Elasticsearch 面试题（爪哇程序员）
为什么要使用Elasticsearch?
因为在我们的数据，将来会非常多，所以采用以往的模糊查询，模糊查询前置配置，会放弃索 引，导致商品查询是全表扫面，在百万级别的数据库中，效率非常低下，而我们使用ES做一个 全文索引，我们将经常查询的商品的某些字段，比如说商品名，描述、价格还有id这些字段我 们放入我们索引库里，可以提高查询速度。
Elasticsearch是如何实现Master选举的？
Elasticsearch的选主是ZenDiscovery模块负责的，主要包含Ping（节点之间通过这个RPC来 发现彼此）和Unicast（单播模块包含一个主机列表以控制哪些节点需要ping通）这两部分； 对所有可以成为master的节点（node.master: true）根据nodeId字典排序，每次选举每个 节点都把自己所知道节点排一次序，然后选出第一个（第0位）节点，暂且认为它是master节点。
如果对某个节点的投票数达到一定的值（可以成为master节点数n/2+1）并且该节点自己也选 举自己，那这个节点就是master。否则重新选举一直到满足上述条件。
补充：master节点的职责主要包括集群、节点和索引的管理，不负责文档级别的管理；data 节点可以关闭http功能。
Elasticsearch中的节点（比如共20个），其中的10个选了一个master，另外10个选 了另一个master，怎么办？
当集群master候选数量不小于3个时，可以通过设置最少投票通过数量 （discovery.zen.minimum_master_nodes）超过所有候选节点一半以上来解决脑裂问 题；
当候选数量为两个时，只能修改为唯一的一个master候选，其他作为data节点，避免脑裂问 题。
详细描述一下Elasticsearch索引文档的过程。
协调节点默认使用文档ID参与计算（也支持通过routing），以便为路由提供合适的分片。 shard = hash(document_id) % (num_of_primary_shards)
当分片所在的节点接收到来自协调节点的请求后，会将请求写入到Memory Buffer，然后定时 （默认是每隔1秒）写入到Filesystem Cache，这个从Momery Buffer到Filesystem
Cache的过程就叫做refresh；
当然在某些情况下，存在Momery Buffer和Filesystem Cache的数据可能会丢失，ES是通过 translog的机制来保证数据的可靠性的。其实现机制是接收到请求后，同时也会写入到
translog中，当Filesystem cache中的数据写入到磁盘中时，才会清除掉，这个过程叫做 flush；
在flush过程中，内存中的缓冲将被清除，内容被写入一个新段，段的fsync将创建一个新的提 交点，并将内容刷新到磁盘，旧的translog将被删除并开始一个新的translog。
flush触发的时机是定时触发（默认30分钟）或者translog变得太大（默认为512M）时；
详细描述一下Elasticsearch更新和删除文档的过程
删除和更新也都是写操作，但是Elasticsearch中的文档是不可变的，因此不能被删除或者改 动以展示其变更；
磁盘上的每个段都有一个相应的.del文件。当删除请求发送后，文档并没有真的被删除，而是 在.del文件中被标记为删除。该文档依然能匹配查询，但是会在结果中被过滤掉。当段合并
时，在.del文件中被标记为删除的文档将不会被写入新段。
在新的文档被创建时，Elasticsearch会为该文档指定一个版本号，当执行更新时，旧版本的 文档在.del文件中被标记为删除，新版本的文档被索引到一个新段。旧版本的文档依然能匹配 查询，但是会在结果中被过滤掉。
详细描述一下Elasticsearch搜索的过程
搜索被执行成一个两阶段过程，我们称之为 Query Then Fetch；
在初始查询阶段时，查询会广播到索引中每一个分片拷贝（主分片或者副本分片）。 每个分片 在本地执行搜索并构建一个匹配文档的大小为 from + size 的优先队列。PS：在搜索的时候是 会查询Filesystem Cache的，但是有部分数据还在Memory Buffer，所以搜索是近实时的。 每个分片返回各自优先队列中 所有文档的 ID 和排序值 给协调节点，它合并这些值到自己的优 先队列中来产生一个全局排序后的结果列表。
接下来就是 取回阶段，协调节点辨别出哪些文档需要被取回并向相关的分片提交多个 GET 请 求。每个分片加载并 丰富 文档，如果有需要的话，接着返回文档给协调节点。一旦所有的文
档都被取回了，协调节点返回结果给客户端。
补充：Query Then Fetch的搜索类型在文档相关性打分的时候参考的是本分片的数据，这样 在文档数量较少的时候可能不够准确，DFS Query Then Fetch增加了一个预查询的处理，询 问Term和Document frequency，这个评分更准确，但是性能会变差。
Elasticsearch对于大数据量（上亿量级）的聚合如何实现？
Elasticsearch 提供的首个近似聚合是cardinality 度量。它提供一个字段的基数，即该字段的 distinct或者unique值的数目。它是基于HLL算法的。HLL 会先对我们的输入作哈希运算，
然后根据哈希运算的结果中的 bits 做概率估算从而得到基数。其特点是：可配置的精度，用来 控制内存的使用（更精确 ＝ 更多内存）；小的数据集精度是非常高的；我们可以通过配置参数，来设置去重需要的固定内存使用量。无论数千还是数十亿的唯一值，内存使用量只与你配 置的精确度相关 。
在并发情况下，Elasticsearch如果保证读写一致？
可以通过版本号使用乐观并发控制，以确保新版本不会被旧版本覆盖，由应用层来处理具体的 冲突；
另外对于写操作，一致性级别支持quorum/one/all，默认为quorum，即只有当大多数分片
可用时才允许写操作。但即使大多数可用，也可能存在因为网络等原因导致写入副本失败，这 样该副本被认为故障，分片将会在一个不同的节点上重建。
对于读操作，可以设置replication为sync(默认)，这使得操作在主分片和副本分片都完成后才 会返回；如果设置replication为async时，也可以通过设置搜索请求参数_preference为primary来查询主分片，确保文档是最新版本。
ElasticSearch中的集群、节点、索引、文档、类型是什么？
群集是一个或多个节点（服务器）的集合，它们共同保存您的整个数据，并提供跨所有节点的 联合索引和搜索功能。群集由唯一名称标识，默认情况下为“elasticsearch”。此名称很重 要，因为如果节点设置为按名称加入群集，则该节点只能是群集的一部分。
节点是属于集群一部分的单个服务器。它存储数据并参与群集索引和搜索功能。
索引就像关系数据库中的“数据库”。它有一个定义多种类型的映射。索引是逻辑名称空间，映 射到一个或多个主分片，并且可以有零个或多个副本分片。 MySQL =>数据库， ElasticSearch =>索引。
文档类似于关系数据库中的一行。不同之处在于索引中的每个文档可以具有不同的结构（字 段），但是对于通用字段应该具有相同的数据类型。 MySQL => Databases =>Tables => Columns / Rows， ElasticSearch => Indices => Types =>具有属性的文档。
类型是索引的逻辑类别/分区，其语义完全取决于用户。
ElasticSearch中的分片是什么?
在大多数环境中，每个节点都在单独的盒子或虚拟机上运行。
索引 – 在Elasticsearch中，索引是文档的集合。
分片 -因为Elasticsearch是一个分布式搜索引擎，所以索引通常被分割成分布在多个节点上的 被称为分片的元素。
什么是ElasticSearch？
Elasticsearch是一个基于Lucene的搜索引擎。它提供了具有HTTP Web界面和无架构JSON 文档的分布式，多租户能力的全文搜索引擎。Elasticsearch是用Java开发的，根据Apache许 可条款作为开源发布。
Elasticsearch中的倒排索引是什么？
倒排索引是搜索引擎的核心。搜索引擎的主要目标是在查找发生搜索条件的文档时提供快速搜 索。倒排索引是一种像数据结构一样的散列图，可将用户从单词导向文档或网页。它是搜索引 擎的核心。其主要目标是快速搜索从数百万文件中查找数据。
Elasticsearch中的分析器是什么？
在ElasticSearch中索引数据时，数据由为索引定义的Analyzer在内部进行转换。 分析器由一 个Tokenizer和零个或多个TokenFilter组成。编译器可以在一个或多个CharFilter之前。分 析模块允许您在逻辑名称下注册分析器，然后可以在映射定义或某些API中引用它们。
Elasticsearch附带了许多可以随时使用的预建分析器。或者，您可以组合内置的字符过滤 器，编译器和过滤器器来创建自定义分析器。
说说Elasticsearch常用的调优手段？
设计阶段调优
（1）根据业务增量需求，采取基于日期模板创建索引，通过 roll over API 滚动索引；
（2）使用别名进行索引管理；
（3）每天凌晨定时对索引做 force_merge 操作，以释放空间；
（4）采取冷热分离机制，热数据存储到 SSD，提高检索效率；冷数据定期进行 shrink操作， 以缩减存储；
（5）采取 curator 进行索引的生命周期管理；
（6）仅针对需要分词的字段，合理的设置分词器；
（7）Mapping 阶段充分结合各个字段的属性，是否需要检索、是否需要存储等。
写入调优
（1）写入前副本数设置为 0；
（2）写入前关闭 refresh_interval 设置为-1，禁用刷新机制；
（3）写入过程中：采取 bulk 批量写入；
（4）写入后恢复副本数和刷新间隔；
（5）尽量使用自动生成的 id。
查询调优
（1）禁用 wildcard；
（2）禁用批量 terms（成百上千的场景）；
（3）充分利用倒排索引机制，能 keyword 类型尽量 keyword； （4）数据量大时候，可以先基于时间敲定索引再检索；
（5）设置合理的路由机制。
其他调优
部署调优，业务调优等。
上面的提及一部分，面试者就基本对你之前的实践或者运维经验有所评估了。
Elasticsearch 在部署时，对 Linux 的设置有哪些优化方法？
（1）64 GB 内存的机器是非常理想的， 但是 32 GB 和 16 GB 机器也是很常见的。少于 8 GB 会适得其反。
（2）如果你要在更快的 CPUs 和更多的核心之间选择，选择更多的核心更好。多个内核提供
的额外并发远胜过稍微快一点点的时钟频率。
（3）如果你负担得起 SSD，它将远远超出任何旋转介质。 基于 SSD 的节点，查询和索引性能 都有提升。如果你负担得起，SSD 是一个好的选择。
（4）即使数据中心们近在咫尺，也要避免集群跨越多个数据中心。绝对要避免集群跨越大的
地理距离。
（5）请确保运行你应用程序的 JVM 和服务器的 JVM 是完全一样的。 在Elasticsearch 的几
个地方，使用 Java 的本地序列化。
（6）通过设置 gateway.recover_after_nodes、gateway.expected_nodes、 gateway.recover_after_time 可以在集群重启的时候避免过多的分片交换，这可能会让数
据恢复从数个小时缩短为几秒钟。
（7）Elasticsearch 默认被配置为使用单播发现，以防止节点无意中加入集群。只有在同一台 机器上运行的节点才会自动组成集群。最好使用单播代替组播。
（8）不要随意修改垃圾回收器（CMS）和各个线程池的大小。
（9）把你的内存的（少于）一半给 Lucene（但不要超过 32 GB！），通过ES_HEAP_SIZE 环境变量设置。
（10）内存交换到磁盘对服务器性能来说是致命的。如果内存交换到磁盘上，一个100 微秒的 操作可能变成 10 毫秒。 再想想那么多 10 微秒的操作时延累加起来。 不难看出 swapping 对
于性能是多么可怕。
（11）Lucene 使用了大 量 的文件。同时，Elasticsearch 在节点和 HTTP 客户端之间进行通 信也使用了大量的套接字。 所有这一切都需要足够的文件描述符。你应该增加你的文件描述 符，设置一个很大的值，如 64,000。
客户端在和集群连接时，如何选择特定的节点执行请求？
TransportClient 利用 transport 模块远程连接一个 elasticsearch 集群。它并不加入到集群 中，只是简单的获得一个或者多个初始化的 transport 地址，并以 轮询 的方式与这些地址进 行通信。
在 Elasticsearch 中，是怎么根据一个词找到对应的倒排索引的？
（1）Lucene的索引过程，就是按照全文检索的基本过程，将倒排表写成此文件格式的过程。
（2）Lucene的搜索过程，就是按照此文件格式将索引进去的信息读出来，然后计算每篇文档 打分(score)的过程。
对于 GC 方面，在使用 Elasticsearch 时要注意什么？
（1）倒排词典的索引需要常驻内存，无法 GC，需要监控 data node 上 segmentmemory 增 长趋势。
（2）各类缓存，field cache, filter cache, indexing cache, bulk queue 等等，要设置合理 的大小，并且要应该根据最坏的情况来看 heap 是否够用，也就是各类缓存全部占满的时候， 还有 heap 空间可以分配给其他任务吗？避免采用 clear cache等“自欺欺人”的方式来释放内 存。
（3）避免返回大量结果集的搜索与聚合。确实需要大量拉取数据的场景，可以采用scan &scroll api 来实现。
（4）cluster stats 驻留内存并无法水平扩展，超大规模集群可以考虑分拆成多个集群通过 tribe node 连接。
（5）想知道 heap 够不够，必须结合实际应用场景，并对集群的 heap 使用情况做持续的监 控。
（6）根据监控数据理解内存需求，合理配置各类circuit breaker，将内存溢出风险降低到最 低
在并发情况下，Elasticsearch 如果保证读写一致？
（1）可以通过版本号使用乐观并发控制，以确保新版本不会被旧版本覆盖，由应用层来处理具 体的冲突；
（2）另外对于写操作，一致性级别支持 quorum/one/all，默认为 quorum，即只有当大多数分片可用时才允许写操作。但即使大多数可用，也可能存在因为网络等原因导致写入副本失 败，这样该副本被认为故障，分片将会在一个不同的节点上重建。
（3）对于读操作，可以设置 replication 为 sync(默认)，这使得操作在主分片和副本分片都完成后才会返回；如果设置 replication 为 async 时，也可以通过设置搜索请求参数 _preference 为 primary 来查询主分片，确保文档是最新版本。
如何监控 Elasticsearch 集群状态？
Marvel 让你可以很简单的通过 Kibana 监控 Elasticsearch。你可以实时查看你的集群健康状 态和性能，也可以分析过去的集群、索引和节点指标。
