小猴周末在家看了综艺节目《王牌对王牌》，对里面的猜歌曲环节饶有兴趣，主持人随便说一个字或词语，选手必须唱出包含该字或者词语的歌曲。小猴觉得太有意思了，今天上班准备和他猴哥过两招。
Elasticsearch是一个基于Lucene的搜索服务器， 它提供了一个分布式多用户能力的全文搜索引擎，基于RESTful web接口。
Elasticsearch 能快速的匹配关键词，是因为它做了上面提到的倒排索引，
将 “狼牙月, 伊人憔悴, 我举杯饮尽了风雪” 将内容进行切词，key 与 value如下
传统 Elasticsearch 内置了一些分词器
- Standard Analyzer 。按词切分，将词小写
- Simple Analyzer。按非字母过滤（符号被过滤掉），将词小写
- WhitespaceAnalyzer。按照空格切分，不转小写
同时 分词器由 3部分组成：
- Character Filters（文本过滤器，去除HTML）
- Tokenizer（按照规则切分，比如空格）
- TokenFilter（将切分后的词进行处理，比如转成小写） 因为 Elasticsearch 是国外友人开发的，现在中文分词器用的最多的就是IK
下面就是完整的倒排索引，例：索引 “月” 除了能对应value《发如雪》，还对应了value 《月亮惹的祸》等等。
真实的 Elasticsearch 存储结构可不是这样的，结构如下：
1、ES对文字进行切词（月/狼/牙/伊人/憔悴...）,这些词存在Term Dictionary, 通过分词找到对应的歌曲名称，歌曲名称对应存在磁盘下，但ES存有磁盘对应的记录就是上面的 Posting List
2、当分词很多时，就像古巨基《情歌王》的词那么多时，我们需要会分词进行排序，中文则根据拼音首字母排序，查找的时候就可以通过二分来查找，不需要遍历整个 Term Dictionary，
3、这还不够，当你遇到比《情歌王》还长的歌曲时，比如《Organ2/ASLSP》需要演奏639年（度娘告诉我的），不可能把Term Dictionary全部放到内存中，排序也没用了，这种情况ES也考虑到了这种情况，它有抽象了一层 Term Index，这部分存储 词的前缀，我们只需要把 Term Dictionary 中首字符根据二分法存在Term Index中。
4、Term Index在内存中以 FST（Finite State Transducers）的形式保存的，有以下2个优点： 1）空间占用小。通过对词典中单词前缀和后缀的重复利用，压缩了存储空间； 2）查询速度快。O(len(str))的查询时间复杂度。
5、同时 PostingList 会使用 Frame Of Reference（FOR）编码技术对数据进行压缩，节约磁盘空间
6、由于 PostingList 里面存的是文档id, 我们需要对文档id结果进行去重操作，这里 PostingList 使用 Roaring Bitmaps 对文档id进行去重
本章节我们来总结下：
在 Elasticsearch 中有 Index\Type\Document\Field\Mapping\DSL 术语：
- Index：对应 数据库的 Table
- type：在最新的7.0已经废弃了该字段了，之前版本中1个index支持对应多个type
- Document：对应 数据库中 一行数据
- Field：对应 数据库的 column
- Mapping：对应 数据库的 Schema
- DSL：对应 数据库的 SQ
通过上图就更好理解它的术语了，这时我们再来看看它的架构，一个ES集群拥有很多Elasticsearch节点，一个Elasticsearch节点其实就是上面运行了Elasticsearch进程的机器。
立下帮规如下（帮规是基于bully算法的改进算法）：
1、团体中的 候选老大人数 >= 设定最小候选数
a.候选老大人数设置：(master_eligible_nodes / 2) 1，
b.最小候选数设置: 通过discovery.zen.minimum_master_nodes 设置
2、看每个的在江湖上的排名，即每台节点启动顺序，越早出来混的，排名越靠前，越有资格当老大
3、若出现2个帮派，得小数人的帮派的加入大多数的帮派，毕竟人多说了算，即避免出现 ES上说的脑裂
举个例子：现在要从 10 个人中选一个老大
1、如果10个人是1个团体，候选老大人数就是6 （(10 / 2) 1=6）
最小候选数设为4（即：discovery.zen.minimum_master_nodes=4），6>4说明该团体选举的master node 是有效的。
2、假设出现了10个人出现2个团体，团体A有4个人（node1~node4），团体B有6个人（node5~node9）
3、团体A中排名第一的是：node2，
4、团体B中排名第一的是：node6
5、由于团体A 候选老大人数：3（ 4/2 1 =3），不符合帮规要求大于等于4票，所以团体A中node2不能当老大
6、由于团体B 候选老大人数：4（6/2 1=4），最终在选中node6作为集群的master node，
7、团体A最终只能加入团体B，否者不能纳入到ES环境内
最终在ES集群环境里面选出一个master node, 如果 master node 挂了，会选举出一个新的 master node
master node 主要维护元数据、切换主 副本分片身份(后面会细讲) 普通node 用于存储数据，包括node上面的主分片、副本分片(后面会细讲)
Elasticsearch 切片前面提到ES里面的index等同于一张数据表，数据分发到不同的Node上进行存储，这个操作就叫做分片 ，如下图 一张index数据被存储到不同的note1、note2、note3、note4 节点上，等同于划分了4个分片，
数据写入的时候是写到主分片，副本分片会复制主分片的数据，读取的时候主分片和副本分片都可以读
本章节我们来总结下：
客户端写入一条数据，ES这边是由节点进行处理，并且每个节点都是一个coordinating node（协调节点），协调节点指该节点可以作为路由进行转发：
- 路由协议：node4接收到请求发现请求给node1的，所以转给node1，
- 路由算法：shard = hash(document_id) % (num_of_primary_shards)），例：node4接受document_id 是 10 （假设：num_of_primary_shards设置为 3），10%3 = 1（node1），即：请求会转发到 node1 节点上.
- node1接收请求，并进行写入流程
写入流程：
1、当收到写入请求，首先写入 内存缓存（memory buffer）。
2、接着将数据写入 日志缓存（translog buffer）。
3、每隔1秒从 内存缓存（memory buffer） 写入 文件缓存（fileSystemCache） ，接着生成 片段（segment） 文件，这时就能通过索引查询了。
4、接着**刷新 内存缓存（memory buffer）。
5、每隔5秒，从 日志缓存（translog buffer） 中写入到 日志文件（translog）。
6、定期/定量 日志文件（translog）超过30分钟 写入 磁盘（data），并将 文件缓存（fileSystemCache） 中 片段（segment） 文件异步刷到磁盘中。
主分片写完写入成功，副分片写=1个node节点写完，全部node节点写完ack给协调节点，协调节点返回ack给客户端， 最终完成写入
本章节我们来总结下：
Elasticsearch 查询分为2种，根据doc ID查询内容、根据Search(搜索词)查询内容：
publicTopDocssearch(Queryquery,intn);
publicDocumentdoc(intdocID);
- 根据ID查询大致流程： 检索内存的Translog文件 检索硬盘的Translog文件 检索硬盘的Segment文件
- 根据Search匹配查询doc大致流程： 同时去查询内存和硬盘的Segment文件
比较常用的是QUERY_THEN_FETCH，大致流程：
更多干货，关注公众号：数据猿温大大
