如果面试的时候碰到这样一个面试题：ES在数据量很大的情况下(数十亿级别)如何提高查询效率?
面试官心理分析
这个问题是肯定要问的，说白了，就是看你有没有实际干过ES，因为啥?
其实ES性能并没有你想象中那么好的。很多时候数据量大了，特别是有几亿条数据的时候，可能你会懵逼的发现，跑个搜索怎么一下 5~10s，坑爹了。
***次搜索的时候，是5~10s，后面反而就快了，可能就几百毫秒。
你就很懵，每个用户***次访问都会比较慢，比较卡么?所以你要是没玩儿过ES，或者就是自己玩玩儿demo，被问到这个问题容易懵逼，显示出你对ES确实玩儿的不怎么样?
面试题剖析
说实话，ES性能优化是没有什么银弹的。
啥意思呢?
就是不要期待着随手调一个参数，就可以***的应对所有的性能慢的场景。也许有的场景是你换个参数，或者调整一下语法，就可以搞定，但是绝对不是所有场景都可以这样。
一、性能优化的杀手锏：filesystem cache
你往ES里写的数据，实际上都写到磁盘文件里去了，查询的时候，操作系统会将磁盘文件里的数据自动缓存到filesystem cache里面去。
ES的搜索引擎严重依赖于底层的filesystem cache，你如果给filesystem cache更多的内存，尽量让内存可以容纳所有的idx segment file索引数据文件，那么你搜索的时候就基本都是走内存的，性能会非常高。
性能差距究竟可以有多大?
我们之前很多的测试和压测，如果走磁盘一般肯定上秒，搜索性能绝对是秒级别的，1秒、5秒、10秒。但如果是走filesystem cache，是走纯内存的，那么一般来说性能比走磁盘要高一个数量级，基本上就是毫秒级的，从几毫秒到几百毫秒不等。
这里有个真实的案例：
某个公司ES节点有3台机器，每台机器看起来内存很多64G，总内存就是64 * 3 = 192G。
每台机器给es jvm heap是32G，那么剩下来留给filesystem cache的就是每台机器才32G，总共集群里给filesystem cache的就是32 * 3 = 96G内存。
而此时，整个磁盘上索引数据文件，在3台机器上一共占用了1T的磁盘容量，ES数据量是1T，那么每台机器的数据量是300G。这样性能好吗?
filesystem cache的内存才100G，十分之一的数据可以放内存，其他的都在磁盘，然后你执行搜索操作，大部分操作都是走磁盘，性能肯定差。
归根结底，你要让ES性能要好，***的情况下，就是你的机器的内存，至少可以容纳你的总数据量的一半。
根据我们自己的生产环境实践经验，***的情况下，是仅仅在ES中就存少量的数据，就是你要用来搜索的那些索引，如果内存留给filesystem cache的是100G，那么你就将索引数据控制在100G以内，这样的话，你的数据几乎全部走内存来搜索，性能非常之高，一般可以在1秒以内。
比如说你现在有一行数据：id,name,age .... 30个字段。但是你现在搜索，只需要根据id,name,age三个字段来搜索。如果你傻乎乎往ES里写入一行数据所有的字段，就会导致说 90% 的数据是不用来搜索的，结果硬是占据了ES机器上的filesystem cache的空间，单条数据的数据量越大，就会导致filesystem cahce能缓存的数据就越少。
其实，仅仅写入ES中要用来检索的少数几个字段就可以了，比如说就写入es id,name,age三个字段，然后你可以把其他的字段数据存在MySQL/HBase里，我们一般是建议用ES HBase这么一个架构。
HBase的特点是适用于海量数据的在线存储，就是对HBase可以写入海量数据，但是不要做复杂的搜索，做很简单的一些根据 id 或者范围进行查询的这么一个操作就可以了。
从ES中根据name和age去搜索，拿到的结果可能就20个doc id，然后根据doc id到HBase里去查询每个doc id对应的完整的数据，给查出来，再返回给前端。
写入ES的数据***小于等于，或者是略微大于ES的filesystem cache的内存容量。然后你从ES检索可能就花费 20ms，然后再根据ES返回的id去HBase里查询，查20条数据，可能也就耗费个30ms，可能你原来那么玩儿，1T数据都放ES，会每次查询都是5~10s，现在可能性能就会很高，每次查询就是50ms。
二、数据预热
假如说，哪怕是你就按照上述的方案去做了，ES集群中每个机器写入的数据量还是超过了 filesystem cache 一倍，比如说你写入一台机器60G数据，结果filesystem cache就30G，还是有30G数据留在了磁盘上。
其实可以做数据预热。
举个例子，拿微博来说，你可以把一些大V，平时看的人很多的数据，你自己提前后台搞个系统，每隔一会儿，自己的后台系统去搜索一下热数据，刷到filesystem cache里去，后面用户实际上来看这个热数据的时候，他们就是直接从内存里搜索了，很快。
或者是电商，你可以将平时查看最多的一些商品，比如说iphone 8，热数据提前后台搞个程序，每隔1分钟自己主动访问一次，刷到filesystem cache里去。
对于那些你觉得比较热的、经常会有人访问的数据，***做一个专门的缓存预热子系统，就是对热数据每隔一段时间，就提前访问一下，让数据进入filesystem cache里面去。这样下次别人访问的时候，性能一定会好很多。
三、冷热分离
ES可以做类似于MySQL的水平拆分，就是说将大量的访问很少、频率很低的数据，单独写一个索引，然后将访问很频繁的热数据单独写一个索引。***是将冷数据写入一个索引中，然后热数据写入另外一个索引中，这样可以确保热数据在被预热之后，尽量都让他们留在filesystem os cache 里，别让冷数据给冲刷掉。
你看，假设你有6台机器，2个索引，一个放冷数据，一个放热数据，每个索引3个shard。3台机器放热数据index，另外3台机器放冷数据index。
这样的话，你大量的时间是在访问热数据index，热数据可能就占总数据量的10%，此时数据量很少，几乎全都保留在filesystem cache里面了，就可以确保热数据的访问性能是很高的。
但是对于冷数据而言，是在别的index里的，跟热数据index不在相同的机器上，大家互相之间都没什么联系了。
如果有人访问冷数据，可能大量数据是在磁盘上的，此时性能差点，就10%的人去访问冷数据，90%的人在访问热数据，也无所谓了。
四、document 模型设计
对于MySQL，我们经常有一些复杂的关联查询。在ES里该怎么玩儿，ES里面的复杂的关联查询尽量别用，一旦用了性能一般都不太好。
***是先在Java系统里就完成关联，将关联好的数据直接写入ES中。搜索的时候，就不需要利用ES的搜索语法来完成join之类的关联搜索了。
document模型设计是非常重要的，很多操作，不要在搜索的时候才想去执行各种复杂的乱七八糟的操作。
ES能支持的操作就那么多，不要考虑用ES做一些它不好操作的事情。如果真的有那种操作，尽量在document模型设计的时候，写入的时候就完成。
另外对于一些太复杂的操作，比如join/nested/parent-child搜索都要尽量避免，性能都很差的。
五、分页性能优化
ES的分页是较坑的，为啥呢?
举个例子吧，假如你每页是10条数据，你现在要查询第100 页，实际上是会把每个shard上存储的前1000条数据都查到一个协调节点上，如果你有5个shard，那么就有5000条数据，接着协调节点对这5000条数据进行一些合并、处理，再获取到最终第100页的10条数据。
分布式的，你要查第100页的10条数据，不可能说从5个shard，每个shard就查2条数据，***到协调节点合并成10条数据吧?
你必须得从每个shard都查1000条数据过来，然后根据你的需求进行排序、筛选等等操作，***再次分页，拿到里面第100页的数据。
你翻页的时候，翻的越深，每个shard返回的数据就越多，而且协调节点处理的时间越长，非常坑爹。所以用ES做分页的时候，你会发现越翻到后面，就越是慢。
我们之前也是遇到过这个问题，用ES作分页，前几页就几十毫秒，翻到10页或者几十页的时候，基本上就要5~10秒才能查出来一页数据了。
有什么解决方案吗?
不允许深度分页(默认深度分页性能很差)
跟产品经理说，你系统不允许翻那么深的页，默认翻的越深，性能就越差。
类似于app里的推荐商品不断下拉出来一页一页的
类似于微博中，下拉刷微博，刷出来一页一页的，你可以用scroll api，关于如何使用，自行上网搜索。
scroll会一次性给你生成所有数据的一个快照，然后每次滑动向后翻页就是通过游标scroll_id移动，获取下一页、下一页这样子，性能会比上面说的那种分页性能要高很多很多，基本上都是毫秒级的。
但是，唯一的一点就是，这个适合于那种类似微博下拉翻页的，不能随意跳到任何一页的场景。
也就是说，你不能先进入第10页，然后去第120页，然后又回到第58页，不能随意乱跳页。
所以现在很多产品，都是不允许你随意翻页的，app，也有一些网站，做的就是你只能往下拉，一页一页的翻。
初始化时必须指定scroll参数，告诉ES要保存此次搜索的上下文多长时间。你需要确保用户不会持续不断翻页翻几个小时，否则可能因为超时而失败。
除了用scroll api，你也可以用search_after来做。search_after的思想是使用前一页的结果来帮助检索下一页的数据，显然，这种方式也不允许你随意翻页，你只能一页页往后翻。初始化时，需要使用一个唯一值的字段作为sort 字段。
