《柠檬学院马延辉：如何提高ElastcSearch索引速度.docxVIP

我Google了下，大致给出的答案如下：使用bulk API初次索引的时候，把 replica 设置为 01.增大 threadpool.index.queue_size2.增大 indices.memory.index_buffer_size3.增大 index.translog.flush_threshold_ops4.增大 index.translog.sync_interval5.增大 index.engine.robin.refresh_interval这篇文章会讲述上面几个参数的原理，以及一些其他的思路。这些参数大体上是朝着两个方向优化的：●减少磁盘写入●增大构建索引处理资源一般而言，通过第二种方式的需要慎用，会对集群查询功能造成比较大的影响。这里还有两种形态的解决方案：●关闭一些特定场景并不需要的功能，比如Translog或者Version等●将部分计算挪到其他并行计算框架上，比如数据的分片计算等，都可以放到Spark上事先算好上面的参数都和什么有关●其中 5,6 属于 TransLog 相关。●4 则和Lucene相关●3 则因为ES里大量采用线程池，构建索引的时候，是有单独的线程池做处理的●7 的话个人认为影响不大● 2 的话，能够使用上的场景有限。个人认为Replica这块可以使用Kafka的ISR机制。所有数据还是都从Primary写和读。Replica尽量只作为备份数据。Translog为什么要有Translog? 因为Translog顺序写日志比构建索引更高效。我们不可能每加一条记录就Commit一次，这样会有大量的文件和磁盘IO产生。但是我们又想避免程序挂掉或者硬件故障而出现数据丢失，所以有了Translog，通常这种日志我们叫做Write Ahead Log。为了保证数据的完整性，ES默认是每次request结束后都会进行一次sync操作。具体可以查看如下方法：该方法会调用IndexShard.sync 方法进行文件落地。你也可以通过设置index.translog.durability=async 来完成异步落地。这里的异步其实可能会有一点点误导。前面是每次request结束后都会进行sync,这里的sync仅仅是将Translog落地。而无论你是否设置了async,都会执行如下操作：根据条件，主要是每隔sync_interval(5s) ，如果flush_threshold_ops(Integer.MAX_VALUE)，flush_threshold_size(512m),flush_threshold_period(30m) 满足对应的条件，则进行flush操作，这里除了对Translog进行Commit以外，也对索引进行了Commit。所以如果你是海量的日志，可以容忍发生故障时丢失一定的数据，那么完全可以设置，index.translog.durability=async，并且将前面提到的flush*相关的参数调大。而极端情况，你还可以有两个选择：● 设置index.translog.durability=async，接着设置index.translog.disable_flush=true进行禁用定时flush。然后你可以通过应用程序自己手动来控制flush。● 通过改写ES 去掉Translog日志相关的功能。当然，如果去掉Translog日志有两个风险点：Get最新数据会有点问题。因为根据ID Get最新数据是从Translog里拿的。我们知道ES通过Shard Replication 保证Node节点出现故障时出现数据的完整性。在Relocating的时候，Replica 从Primary 进行Recover时，Primary会先Snapshot Lucene，然后拷贝数据到Replica,最后通过回放Translog 保证数据的一致性。VersionVersion可以让ES实现并发修改，但是带来的性能影响也是极大的,这里主要有两块：需要访问索引里的版本号，触发磁盘读写锁机制目前而言，似乎没有办法直接关闭Version机制。你可以使用自增长ID并且在构建索引时，index 类型设置为create。这样可以跳过版本检查。这个场景主要应用于不可变日志导入，随着ES被越来越多的用来做日志分析，日志没有主键ID,所以使用自增ID是合适的，并且不会进行更新，使用一个固定的版本号也是合适的。而不可变日志往往是追求吞吐量。当然，如果有必要，我们也可以通过改写ES相关代码，禁用版本管理。分发代理ES是对索引进行了分片(Shard)，然后数据被分发到不同的Shard。这样 查询和构建索引其实都存在一个问题：如果是构建索引，则需要对数据分拣，然后根据Shard分布分发到不同的Node节点上。如果是查询