【面试】面试官：请举例回答Elasticsearch的数据模型有哪些核心概念？-优快云博客

本文链接：https://blog.youkuaiyun.com/leng_yong/article/details/149439650

文章目录

今天咱们来聊聊ES的那些事儿。
想象一下，ES就像一个超级聪明的图书馆管理员，它能帮你快速找到任何书（数据），还能保证书不丢、不乱。
现在，咱们一个一个来解答问题。
在这里插入图片描述

1. Elasticsearch的数据模型有哪些核心概念？

ES的数据模型就像一座图书馆，核心概念有这几个：

索引（Index）：相当于图书馆的一个书架，专门放一类书。比如，你建一个“用户信息”索引，就放所有用户数据。
文档（Document）：书架上的每本书，就是一条数据记录，用JSON格式存储。例如，一个用户文档：{"name": "张三", "age": 30}。
字段（Field）：书里的章节标题，比如“name”或“age”，每个字段有类型（如文本、数字）。
映射（Mapping）：图书馆的目录系统，定义每个字段的类型和规则。比如，提前说好“age”是数字类型，不能乱填成文字。
分片（Shard）：书架太大？分成几个小隔层！分片是索引的物理分区，帮助分散存储和查询压力。
副本（Replica）：每个分片的备份副本，就像复印了一本书放在另一个书架，防止原书丢了。

案例：想象你是个吃货，建了个“美食索引”。
文档就是菜谱（如{"菜名": "红烧肉", "难度": "中等"}），字段是“菜名”和“难度”，映射确保“难度”不是数字（否则系统会懵：为啥“中等”等于 $5$ ？）。
分片：把菜谱分成“川菜”和“粤菜”两个隔层。
副本：万一川菜隔层着火，副本能顶上——保证你还能查到“麻婆豆腐”的配方！

2. Elasticsearch如何确保数据的一致性和可靠性？

ES像个超级靠谱的快递员，保证数据不丢、不乱。
核心机制是：

副本机制：每个分片都有一个或多个副本（replica）。写数据时，先写到主分片，然后异步同步到副本。这样，就算一台服务器挂了，副本顶上，数据还在。
一致性模型：默认是最终一致性（数据稍后同步），但你可以调成强一致性（比如写操作必须等所有副本确认）。版本控制（每个文档有版本号）防止冲突。
可靠性保障：集群健康监控（如“green”状态表示一切正常），加上事务日志（translog）记录写操作，万一崩溃，能恢复数据。

案例：假设你在网上卖奶茶订单。写一个新订单时，ES先让主分片（好比总店）记录，然后悄悄告诉副本分片（分店）：“嘿，有杯珍珠奶茶！”如果总店停电，分店立马接手，顾客不会发现异常。
一致性：默认是“最终一致”——订单可能延迟1秒显示，但你可以设置成“强一致”：顾客必须等所有分店都点头才下单，免得出现“我要少糖”变成“多糖”的悲剧（版本号防错）。
可靠性：ES有自检系统，天天“体检”，确保数据99.999%不丢——比我的减肥计划还可靠！

3. Elasticsearch的中文分词机制是如何实现的？

中文分词就像把一句话切成单词，ES靠分词器（Tokenizer）实现。核心是：

分词过程：输入中文文本 → 分词器切成词条（token） → 过滤停用词（如“的”、“是”） → 标准化（如转小写） → 索引存储。
常用中文分词器：
- IK Analyzer：最流行，支持细粒度切分。比如“我爱北京天安门”切成“我”、“爱”、“北京”、“天安门”。
- SmartCN：官方自带，基于词典，适合简单场景。
- 自定义词典：你可以加新词，比如“奥利给”当做一个词。
底层原理：基于词典匹配或机器学习算法，识别词语边界。计算词频时，用TF-IDF公式（但咱们不深究数学）。

案例：你发帖“今天天气真好，适合打篮球”。ES用IK Analyzer分词：先切成“今天”、“天气”、“真好”、“适合”、“打篮球”。过滤掉“适合”（停用词），索引时只存关键词。如果没分词器，ES可能把“打篮球”切成“打”和“篮球”，结果搜索“篮球”时冒出“打架”内容——乱套了！
好在IK Analyzer聪明，知道“打篮球”是一个整体。
自定义词典：加个“yyds”（永远的神），它就不会切成“y”、“y”、“d”、“s”了。
试试看，输入“ES yyds”，它懂你的意思！

4. Elasticsearch有哪些分片策略？如何设定分片数量和副本数量？

分片策略是ES的“分家艺术”，避免数据堆成山。核心策略：

分片策略：
- 静态分片：创建索引时固定分片数，之后不能改。ES默认一个索引有5个主分片（primary shard）。
- 动态调整：副本数（replica）可以随时改（比如从1加到2）。
- 路由策略：数据分配到分片时，基于文档ID哈希计算，确保均匀分布。
如何设定数量：
- 分片数：基于数据量和性能。经验法则：每个分片大小在 $10\text{GB}$ 到 $50\text{GB}$ 之间。计算方式：预估总数据量除以 $30\text{GB}$ （取上限）。分片太多浪费资源，太少查询慢。
- 副本数：至少1个（保证高可用），通常设1-2个。根据集群节点数调整——节点多，副本可增加。
- 设定步骤：创建索引时指定，比如PUT /my_index { "settings": { "number_of_shards": 3, "number_of_replicas": 1 } }。

案例：想象你开个网店，索引是“商品库”。分片策略？别把所有鸡蛋放一个篮子！数据量大时，比如有 $10000$ 件商品，每个分片 $30\text{GB}$ ，算算： $10000 \times 0.1\text{KB} \approx 1\text{GB}$ （假设每件商品数据小），那么分片数设1个就够了；但如果商品图片多，总数据 $100\text{GB}$ ，分片数就设 $4$ （ $\approx 3.33$ ，取整）。
副本数：设1个，相当于雇了个备份店员。如果搞错策略——分片太少，查询时像排队结账，慢得要命；分片太多，系统忙得团团转，像无头苍蝇。
设定时记住：分片数是“一锤子买卖”，副本数可灵活调。
下次建索引，先算算数据体积，别让ES“消化不良”哦！