ID的设计尽量要考虑常用查询，查询出来的文档尽量让按主ID连续排着为好!

 

底层Lucene:

准实时索引：新收到的文档数据（默认最多攒一秒），会写到新的索引文件里；

一个索引就是一个独立目录，一个索引由多个segment构成（每个segment的文件前缀都相同），每个segment由多个不同类型的文件构成；

新文档到来后，先在内存buffer建立索引结构形成一个新segment，然后写到文件缓冲区（其实还是内存），然后Lucene就可以检索这个semgment了; 文件缓冲区被后台线程flush到磁盘上之后，commit文件更新，这才稳了；

新文档的到来信息，会存储在Translog中（append式的），如果segment的文件缓冲区没有flush至磁盘机器就挂了，那么会用Translog来恢复这个semgment的重建；flush至磁盘且commit文件更新后（稳了），Translog自动清空；

Translog文件自身的flush频率较高（默认5秒），磁盘挂了也能容忍；忍不了的话就打开副本功能（啥用？）

后台线程负责把零散的segment文件们归并成大segment文件；线程个数默认是CPU核的一半且最多3个；默认磁盘带宽占用20MB/s，对于SSD可以调高这个；多路归并，默认最多10路；