mirror of
https://github.com/chai2010/advanced-go-programming-book.git
synced 2025-05-23 20:02:22 +00:00
remove all ascii img
This commit is contained in:
Xargin
parent
243aa31f1a
commit
789588b195
@ -1,59 +1,40 @@
|
||||
# 6.4 分布式搜索引擎
|
||||
|
||||
在Web一章中，我们提到 MySQL 很脆弱。数据库系统本身要保证实时和强一致性，所以其功能设计上都是为了满足这种一致性需求。比如 write ahead log 的设计，基于 B+ 树实现的索引和数据组织，以及基于 MVCC 实现的事务等等。
|
||||
在Web一章中，我们提到MySQL很脆弱。数据库系统本身要保证实时和强一致性，所以其功能设计上都是为了满足这种一致性需求。比如write ahead log的设计，基于B+树实现的索引和数据组织，以及基于MVCC实现的事务等等。
|
||||
|
||||
关系型数据库一般被用于实现 OLTP 系统，所谓 OLTP，援引 wikipedia:
|
||||
关系型数据库一般被用于实现OLTP系统，所谓OLTP，援引wikipedia:
|
||||
|
||||
> 在线交易处理（OLTP, Online transaction processing）是指透过信息系统、电脑网络及数据库，以线上交易的方式处理一般即时性的作业数据，和更早期传统数据库系统大量批量的作业方式并不相同。OLTP通常被运用于自动化的数据处理工作，如订单输入、金融业务…等反复性的日常性交易活动。和其相对的是属于决策分析层次的联机分析处理（OLAP）。
|
||||
|
||||
在互联网的业务场景中，也有一些实时性要求不高(可以接受多 s 的延迟)，但是查询复杂性却很高的场景。举个例子，在电商的 wms 系统中，或者在大多数业务场景丰富的 crm 或者客服系统中，可能需要提供几十个字段的随意组合查询功能。这种系统的数据维度天生众多，比如一个电商的 wms 中对一件货物的描述，可能有下面这些字段：
|
||||
在互联网的业务场景中，也有一些实时性要求不高(可以接受多秒的延迟)，但是查询复杂性却很高的场景。举个例子，在电商的wms系统中，或者在大多数业务场景丰富的crm或者客服系统中，可能需要提供几十个字段的随意组合查询功能。这种系统的数据维度天生众多，比如一个电商的wms中对一件货物的描述，可能有下面这些字段：
|
||||
|
||||
> 仓库 id，入库时间，库位分区 id，储存货架 id，入库操作员 id，出库操作员 id，库存数量，过期时间，sku 类型，产品品牌，产品分类，内件数量
|
||||
> 仓库id，入库时间，库位分区id，储存货架id，入库操作员id，出库操作员id，库存数量，过期时间，sku类型，产品品牌，产品分类，内件数量
|
||||
|
||||
除了上述信息，如果商品在仓库内有流转。可能还有有关联的流程 id，当前的流转状态等等。
|
||||
|
||||
想像一下，如果我们所经营的是一个大型电商，每天有千万级别的订单，那么在这个数据库中查询和建立合适的索引都是一件非常难的事情。
|
||||
|
||||
在 CRM 或客服类系统中，常常有根据关键字进行搜索的需求，大型互联网公司每天会接收数以万计的用户投诉。而考虑到事件溯源，用户的投诉至少要存 2~3 年。又是千万级甚至上亿的数据。根据关键字进行一次 like 查询，可能整个 MySQL 就直接挂掉了。
|
||||
在CRM或客服类系统中，常常有根据关键字进行搜索的需求，大型互联网公司每天会接收数以万计的用户投诉。而考虑到事件溯源，用户的投诉至少要存2~3年。又是千万级甚至上亿的数据。根据关键字进行一次like查询，可能整个MySQL就直接挂掉了。
|
||||
|
||||
这时候我们就需要搜索引擎来救场了。
|
||||
|
||||
## 搜索引擎
|
||||
|
||||
elasticsearch 是开源分布式搜索引擎的霸主，其依赖于 Lucene 实现，在部署和运维方面做了很多优化。当今搭建一个分布式搜索引擎比起 Sphinx 的时代已经是容易很多很多了。只要简单配置客户端 ip 和端口就可以了。
|
||||
Elasticsearch是开源分布式搜索引擎的霸主，其依赖于Lucene实现，在部署和运维方面做了很多优化。当今搭建一个分布式搜索引擎比起Sphinx的时代已经是容易很多很多了。只要简单配置客户端IP和端口就可以了。
|
||||
|
||||
### 倒排列表
|
||||
|
||||
虽然 es 是针对搜索场景来定制的，但如前文所言，实际应用中常常用 es 来作为 database 来使用，就是因为倒排列表的特性。可以用比较朴素的观点来理解倒排索引：
|
||||
虽然es是针对搜索场景来定制的，但如前文所言，实际应用中常常用es来作为database来使用，就是因为倒排列表的特性。可以用比较朴素的观点来理解倒排索引：
|
||||
|
||||
```
|
||||
┌─────────────────┐ ┌─────────────┬─────────────┬─────────────┬─────────────┐
|
||||
│ order_id: 103 │──────▶│ doc_id:4231 │ doc_id:4333 │ doc_id:5123 │ doc_id:9999 │
|
||||
└─────────────────┘ └─────────────┴─────────────┴─────────────┴─────────────┘
|
||||
|
||||
|
||||
对Elasticsearch中的数据进行查询时，本质就是求多个排好序的序列求交集。非数值类型字段涉及到分词问题，大多数内部使用场景下，我们可以直接使用默认的bi-gram分词。什么是bi-gram分词呢：
|
||||
|
||||
|
||||
|
||||
|
||||
┌─────────────────┐ ┌─────────────┬─────────────┬─────────────┬─────────────┬─────────────┐
|
||||
│ sku_id: 30221 │──────▶│ doc_id:4231 │ doc_id:5123 │ doc_id:5644 │ doc_id:7801 │ doc_id:9999 │
|
||||
└─────────────────┘ └─────────────┴─────────────┴─────────────┴─────────────┴─────────────┘
|
||||
|
||||
|
||||
|
||||
|
||||
┌─────────────────┐ ┌─────────────┬─────────────┬─────────────┬─────────────┬─────────────┬─────────────┬─────────────┐
|
||||
│ city_id: 3 │──────▶│ doc_id:5123 │ doc_id:9999 │doc_id:10232 │doc_id:54321 │doc_id:63142 │doc_id:71230 │doc_id:90123 │
|
||||
└─────────────────┘ └─────────────┴─────────────┴─────────────┴─────────────┴─────────────┴─────────────┴─────────────┘
|
||||
```
|
||||
|
||||
对 es 中的数据进行查询时，本质就是求多个排好序的序列求交集。非数值类型字段涉及到分词问题，大多数内部使用场景下，我们可以直接使用默认的 bi-gram 分词。什么是 bi-gram 分词呢：
|
||||
|
||||
即将所有 Ti 和 T(i+1) 组成一个词(在 es 中叫 term)，然后再编排其倒排列表，这样我们的倒排列表大概就是这样的：
|
||||
即将所有Ti和T(i+1)组成一个词(在es中叫term)，然后再编排其倒排列表，这样我们的倒排列表大概就是这样的：
|
||||
|
||||
|
||||
|
||||
当用户搜索 '天气很好' 时，其实就是求：天气、气很、很好三组倒排列表的交集，但这里的相等判断逻辑有些特殊，用伪代码表示一下：
|
||||
当用户搜索'天气很好'时，其实就是求：天气、气很、很好三组倒排列表的交集，但这里的相等判断逻辑有些特殊，用伪代码表示一下：
|
||||
|
||||
```go
|
||||
func equal() {
|
||||
@ -76,7 +57,7 @@ func equal() {
|
||||
}
|
||||
```
|
||||
|
||||
多个有序列表求交集的时间复杂度是：O(N * M)， N 为给定列表当中元素数最小的集合， M 为给定列表的个数。
|
||||
多个有序列表求交集的时间复杂度是：O(N * M)，N为给定列表当中元素数最小的集合，M为给定列表的个数。
|
||||
|
||||
在整个算法中起决定作用的一是最短的倒排列表的长度，其次是词数总和，一般词数不会很大(想像一下，你会在搜索引擎里输入几百字来搜索么？)，所以起决定性作用的，一般是所有倒排列表中，最短的那一个的长度。
|
||||
|
||||
@ -84,7 +65,7 @@ func equal() {
|
||||
|
||||
### 查询 DSL
|
||||
|
||||
es 定义了一套查询 DSL，当我们把 es 当数据库使用时，需要用到其 bool 查询。举个例子：
|
||||
es定义了一套查询DSL，当我们把es当数据库使用时，需要用到其bool查询。举个例子：
|
||||
|
||||
```json
|
||||
{
|
||||
@ -139,7 +120,7 @@ if field_1 == 1 && field_2 == 2 && field_3 == 3 && field_4 == 4 {
|
||||
}
|
||||
```
|
||||
|
||||
用 bool should query 可以表示 or 的逻辑：
|
||||
用bool should query可以表示or的逻辑：
|
||||
|
||||
```json
|
||||
{
|
||||
@ -178,7 +159,7 @@ if field_1 == 1 || field_2 == 2 {
|
||||
}
|
||||
```
|
||||
|
||||
这些 Go 代码里 if 后面跟着的表达式在编程语言中有专有名词来表达 Boolean Expression：
|
||||
这些Go代码里`if`后面跟着的表达式在编程语言中有专有名词来表达Boolean Expression：
|
||||
|
||||
```go
|
||||
4 > 1
|
||||
@ -186,7 +167,7 @@ if field_1 == 1 || field_2 == 2 {
|
||||
3 < i && x > 10
|
||||
```
|
||||
|
||||
es 的 Bool Query 方案，实际上就是用 json 来表达了这种程序语言中的 Boolean Expression，为什么可以这么做呢？因为 json 本身是可以表达树形结构的，我们的程序代码在被编译器 parse 之后，也会变成 AST，而 AST 抽象语法树，顾名思义，就是树形结构。理论上 json 能够完备地表达一段程序代码被 parse 之后的结果。这里的 Boolean Expression 被编译器 Parse 之后也会生成差不多的树形结构，而且只是整个编译器实现的一个很小的子集。
|
||||
es的`Bool Query`方案，实际上就是用json来表达了这种程序语言中的Boolean Expression，为什么可以这么做呢？因为json本身是可以表达树形结构的，我们的程序代码在被编译器parse之后，也会变成AST，而AST抽象语法树，顾名思义，就是树形结构。理论上json能够完备地表达一段程序代码被parse之后的结果。这里的Boolean Expression被编译器Parse之后也会生成差不多的树形结构，而且只是整个编译器实现的一个很小的子集。
|
||||
|
||||
### 基于 client sdk 做开发
|
||||
|
||||
@ -281,13 +262,13 @@ func deleteDocument(
|
||||
}
|
||||
```
|
||||
|
||||
因为 lucene 的性质，本质上搜索引擎内的数据是不可变的，所以如果要对 document 进行更新，实际上是按照 id 进行完全覆盖的操作，所以与插入的情况是一样的。
|
||||
因为Lucene的性质，本质上搜索引擎内的数据是不可变的，所以如果要对文档进行更新，实际上是按照id进行完全覆盖的操作，所以与插入的情况是一样的。
|
||||
|
||||
使用 es 作为数据库使用时，需要注意，因为 es 有索引合并的操作，所以数据插入到 es 中到可以查询的到需要一段时间(由 es 的 refresh_interval 决定)。所以千万不要把 es 当成强一致的关系型数据库来使用。
|
||||
使用es作为数据库使用时，需要注意，因为es有索引合并的操作，所以数据插入到es中到可以查询的到需要一段时间(由es的refresh_interval决定)。所以千万不要把es当成强一致的关系型数据库来使用。
|
||||
|
||||
### 将 sql 转换为 DSL
|
||||
|
||||
比如我们有一段 bool 表达式，user_id = 1 and (product_id = 1 and (star_num = 4 or star_num = 5) and banned = 1)，写成 SQL 是如下形式：
|
||||
比如我们有一段bool表达式，`user_id = 1 and (product_id = 1 and (star_num = 4 or star_num = 5) and banned = 1)`，写成SQL是如下形式：
|
||||
|
||||
```sql
|
||||
select * from xxx where user_id = 1 and (
|
||||
@ -295,7 +276,7 @@ select * from xxx where user_id = 1 and (
|
||||
)
|
||||
```
|
||||
|
||||
写成 es 的 DSL 是如下形式：
|
||||
写成es的DSL是如下形式：
|
||||
|
||||
```json
|
||||
{
|
||||
@ -356,15 +337,15 @@ select * from xxx where user_id = 1 and (
|
||||
}
|
||||
```
|
||||
|
||||
es 的 DSL 虽然很好理解，但是手写起来非常费劲。前面提供了基于 SDK 的方式来写，但也不足够灵活。
|
||||
es的DSL虽然很好理解，但是手写起来非常费劲。前面提供了基于 SDK 的方式来写，但也不足够灵活。
|
||||
|
||||
SQL 的 where 部分就是 boolean expression。我们之前提到过，这种 bool 表达式在被 parse 之后，和 es 的 DSL 的结构长得差不多，我们能不能直接通过这种“差不多”的猜测来直接帮我们把 SQL 转换成 DSL 呢？
|
||||
SQL的where部分就是boolean expression。我们之前提到过，这种bool表达式在被parse之后，和es的DSL的结构长得差不多，我们能不能直接通过这种“差不多”的猜测来直接帮我们把SQL转换成DSL呢？
|
||||
|
||||
当然可以，我们把 SQL 的 where 被 Parse 之后的结构和 es 的 DSL 的结构做个对比：
|
||||
当然可以，我们把SQL的where被Parse之后的结构和es的DSL的结构做个对比：
|
||||
|
||||
|
||||
|
||||
既然结构上完全一致，逻辑上我们就可以相互转换。我们以广度优先对 AST 树进行遍历，然后将二元表达式转换成 json 字符串，再拼装起来就可以了，限于篇幅，本文中就不给出示例了，读者朋友可以查看：
|
||||
既然结构上完全一致，逻辑上我们就可以相互转换。我们以广度优先对AST树进行遍历，然后将二元表达式转换成json字符串，再拼装起来就可以了，限于篇幅，本文中就不给出示例了，读者朋友可以查看：
|
||||
|
||||
> github.com/cch123/elasticsql
|
||||
|
||||
@ -372,33 +353,15 @@ SQL 的 where 部分就是 boolean expression。我们之前提到过，这种 b
|
||||
|
||||
## 异构数据同步
|
||||
|
||||
在实际应用中，我们很少直接向搜索引擎中写入数据。更为常见的方式是，将 MySQL 或其它关系型数据中的数据同步到搜索引擎中。而搜索引擎的使用方只能对数据进行查询，无法进行修改和删除。
|
||||
在实际应用中，我们很少直接向搜索引擎中写入数据。更为常见的方式是，将MySQL或其它关系型数据中的数据同步到搜索引擎中。而搜索引擎的使用方只能对数据进行查询，无法进行修改和删除。
|
||||
|
||||
常见的同步方案有两种：
|
||||
|
||||
### 通过时间戳进行增量数据同步
|
||||
|
||||
```
|
||||
┌────────────────────────┐ ┌────────────────────────┐
|
||||
│ move 10 min data to es │ │ move 10 min data to es │
|
||||
└────────────────────────┘ └────────────────────────┘
|
||||
|
||||
|
||||
│ │ ┌───────────────┐
|
||||
───────────────┼────────────────┬──────────────┴─────────────┬──────────────▶ │ time passes │
|
||||
│ ┌───────┐ │ │ └───────────────┘
|
||||
│◀──┤ 10min ├───▶│ ┌────────────────────────┐
|
||||
│ └───────┘ │ │ move 10 min data to es │
|
||||
│ └────────────────────────┘
|
||||
│
|
||||
│
|
||||
│
|
||||
│
|
||||
┌────────────────────────┐
|
||||
│ move 10 min data to es │
|
||||
└────────────────────────┘
|
||||
```
|
||||
|
||||
这种同步方式与业务强绑定，例如 wms 系统中的出库单，我们并不需要非常实时，稍微有延迟也可以接受，那么我们可以每分钟从 MySQL 的出库单表中，把最近十分钟创建的所有出库单取出，批量存入 es 中，具体的逻辑实际上就是一条 SQL：
|
||||
这种同步方式与业务强绑定，例如wms系统中的出库单，我们并不需要非常实时，稍微有延迟也可以接受，那么我们可以每分钟从MySQL的出库单表中，把最近十分钟创建的所有出库单取出，批量存入es中，具体的逻辑实际上就是一条SQL：
|
||||
|
||||
```sql
|
||||
select * from wms_orders where update_time >= date_sub(now(), interval 10 minute);
|
||||
@ -412,60 +375,14 @@ select * from wms_orders where update_time >= date_sub(
|
||||
);
|
||||
```
|
||||
|
||||
取最近 11 分钟有变动的数据覆盖更新到 es 中。这种方案的缺点显而易见，我们必须要求业务数据严格遵守一定的规范。比如这里的，必须要有 update_time 字段，并且每次创建和更新都要保证该字段有正确的时间值。否则我们的同步逻辑就会丢失数据。
|
||||
取最近11分钟有变动的数据覆盖更新到es中。这种方案的缺点显而易见，我们必须要求业务数据严格遵守一定的规范。比如这里的，必须要有update_time字段，并且每次创建和更新都要保证该字段有正确的时间值。否则我们的同步逻辑就会丢失数据。
|
||||
|
||||
### 通过 binlog 进行数据同步
|
||||
|
||||
```
|
||||
┌────────────────────────┐
|
||||
│ MySQL master │
|
||||
└────────────────────────┘
|
||||
│
|
||||
│
|
||||
│
|
||||
│
|
||||
│
|
||||
│
|
||||
▼
|
||||
┌───────────────────┐
|
||||
│ row format binlog │
|
||||
└───────────────────┘
|
||||
│
|
||||
│
|
||||
│
|
||||
┌───────────────┴──────────────┐
|
||||
│ │
|
||||
│ │
|
||||
▼ ▼
|
||||
┌────────────────────────┐ ┌─────────────────┐
|
||||
│ MySQL slave │ │ canal │
|
||||
└────────────────────────┘ └─────────────────┘
|
||||
│
|
||||
┌─────────┴──────────┐
|
||||
│ parsed binlog │
|
||||
└─────────┬──────────┘
|
||||
│
|
||||
▼
|
||||
┌────────────────┐
|
||||
│ kafka │─────┐
|
||||
└────────────────┘ │
|
||||
│
|
||||
│
|
||||
│
|
||||
│
|
||||
┌───────────┴──────┐
|
||||
│ kafka consumer │
|
||||
└───────────┬──────┘
|
||||
│
|
||||
│
|
||||
│
|
||||
│ ┌────────────────┐
|
||||
└─────▶│ elasticsearch │
|
||||
└────────────────┘
|
||||
```
|
||||
|
||||
|
||||
业界使用较多的是阿里开源的 canal，来进行 binlog 解析与同步。canal 会伪装成 MySQL 的从库，然后解析好行格式的 binlog，再以更容易解析的格式(例如 json) 发送到消息队列。
|
||||
业界使用较多的是阿里开源的Canal，来进行binlog解析与同步。canal会伪装成MySQL的从库，然后解析好行格式的binlog，再以更容易解析的格式(例如json)发送到消息队列。
|
||||
|
||||
由下游的 kafka 消费者负责把上游数据表的自增主键作为 es 的 document 的 id 进行写入，这样可以保证每次接收到 binlog 时，对应 id 的数据都被覆盖更新为最新。MySQL 的 row 格式的 binlog 会将每条记录的所有字段都提供给下游，所以实际上在向异构数据目标同步数据时，不需要考虑数据是插入还是更新，只要一律按 id 进行覆盖即可。
|
||||
由下游的kafka消费者负责把上游数据表的自增主键作为es的document的id进行写入，这样可以保证每次接收到binlog时，对应id的数据都被覆盖更新为最新。MySQL的row格式的binlog会将每条记录的所有字段都提供给下游，所以实际上在向异构数据目标同步数据时，不需要考虑数据是插入还是更新，只要一律按id进行覆盖即可。
|
||||
|
||||
这种模式同样需要业务遵守一条数据表规范，即表中必须有唯一主键 id 来保证我们进入 es 的数据不会发生重复。一旦不遵守该规范，那么就会在同步时导致数据重复。当然，你也可以为每一张需要的表去定制消费者的逻辑，这就不是通用系统讨论的范畴了。
|
||||
这种模式同样需要业务遵守一条数据表规范，即表中必须有唯一主键id来保证我们进入es的数据不会发生重复。一旦不遵守该规范，那么就会在同步时导致数据重复。当然，你也可以为每一张需要的表去定制消费者的逻辑，这就不是通用系统讨论的范畴了。
|
||||
|
||||
BIN
images/ch6-binlog-sync.png
Normal file
BIN
images/ch6-binlog-sync.png
Normal file
Binary file not shown.
|
After Width: | Height: | Size: 15 KiB |
BIN
images/ch6-posting_list.png
Normal file
BIN
images/ch6-posting_list.png
Normal file
Binary file not shown.
|
After Width: | Height: | Size: 21 KiB |
BIN
images/ch6-sync.png
Normal file
BIN
images/ch6-sync.png
Normal file
Binary file not shown.
|
After Width: | Height: | Size: 17 KiB |
Loading…
x
Reference in New Issue
Block a user