基礎概念：

Elasticsearch是一個基於Apache Lucene全文搜尋引擎開發的分散式的 RESTful 風格的的實時搜尋與資料分析引擎，它比Lucene更強大，並且是開源的。官方網站：https://www.elastic.co/cn/

Elasticsearch是面向文件型資料庫，一條資料就是一個文件，和資料結構mongoDB類似，文件序列化之後是JSON格式，例如一條使用者資料：

{
    "name":"tino",
    "age":"25",
    "department":"DC",
    "hobies":[
        "sports",
        "music",
        "movie"
    ]
}

相當於oracle/mysql資料庫中的一張user表中的一條記錄，這user表有name、age、department、hobies欄位，而在Elasticsearch中，這是一個文件，而user則是整個文件的一個型別，Elasticsearch和關係型資料庫術語的對照基本上是：

Elasticsearch 使用的是標準的 RESTful API 和 JSON，它的互動可以通過HTTP請求，也可以通過java API，如果插入一條記錄，可以傳送一個HTTP請求來實現：

POST /user/add
{
    "name":"tino",
    "age":"25",
    "department":"DC",
    "hobies":[
        "sports",
        "music",
        "movie"
    ]
}

更新和查詢也是類似的操作。

基本特徵：

1. 實現了用於全文檢索的倒排索引，實現了用於儲存數值資料和位置資料的 BKD 樹， 以及用於分析的列儲存。
2. 將每個欄位編入索引，使其可搜尋，提高搜尋速度。
3. 實時分析的分散式引擎，確保故障時仍安全可用。
4. 可以在承載了 PB （2的50次方個位元組，約為1000個TB）級資料的成百上千臺伺服器上執行。
5. 可處理多種資料型別，數字、文字、地理位置、結構化、非結構化。

倒排索引：

Elasticsearch最強大的就是為每個欄位提供了倒排索引，當查詢的時候不用擔心沒有索引可以利用，什麼是倒排索引，舉個簡單例子：

每一行是一個文件（document），每個document都有一個文件ID。那麼給這些文件建立的倒排索引就是：

年齡的索引：

性別的索引：

可以看到，倒排索引是針對每個欄位的，每個欄位都有自己的倒排索引，25、32這些叫做term，[1,3]這種叫做posting list，

它是一個int的陣列，儲存了所有符合某個term的文件id，這時候我們想找出年齡為25的人，就會很快速，但是這裡只有兩個term，如果有成百上千個term呢，那找出某個term就會很慢，因為term還沒有排序，解決這個問題需要了解兩個概念：Term Dictionary 和 Term Index。

Term Dictionary

Elasticsearch為了能快速找到某個term，將所有的term進行了排序，然後二分法查詢term，類似於上學時候老師教我們的翻新華字典的方式，所以這叫做Term Dictionary，這種查詢方式其實和傳統關係型資料庫的B-Tree的方式很相似，所以這並不是Elasticsearch快的原因。

Term Index

如果說Term Dictionary是直接去二分法翻字典，那麼Term Index就是字典的目錄頁（當然這比我們真的去翻字典目錄快多了），假設我們的term如果全是英文單詞，那麼Term Index就是26個字母表，但是通常term未必都是英文，而可以是任意的byte陣列。因為就算26個英文字元也不一定都有對應的term，比如：a開頭的term只有一個，c開頭的term有一百萬個，x開頭的term一個也沒有，這樣查詢到c的時候又會很慢了。所以通常情況下Term Index 是包含term的一些字首的一棵樹，例如這樣的一個Term Index：

這樣的情況下通過Term Index據可以快速定位到某個offset(分支的開端)，然後以此位置向下查詢，再加上FST（Finite-State Transducer，Lucene4.0開始使用該演算法來查詢Term 在Dictionary中的位置）的壓縮技術，將Term Index 快取到記憶體中，通過Term Index 找到對應的Term Dictionary的 block，然後再去磁碟直接找到term，減少磁碟的隨機讀寫次數，大大的提升查詢效率。（FST在下個章節單獨介紹）

Posting List壓縮技術 Roaring Bitmap

什麼是bitmap？

1. 談到Roaring Bitmap就要先了解bitmap或者BitSet（java中的BitSet實現就是用了bitmap的方式）。
2. bitmap是一種資料結構，與Posting List 的對應關係如下：

3. postingList=[2,3,5,7,9]
    
   bitmap=[0,1,1,0,1,0,1,0,1,0]

4. 從上可以看出來Bitset是用0和1來表示該位置的數值的有無，這種做法就是一個byte可以代表8個文件，不過當大資料量時，仍然會消耗很多記憶體，所以直接將bitset結構存入記憶體也是不太理想的，所以出現了壓縮率更高的Roaring Bitmap。
5. Elasticsearch不僅壓縮了Term Index，還對posting list 進行了壓縮，posting list雖然只儲存了文件id，但是當文件id很大的時候，比PB級的資料，Elasticsearch對posting list的壓縮做了兩件事：排序和大數變小數，引用一張被引用無數次的圖：
7. 簡單解讀一下這種壓縮技巧：
   1. step1：在對posting list進行壓縮時進行了正序排序。
   2. step2：通過增量將73後面的大數變成小數儲存增量值。
   3. step3: 轉換成二進位制，取佔最大位的數，227佔8位，前三個佔八位，30佔五位，後三個數每個佔五位。
8. 從第三步可以看出，這種壓縮方式仍然不夠高效，所以Lucene使用的資料結構叫做Roaring Bitmap，其壓縮的原理可以理解為，與其儲存100個0，佔用100個bit，還不如儲存0一次，然後宣告這個0有100個，它以兩個自己可以表示的最大數65535為界，將posting list分塊，比如第一塊是0-65535，第二塊是65536-131071，如圖:

壓縮技巧解讀：

step1：從小到大進行排序。
step2：將大數除以65536，用除得的結果和餘數來表示這個大數。
step3:：以65535為界進行分塊。
注意：如果一塊超過了4096 個值，直接用bitset存，2個位元組就用個簡單的陣列存放好了，比如short[]，修正一下：1KB=1024B=1024byte=8192bit，每個值一個bytes，4096*2bytes=8192bytes，剛好達到每一個block的界限4096 = 65536 / 2 / 8

聯合索引：

如何使用聯合索引查詢？

1. Skip List 資料結構，同時遍歷多個term的posting list，互相skip
2. 使用bitset資料結構，對多個term分別求出bitset，對bitset做AN操作

Skip List 跳錶原理

先了解跳錶需要先知道跳錶應該具有以下性質：

1. 由多層有序連結串列組成。
2. 最底層Level 1的連結串列包含所有的其他連結串列的元素。
3. 如果一個元素在連結串列Level n中存在，那麼他在Level n以下的所有連結串列中都存在。
4. 每個節點都包含連個指標，分別指同Level連結串列的下一個元素和下一層的元素。

這是一個有序列連結串列：

從連結串列中搜索（27，44，61）需要查詢的次數為：2+4+6 = 12次，可以得到所有結果，這樣做其實沒有用到連結串列的有序性，我們在查詢44、66時候其實都做了一些重複查詢，勢必會造成效率低的問題，這時候可以用Skip List演算法來優化查詢次數，把某些節點提取出來，將連結串列分成兩級：

這樣我們在查詢44和61的時候次數就得到了簡化，因為列表時有序的，所以當我們查到27的時候，44的大概位置就知道了，查到44的時候，61的大概位置也就知道了，避免了一部分重複查查詢，這時候我們找到所以結果的次數為2+3+4 = 9次，查詢61的時候似乎又對44的查詢重複了一次，似乎還有優化的空間，那我們再對二級連結串列再進行一次分級：

這時候可以看到我們查詢61的時候只需要從15-50-61，三次就可以查詢到結果，沒有去走查詢44時的36，所以現在查詢次數得到了再次優化，也就是2+3+3 = 8次，有人說：就優化了一次查詢，需要做得這麼複雜嗎，能有那麼大的效能優勢嗎？的確，這裡資料量很少，組合查詢的索引也只有三個，看起來確實沒有優勢，但是當面對PB級資料的時候，連結串列的分級將無限擴大大，我們在查詢結果時所"跳" 的跨度也會非常大，原先需要查詢一百萬次的結果，可能僅僅三次就查詢到了，這個時候就會顯得非常高效，從Skip List的查詢原理可以看出，它的高效其實是犧牲了一定的空間冗餘換來的，所以在有些情況下還是使用bitset更加的直觀，比如下面這種資料結構：

如果使用跳錶，查詢第一行資料在另外兩行中查詢看是否存在，為了得到最後得到交集的結果，操作就要繁瑣的多。

如果使用bitset直接進行壓縮，按位與，得到的結果就是最後的交集。

轉載自：Elasticsearch底層原理基本解析_Tino's Space-CSDN部落格