es分页

客官°小女子只卖身不卖艺 2021-06-22 15:38 642阅读 0赞

Elasticsearch中数据都存储在分片中，当执行搜索时每个分片独立搜索后，数据再经过整合返回。那么，如何实现分页查询呢？

按照一般的查询流程来说，如果我想查询前10条数据：

1.  客户端请求发给某个节点
2.  节点将请求转发到集群其他节点，各节点返回是否包含该请求信息，然后该节点再发送二次请求给具体包含该query倒排的节点上进行计算，查询每个分片上的前10条
3.  结果返回给节点，整合数据，提取前10条
4.  返回给请求客户端

那么当我想要查询第10条到第20条的数据该怎么办呢？这个时候就用到分页查询了。在ElasticSearch中实现分页查询的方式有一下三种方式。

### 一、深度分页（from+size） ###

es 默认采用的分页方式是 from+ size 的形式，原理很简单，当查询10-20条数据时，就在相应的各节点上直接查询前20条数据，然后截断前10条，只返回10-20的数据，最后在返回协调鞋垫，整合数据，返回10条数据。

GET /student/student/_search
    {
      "query":{
        "match_all": {}
      },
      "from":5000,
      "size":10
    }

其中，from定义了目标数据的偏移值，size定义当前返回的事件数目（默认from为0，size为10），即所有的查询默认仅仅返回前10条数据。

上面的查询意味着 es 需要在各个分片上匹配排序并得到5010条数据，由此可见：随着页数增加，深度分页将会使得效率非常低，因为我只需要查询size条数据，而es则需要执行from+size条数据然后处理后返回。

当size + from > 10000时，es查询失败，并且提示：

Result window is too large, from + size must be less than or equal to: [10000] but was [10001]
    
    See the scroll api for a more efficient way to request large data sets. This limit can be set by changing the [index.max_result_window] index level setting

### 二、快照查询（scroll） ###

在es中如果我们分页要请求大数据集或者一次请求要获取较大的数据集，scroll都是一个非常好的解决方案。

使用scroll滚动搜索，可以先搜索一批数据，然后下次再搜索一批数据，以此类推，直到搜索出全部的数据来。scroll搜索会在第一次搜索的时候，保存一个当时的视图快照，之后只会基于该旧的视图快照提供数据搜索，如果这个期间数据变更，是不会让用户看到的。每次发送scroll请求，我们还需要指定一个scroll参数，指定一个时间窗口，每次搜索请求只要在这个时间窗口内能完成就可以了。

一个滚屏搜索允许我们做一个初始阶段搜索并且持续批量从Elasticsearch里拉取结果直到没有结果剩下。这有点像传统数据库里的cursors（游标）。

滚屏搜索会及时制作快照。这个快照不会包含任何在初始阶段搜索请求后对index做的修改。它通过将旧的数据文件保存在手边，所以可以保护index的样子看起来像搜索开始时的样子。这样将使得我们无法得到用户最近的更新行为。

scroll的使用很简单。执行如下curl，每次请求两条。可以定制 scroll = 5m意味着该窗口过期时间为5分钟。

GET /student/student/_search?scroll=5m
    {
      "query": {
        "match_all": {}
      },
      "size": 2
    }

{
      "_scroll_id" : "DnF1ZXJ5VGhlbkZldGNoBQAAAAAAAC0YFmllUjV1QTIyU25XMHBTck1XNHpFWUEAAAAAAAAtGRZpZVI1dUEyMlNuVzBwU3JNVzR6RVlBAAAAAAAALRsWaWVSNXVBMjJTblcwcFNyTVc0ekVZQQAAAAAAAC0aFmllUjV1QTIyU25XMHBTck1XNHpFWUEAAAAAAAAtHBZpZVI1dUEyMlNuVzBwU3JNVzR6RVlB",
      "took" : 0,
      "timed_out" : false,
      "_shards" : {
        "total" : 5,
        "successful" : 5,
        "skipped" : 0,
        "failed" : 0
      },
      "hits" : {
        "total" : 6,
        "max_score" : 1.0,
        "hits" : [
          {
            "_index" : "student",
            "_type" : "student",
            "_id" : "5",
            "_score" : 1.0,
            "_source" : {
              "name" : "fucheng",
              "age" : 23,
              "class" : "2-3"
            }
          },
          {
            "_index" : "student",
            "_type" : "student",
            "_id" : "2",
            "_score" : 1.0,
            "_source" : {
              "name" : "xiaoming",
              "age" : 25,
              "class" : "2-1"
            }
          }
        ]
      }
    }

返回信息里有一个重点的参数scroll\_id（base64编码），在后面的请求中我们都要带着这个 scroll\_id 去请求。student这个索引中共有6条数据，id分别为 1， 2， 3， 4， 5， 6。当我们使用 scroll 查询第4次的时候，返回结果应该为空。这时我们就知道已经结果集已经匹配完了。继续执行3次结果如下三图所示：

GET /_search/scroll
    {
      "scroll":"5m",
      "scroll_id":"DnF1ZXJ5VGhlbkZldGNoBQAAAAAAAC0YFmllUjV1QTIyU25XMHBTck1XNHpFWUEAAAAAAAAtGRZpZVI1dUEyMlNuVzBwU3JNVzR6RVlBAAAAAAAALRsWaWVSNXVBMjJTblcwcFNyTVc0ekVZQQAAAAAAAC0aFmllUjV1QTIyU25XMHBTck1XNHpFWUEAAAAAAAAtHBZpZVI1dUEyMlNuVzBwU3JNVzR6RVlB"
    }

### 三、search\_after ###

from + size的分页方式虽然是最灵活的分页方式，但是当分页深度达到一定程度将会产生深度分页的问题。scroll能够解决深度分页的问题，但是其无法实现实时查询，即当scroll\_id生成后无法查询到之后数据的变更，因为其底层原理是生成数据的快照。这时 search\_after应运而生。其是在es-5.X之后才提供的。

search\_after 是一种假分页方式，根据上一页的最后一条数据来确定下一页的位置，同时在分页请求的过程中，如果有索引数据的增删改查，这些变更也会实时的反映到游标上。为了找到每一页最后一条数据，每个文档必须有一个全局唯一值，官方推荐使用 \_uid 作为全局唯一值，但是只要能表示其唯一性就可以。

为了演示，我们需要给上文中的student索引增加一个uid字段表示其唯一性。

GET /student/student/_search
    {
      "query":{
        "match_all": {}
      },
      "size":2,
      "sort":[
        {
          "uid": "desc"
        }
      ]
    }

查询结果：

{
      "took" : 1,
      "timed_out" : false,
      "_shards" : {
        "total" : 5,
        "successful" : 5,
        "skipped" : 0,
        "failed" : 0
      },
      "hits" : {
        "total" : 6,
        "max_score" : null,
        "hits" : [
          {
            "_index" : "student",
            "_type" : "student",
            "_id" : "6",
            "_score" : null,
            "_source" : {
              "uid" : 1006,
              "name" : "dehua",
              "age" : 27
            },
            "sort" : [
              1006
            ]
          },
          {
            "_index" : "student",
            "_type" : "student",
            "_id" : "5",
            "_score" : null,
            "_source" : {
              "uid" : 1005,
              "name" : "fucheng",
              "age" : 23
            },
            "sort" : [
              1005
            ]
          }
        ]
      }
    }

下一次分页，需要将上述分页结果集的最后一条数据的值带上。

GET /student/student/_search
    {
      "query":{
        "match_all": {}
      },
      "size":2,
      "search_after":[1005],
      "sort":[
        {
          "uid": "desc"
        }
      ]
    }

三种方式对对比：

<table> 
 <tbody> 
  <tr> 
   <td>分页方式</td> 
   <td style="width:71px;">性能</td> 
   <td style="width:88px;">优点</td> 
   <td>缺点</td> 
   <td>场景</td> 
  </tr> 
  <tr> 
   <td>from + size</td> 
   <td style="width:71px;">低</td> 
   <td style="width:88px;">灵活性好，实现简单</td> 
   <td>深度分页问题</td> 
   <td>数据量比较小，能容忍深度分页问题</td> 
  </tr> 
  <tr> 
   <td>scroll</td> 
   <td style="width:71px;">中</td> 
   <td style="width:88px;">解决了深度分页问题</td> 
   <td> <p>无法反应数据的实时性（快照版本）</p> <p>维护成本高，需要维护一个 scroll_id</p> </td> 
   <td> <p>海量数据的导出（比如笔者刚遇到的将es中20w的数据导入到excel）</p> <p>需要查询海量结果集的数据</p> </td> 
  </tr> 
  <tr> 
   <td>search_after</td> 
   <td style="width:71px;">高</td> 
   <td style="width:88px;"> <p>性能最好</p> <p>不存在深度分页问题</p> <p>能够反映数据的实时变更</p> </td> 
   <td> <p>实现复杂，需要有一个全局唯一的字段</p> <p>连续分页的实现会比较复杂，因为每一次查询都需要上次查询的结果</p> </td> 
   <td>海量数据的分页</td> 
  </tr> 
 </tbody> 
</table>