es 的搜索引擎嚴重依賴於底層的 filesystem cache，你如果給 filesystem cache 更多的內存，盡量讓內存可以容納所有的 idx segment file 索引數據文件，那麼你搜索的時候就基本都是走內存的，性能會非常高。

性能差距究竟可以有多大？我們之前很多的測試和壓測，如果走磁碟一般肯定上秒，搜索性能絕對是秒級別的，1秒、5秒、10秒。但如果是走 filesystem cache，是走純內存的，那麼一般來說性能比走磁碟要高一個數量級，基本上就是毫秒級的，從幾毫秒到幾百毫秒不等。

這裡有個真實的案例。某個公司 es 節點有 3 台機器，每台機器看起來內存很多，64G，總內存就是 64 * 3 = 192G。每台機器給 es jvm heap 是 32G，那麼剩下來留給 filesystem cache的就是每台機器才 32G，總共集群里給 filesystem cache 的就是 32 * 3 = 96G 內存。而此時，整個磁碟上索引數據文件，在 3 台機器上一共佔用了 1T的磁碟容量，es 數據量是 1T，那麼每台機器的數據量是 300G。這樣性能好嗎？ filesystem cache 的內存才 100G，十分之一的數據可以放內存，其他的都在磁碟，然後你執行搜索操作，大部分操作都是走磁碟，性能肯定差。

歸根結底，你要讓 es 性能要好，最佳的情況下，就是你的機器的內存，至少可以容納你的總數據量的一半。

根據我們自己的生產環境實踐經驗，最佳的情況下，是僅僅在 es 中就存少量的數據，就是你要用來搜索的那些索引，如果內存留給 filesystem cache 的是 100G，那麼你就將索引數據控制在 100G 以內，這樣的話，你的數據幾乎全部走內存來搜索，性能非常之高，一般可以在 1 秒以內。

比如說你現在有一行數據。id,name,age .... 30 個欄位。但是你現在搜索，只需要根據 id,name,age 三個欄位來搜索。如果你傻乎乎往 es 里寫入一行數據所有的欄位，就會導致說 90% 的數據是不用來搜索的，結果硬是佔據了 es 機器上的 filesystem cache 的空間，單條數據的數據量越大，就會導致 filesystem cahce 能緩存的數據就越少。其實，僅僅寫入 es 中要用來檢索的少數幾個欄位就可以了，比如說就寫入 es id,name,age 三個欄位，然後你可以把其他的欄位數據存在 mysql/hbase 里，我們一般是建議用 es + hbase 這麼一個架構。

hbase 的特點是適用于海量數據的在線存儲，就是對 hbase 可以寫入海量數據，但是不要做複雜的搜索，做很簡單的一些根據 id 或者範圍進行查詢的這麼一個操作就可以了。從 es 中根據 name 和 age 去搜索，拿到的結果可能就 20 個 doc id，然後根據 doc id 到 hbase 里去查詢每個 doc id 對應的完整的數據，給查出來，再返回給前端。

寫入 es 的數據最好小於等於，或者是略微大於 es 的 filesystem cache 的內存容量。然後你從 es 檢索可能就花費 20ms，然後再根據 es 返回的 id 去 hbase 里查詢，查 20 條數據，可能也就耗費個 30ms，可能你原來那麼玩兒，1T 數據都放 es，會每次查詢都是 5~10s，現在可能性能就會很高，每次查詢就是 50ms。

數據預熱

假如說，哪怕是你就按照上述的方案去做了，es 集群中每個機器寫入的數據量還是超過了 filesystem cache 一倍，比如說你寫入一台機器 60G 數據，結果 filesystem cache 就 30G，還是有 30G 數據留在了磁碟上。

其實可以做數據預熱。

舉個例子，拿微博來說，你可以把一些大V，平時看的人很多的數據，你自己提前後台搞個系統，每隔一會兒，自己的後台系統去搜索一下熱數據，刷到 filesystem cache里去，後面用戶實際上來看這個熱數據的時候，他們就是直接從內存里搜索了，很快。

或者是電商，你可以將平時查看最多的一些商品，比如說 iphone 8，熱數據提前後台搞個程序，每隔 1 分鐘自己主動訪問一次，刷到 filesystem cache 里去。

對於那些你覺得比較熱的、經常會有人訪問的數據，最好做一個專門的緩存預熱子系統，就是對熱數據每隔一段時間，就提前訪問一下，讓數據進入 filesystem cache 裡面去。這樣下次別人訪問的時候，性能一定會好很多。

冷熱分離

es 可以做類似於 mysql 的水平拆分，就是說將大量的訪問很少、頻率很低的數據，單獨寫一個索引，然後將訪問很頻繁的熱數據單獨寫一個索引。最好是將冷數據寫入一個索引中，然後熱數據寫入另外一個索引中，這樣可以確保熱數據在被預熱之後，盡量都讓他們留在 filesystem os cache 里，別讓冷數據給沖刷掉。

你看，假設你有 6 台機器，2 個索引，一個放冷數據，一個放熱數據，每個索引 3 個 shard。3 台機器放熱數據 index，另外 3 台機器放冷數據 index。然後這樣的話，你大量的時間是在訪問熱數據 index，熱數據可能就佔總數據量的 10%，此時數據量很少，幾乎全都保留在 filesystem cache 裡面了，就可以確保熱數據的訪問性能是很高的。但是對於冷數據而言，是在別的 index 里的，跟熱數據 index 不在相同的機器上，大家互相之間都沒什麼聯繫了。如果有人訪問冷數據，可能大量數據是在磁碟上的，此時性能差點，就 10% 的人去訪問冷數據，90% 的人在訪問熱數據，也無所謂了。

document 模型設計

對於 MySQL，我們經常有一些複雜的關聯查詢。在 es 里該怎麼玩兒，es 裡面的複雜的關聯查詢盡量別用，一旦用了性能一般都不太好。

最好是先在 Java 系統里就完成關聯，將關聯好的數據直接寫入 es 中。搜索的時候，就不需要利用 es 的搜索語法來完成 join 之類的關聯搜索了。

document 模型設計是非常重要的，很多操作，不要在搜索的時候才想去執行各種複雜的亂七八糟的操作。es 能支持的操作就那麼多，不要考慮用 es 做一些它不好操作的事情。如果真的有那種操作，盡量在 document 模型設計的時候，寫入的時候就完成。另外對於一些太複雜的操作，比如 join/nested/parent-child 搜索都要盡量避免，性能都很差的。

分頁性能優化

es 的分頁是較坑的，為啥呢？舉個例子吧，假如你每頁是 10 條數據，你現在要查詢第 100 頁，實際上是會把每個 shard 上存儲的前 1000 條數據都查到一個協調節點上，如果你有個 5 個 shard，那麼就有 5000 條數據，接著協調節點對這 5000 條數據進行一些合併、處理，再獲取到最終第 100 頁的 10 條數據。

分散式的，你要查第 100 頁的 10 條數據，不可能說從 5 個 shard，每個 shard 就查 2 條數據，最後到協調節點合併成 10 條數據吧？你必須得從每個 shard 都查 1000 條數據過來，然後根據你的需求進行排序、篩選等等操作，最後再次分頁，拿到裡面第 100 頁的數據。你翻頁的時候，翻的越深，每個 shard 返回的數據就越多，而且協調節點處理的時間越長，非常坑爹。所以用 es 做分頁的時候，你會發現越翻到後面，就越是慢。

我們之前也是遇到過這個問題，用 es 作分頁，前幾頁就幾十毫秒，翻到 10 頁或者幾十頁的時候，基本上就要 5~10 秒才能查出來一頁數據了。

有什麼解決方案嗎？

不允許深度分頁（默認深度分頁性能很差）

跟產品經理說，你系統不允許翻那麼深的頁，默認翻的越深，性能就越差。

類似於 app 里的推薦商品不斷下拉出來一頁一頁的

類似於微博中，下拉刷微博，刷出來一頁一頁的，你可以用 scroll api，關於如何使用，自行上網搜索。

scroll 會一次性給你生成所有數據的一個快照，然後每次滑動向後翻頁就是通過游標 scroll_id移動，獲取下一頁下一頁這樣子，性能會比上面說的那種分頁性能要高很多很多，基本上都是毫秒級的。

但是，唯一的一點就是，這個適合於那種類似微博下拉翻頁的，不能隨意跳到任何一頁的場景。也就是說，你不能先進入第 10 頁，然後去第 120 頁，然後又回到第 58 頁，不能隨意亂跳頁。所以現在很多產品，都是不允許你隨意翻頁的，app，也有一些網站，做的就是你只能往下拉，一頁一頁的翻。

初始化時必須指定 scroll 參數，告訴 es 要保存此次搜索的上下文多長時間。你需要確保用戶不會持續不斷翻頁翻幾個小時，否則可能因為超時而失敗。

除了用 scroll api，你也可以用 search_after 來做，search_after 的思想是使用前一頁的結果來幫助檢索下一頁的數據，顯然，這種方式也不允許你隨意翻頁，你只能一頁頁往後翻。初始化時，需要使用一個唯一值的欄位作為 sort 欄位。

來源：http://sina.lt/gfZE

搜索微信號（ID：芋道源碼），可以獲得各種 Java 源碼解析、原理講解、面試題、學習指南。

來吧，騷年~

推薦閱讀：