1、问题引出
默认情况下，Elasticsearch 已针对大多数用例进行了优化，确保在写入性能和查询性能之间取得平衡。我们将介绍一些聚合性能优化的可配置参数，其中部分改进是以牺牲写入性能为代价的。目标是将聚合优化招数汇总到一个易于消化的短文中，为大家的 Elasticsearch 集群聚合性能优化提供一些指导。
2、聚合实战问题
- 问题1：1天的数据 70W,聚合2次分桶正常查询时间是 200ms左右, 增加了一个去重条件, 就10-13秒了,有优化的地方不？
- 问题2：请问在很多 terms 聚合的情况下，怎样优化检索？我的场景在无聚合时，吞吐量有 300，在加入 12 个聚合字段后，吞吐量不到20。
- 问题3：哪位兄弟 帮忙发一个聚合优化的链接，我这个聚合 几千万 就好几秒了？
3、认知前提
3.1 Elasticsearch 聚合是不严格精准的
原因在于：数据分散到多个分片，聚合是每个分片的取 Top X，导致结果不精准。
可以看一下之前的文章：Elasticsearch 聚合数据结果不精确，怎么破？
3.2 从业务层面规避全量聚合
聚合结果的精准性和响应速度之间是相对矛盾的。
正常业务开发，产品经理往往要求：
- 第一：快速秒级或者毫秒级聚合响应。
- 第二：聚合结果精准。
殊不知，二者不可兼得。
遇到类似两者都要兼得的需求，建议从架构选型和业务层面做规避处理。
3.3 刷新频率
如下图所示，Elasticsearch 中的 1 个索引由一个或多个分片组成，每个分片包含多个segment（段），每一个段都是一个倒排索引。
在 lucene 中，为了实现高索引速度，使用了segment 分段架构存储。一批写入数据保存在一个段中，其中每个段最终落地为磁盘中的单个文件。
如下图所示，将文档插入 Elasticsearch 时，它们会被写入缓冲区中，然后在刷新时定期从该缓冲区刷新到段中。刷新频率由 refresh_interval 参数控制，默认每1秒发生一次。也就是说，新插入的文档在刷新到段（内存中）之前，是不能被搜索到的。
刷新的本质是：写入数据由内存 buffer 写入到内存段中，以保证搜索可见。
来看个例子，加深对 refresh_inteval 的理解，注释部分就是解读。
代码语言：javascript复制PUT test_0001/_doc/1
{
"title":"just testing"
}
# 默认一秒的刷新频率，秒级可见（用户无感知）
GET test_0001/_search
DELETE test_0001
# 设置了60s的刷新频率
PUT test_0001
{
"settings": {
"index":{
"refresh_interval":"60s"
}
}
}
PUT test_0001/_doc/1
{
"title":"just testing"
}
# 60s后才可以被搜索到
GET test_0001/_search关于是否需要实时刷新：
- 如果新插入的数据需要近乎实时的搜索功能，则需要频繁刷新。
- 如果对最新数据的检索响应没有实时性要求，则应增加刷新间隔，以提高数据写入的效率，从而应释放资源辅助提高查询性能。
关于刷新频率对查询性能的影响：
- 由于每刷新一次都会生成一个 Lucene 段，刷新频率越小就意味着同样时间间隔，生成的段越多。
- 每个段都要消耗句柄和内存。
- 每次查询请求都需要轮询每个段，轮询完毕后再对结果进行合并。
- 也就意味着：refresh_interval 越小，产生的段越多，搜索反而会越慢；反过来说，加大 refresh_interval，会相对提升搜索性能。
4、聚合性能优化猛招
4.1 启用 eager global ordinals 提升高基数聚合性能
- 适用场景：高基数聚合。
高基数聚合场景中的高基数含义：一个字段包含很大比例的唯一值。
global ordinals 中文翻译成全局序号，是一种数据结构，应用场景如下：
- 基于 keyword，ip 等字段的分桶聚合，包含：terms聚合、composite 聚合等。
- 基于text 字段的分桶聚合（前提条件是：fielddata 开启）。
- 基于父子文档 Join 类型的 has_child 查询和 父聚合。
global ordinals 使用一个数值代表字段中的字符串值，然后为每一个数值分配一个 bucket（分桶）。
global ordinals 的本质是：启用 eager_global_ordinals 时，会在刷新（refresh）分片时构建全局序号。这将构建全局序号的成本从搜索阶段转移到了数据索引化（写入）阶段。
创建索引的同时开启：eager_global_ordinals。
代码语言：javascript复制PUT my-index-000001
{
"mappings": {
"properties": {
"tags": {
"type": "keyword",
"eager_global_ordinals": true
}
}
}
}注意：开启 eager_global_ordinals 会影响写入性能，因为每次刷新时都会创建新的全局序号。为了最大程度地减少由于频繁刷新建立全局序号而导致的额外开销，请调大刷新间隔 refresh_interval。
动态调整刷新频率的方法如下：
代码语言：javascript复制PUT my-index-000001/_settings
{
"index": {
"refresh_interval": "30s"
}
}该招数的本质是：以空间换时间。
4.2 插入数据时对索引进行预排序
- Index sorting （索引排序）可用于在插入时对索引进行预排序，而不是在查询时再对索引进行排序，这将提高范围查询（range query）和排序操作的性能。
- 在 Elasticsearch 中创建新索引时，可以配置如何对每个分片内的段进行排序。
- 这是 Elasticsearch 6.X 之后版本才有的特性。
Index sorting 实战举例：
代码语言：javascript复制PUT my-index-000001
{
"settings": {
"index": {
"sort.field": "cur_time",
"sort.order": "desc"
}
},
"mappings": {
"properties": {
"cur_time": {
"type": "date"
}
}
}
}如上示例是在：创建索引的设置部分设置待排序的字段：cur_time 以及 排序方式：desc 降序。
注意：预排序将增加 Elasticsearch 写入的成本。在某些用户特定场景下，开启索引预排序会导致大约 40%-50% 的写性能下降。
也就是说，如果用户场景更关注写性能的业务，开启索引预排序不是一个很好的选择。
4.3 使用节点查询缓存
节点查询缓存（Node query cache）可用于有效缓存过滤器（filter）操作的结果。如果多次执行同一 filter 操作，这将很有效，但是即便更改过滤器中的某一个值，也将意味着需要计算新的过滤器结果。
例如，由于 “now” 值一直在变化，因此无法缓存在过滤器上下文中使用 “now” 的查询。
那怎么使用缓存呢？通过在 now 字段上应用 datemath 格式将其四舍五入到最接近的分钟/小时等，可以使此类请求更具可缓存性，以便可以对筛选结果进行缓存。
关于 datemath 格式及用法，举个例子来说明：
以下的示例，无法使用缓存。
代码语言：javascript复制PUT index/_doc/1
{
"my_date": "2016-05-11T16:30:55.328Z"
}
GET index/_search
{
"query": {
"constant_score": {
"filter": {
"range": {
"my_date": {
"gte": "now-1h",
"lte": "now"
}
}
}
}
}
}但是，下面的示例就可以使用节点查询缓存。
代码语言：javascript复制GET index/_search
{
"query": {
"constant_score": {
"filter": {
"range": {
"my_date": {
"gte": "now-1h/m",
"lte": "now/m"
}
}
}
}
}
}上述示例中的“now-1h/m” 就是 datemath 的格式。
更细化点说，如果当前时间 now 是：16:31:29，那么range query 将匹配 my_date 介于：15:31:00 和 15:31:59 之间的时间数据。
同理，聚合的前半部分 query 中如果有基于时间查询，或者后半部分 aggs 部分中有基于时间聚合的，建议都使用 datemath 方式做缓存处理以优化性能。
4.4 使用分片请求缓存
聚合语句中，设置：size：0，就会使用分片请求缓存缓存结果。
size = 0 的含义是：只返回聚合结果，不返回查询结果。
代码语言：javascript复制GET /my_index/_search
{
"size": 0,
"aggs": {
"popular_colors": {
"terms": {
"field": "colors"
}
}
}
}4.5 拆分聚合，使聚合并行化
这里有个认知前提：Elasticsearch 查询条件中同时有多个条件聚合，这个时候的多个聚合不是并行运行的。
这里就有疑问：是不是可以通过 msearch 拆解多个聚合为单个子语句来改善响应时间？
什么意思呢，给个 Demo，toy_demo_003 数据来源：
基于儿童积木玩具图解 Elasticsearch 聚合
- 示例一：常规的多条件聚合实现
如下响应时间：15 ms。
代码语言：javascript复制POST toy_demo_003/_search
{
"size": 0,
"aggs": {
"hole_terms_agg": {
"terms": {
"field": "has_hole"
}
},
"max_aggs":{
"max":{
"field":"size"
}
}
}
}- 示例二：msearch 拆分多个语句的聚合实现
如下响应时间：9 ms。
代码语言：javascript复制POST _msearch
{"index" : "toy_demo_003"}
{"size":0,"aggs":{"hole_terms_agg":{"terms":{"field":"has_hole"}}}}
{"index" : "toy_demo_003"}
{"size":0,"aggs":{"max_aggs":{"max":{"field":"size"}}}}来个对比验证吧：
- 蓝色：类似示例一，单个query 中包含多个聚合，聚合数分别是：1,2,5,10。
- 红色：类似示例二，multi_search 拆解多个聚合，拆分子句个数分别为：1,2,5,10。
- 横轴：蓝色对应聚合个数；红色对应子句个数；
- 纵轴：响应时间，响应时间越短、性能越好。
初步结论是：
- 默认情况下聚合不是并行运行。
- 当为每个聚合提供自己的查询并执行 msearch 时，性能会有显著提升。
- 尤其在 10 个聚合的场景下，性能提升了接近 2 倍。
因此，在 CPU 资源不是瓶颈的前提下，如果想缩短响应时间，可以将多个聚合拆分为多个查询，借助：msearch 实现并行聚合。
4.6 将聚合中的查询条件移动到 query 子句部分
示例一：
代码语言：javascript复制POST my_index/_search
{
"size": 0,
"aggregations": {
"1": {
"filter": {
"match": {
"search_field": "text"
}
},
"aggregations": {
"items": {
"top_hits": {
"size": 100,
"_source": {
"includes": "field1"
}
}
}
}
},
"2": {
"filter": {
"match": {
"search_field": "text"
}
},
"aggregations": {
"items": {
"top_hits": {
"size": 100,
"_source": {
"includes": "field2"
}
}
}
}
}
}
}示例二：
代码语言：javascript复制{
"query": {
"bool": {
"filter": [
{
"match": {
"search_field": "text"
}
}
]
}
},
"size": 0,
"aggregations": {
"1": {
"top_hits": {
"size": 100,
"_source": {
"includes": "field1"
}
}
},
"2": {
"top_hits": {
"size": 100,
"_source": {
"includes": "field2"
}
}
}
}
}示例一和示例二的本质区别：
第二个查询已将此过滤器提取到较高级别，这应使聚合共享结果。
如下对比实验表明，由于 Elasticsearch 自身做了优化，示例一（蓝色）和示例二（红色）响应时间基本一致。
更多验证需要结合业务场景做一下对比验证，精简起见，推荐使用第二种。
5、更多优化参考
- 官方关于检索性能优化同样适用于聚合 https://www.elastic.co/guide/en/elasticsearch/reference/current/tune-for-search-speed.html
- 分片数设置多少合理？ https://www.elastic.co/cn/blog/how-many-shards-should-i-have-in-my-elasticsearch-cluster
- 堆内存大小设置？ https://www.elastic.co/cn/blog/a-heap-of-trouble
- 禁用 swapping https://www.elastic.co/guide/en/elasticsearch/reference/current/setup-configuration-memory.html
6、小结
本文的六大猛招出自：Elastic 原厂咨询架构师 Alexander 以及 Coolblue 公司的软件开发工程师 Raoul Meyer。
六大猛招中的 msearch 并行聚合方式，令人眼前一亮，相比我在业务实战中用的多线程方式实现并行，要“高级”了许多。
我结合自己的聚合优化实践做了翻译和扩展，希望对大家的聚合性能优化有所帮助。
欢迎留言写下您的聚合优化实践和思考。
和你一起，死磕 Elastic！
参考
- https://qbox.io/blog/refresh-flush-operations-elasticsearch-guide
- https://alexmarquardt.com/how-to-tune-elasticsearch-for-aggregation-performance/
- https://www.elastic.co/cn/blog/index-sorting-elasticsearch-6-0
- 《Elasticsearch 源码解析与优化实战》
