面试题答案
一键面试存储结构层面
- 直接获取_source
- 资源利用：Elasticsearch底层将文档以JSON格式存储在磁盘上，直接获取_source时，Elasticsearch可以直接从存储的文档中提取相应的_source字段数据。这意味着在磁盘I/O方面，它主要是直接读取包含目标文档_source的存储块，资源利用相对简单直接，减少了额外的数据处理开销。
- 数据处理逻辑：几乎不涉及复杂的数据处理。Elasticsearch定位到文档后，直接返回存储的_source内容，相当于“原样输出”。
- 适用场景：适用于需要获取完整文档内容，对文档进行整体展示、传输或进一步在外部系统进行完整处理的场景，如日志查看、文档备份等。
- 通过聚合获取数据
- 资源利用：聚合操作在Elasticsearch内部涉及到对多个文档的分析和统计。它需要读取多个文档的相关字段数据，构建数据结构（如桶、指标计算所需的数据等）。这会涉及更多的磁盘I/O操作，因为要遍历相关的文档集合。同时，聚合计算在内存中也需要占用一定空间来存储中间结果和进行计算。
- 数据处理逻辑：聚合操作有复杂的计算逻辑，例如分组（terms聚合）需要对文档的指定字段进行分类，统计指标（如sum、avg聚合）需要对数值字段进行数学运算。这些操作都需要对大量文档数据进行处理和分析。
- 适用场景：适用于需要对数据进行统计分析的场景，如统计不同类别商品的销售总额、计算网站不同页面的平均访问时长等。
- 通过脚本获取数据
- 资源利用：脚本执行时，Elasticsearch需要为脚本的运行分配资源。脚本可能会对文档的各个字段进行操作，这意味着它可能需要读取文档的多个字段甚至整个_source。与直接获取_source相比，脚本执行增加了CPU的计算开销，因为要执行脚本中的逻辑代码。同时，脚本可能会在内存中创建临时变量和数据结构，增加内存的使用。
- 数据处理逻辑：脚本允许用户自定义数据处理逻辑，可以根据文档字段进行复杂的计算、转换等操作。例如，根据多个数值字段计算新的指标，或者对文本字段进行自定义的格式化。
- 适用场景：适用于需要对数据进行个性化处理，内置的聚合和查询功能无法满足需求的场景，如根据特定业务规则对文档数据进行转换。
索引机制层面
- 直接获取_source
- 资源利用：索引主要用于快速定位文档所在的分片和位置。直接获取_source时，索引的作用是帮助Elasticsearch快速找到包含目标文档的物理存储位置。索引的使用相对简单，主要是基于文档的ID或者查询条件定位文档，不会对索引进行复杂的分析操作。
- 数据处理逻辑：依赖索引的快速查找功能，一旦定位到文档，就直接从存储中获取_source。不涉及对索引结构的深度挖掘或二次处理。
- 适用场景：对于已知文档ID或者简单查询就能明确目标文档的场景，索引能高效地辅助获取_source，如根据用户ID获取用户详细信息。
- 通过聚合获取数据
- 资源利用：聚合操作依赖索引的倒排索引结构。例如，terms聚合需要通过倒排索引统计每个词项出现的文档频率，从而进行分组。这需要对索引进行多次遍历和分析，以收集聚合所需的数据。与直接获取_source相比，聚合对索引的访问和处理更为复杂，需要消耗更多的索引相关资源。
- 数据处理逻辑：利用索引的统计信息，如词频、文档频率等，来构建聚合结果。例如，在构建直方图聚合时，需要根据索引中的数值范围信息对文档进行分组。
- 适用场景：在需要对大量文档基于索引字段进行统计分析时，聚合利用索引的统计特性可以高效地得出结果，如统计不同年龄段的用户数量。
- 通过脚本获取数据
- 资源利用：脚本执行时同样依赖索引来定位文档，但由于脚本可能对文档进行复杂操作，可能需要多次从索引中读取文档的不同部分。如果脚本涉及对多个字段的关联操作，可能会多次查询索引以获取相关数据，增加了索引的I/O开销。
- 数据处理逻辑：脚本基于索引定位到文档后，按照脚本逻辑对文档数据进行处理。脚本可以利用索引的信息进行自定义的计算，如根据索引中的地理位置信息计算文档之间的距离。
- 适用场景：当需要基于索引数据进行个性化的、非标准的计算和处理时，脚本可以借助索引的定位功能实现复杂逻辑，如根据文档的时间戳和地理位置进行自定义的排序。
查询执行流程层面
- 直接获取_source
- 资源利用：查询执行过程相对简单。首先，Elasticsearch根据查询条件（如文档ID）在索引中定位文档所在的分片。然后，从相应分片的存储中读取包含_source的文档数据并返回。这个过程中，网络传输主要是返回单个文档的_source数据，资源消耗主要集中在磁盘I/O和少量的网络传输。
- 数据处理逻辑：查询执行逻辑就是定位文档并返回_source，不涉及中间数据的复杂处理。如果是简单的ID查询，几乎是直接从存储中提取数据。
- 适用场景：适用于对数据实时性要求高，且需要获取完整文档数据的场景，如用户查看自己的详细资料页面。
- 通过聚合获取数据
- 资源利用：查询执行流程更为复杂。首先，Elasticsearch会根据查询条件在各个分片上收集相关文档数据。然后，在每个分片上进行局部聚合计算，生成局部聚合结果。接着，这些局部聚合结果会被合并到协调节点，进行最终的聚合计算。这个过程中，网络传输涉及大量的文档数据收集以及局部聚合结果的传输和合并，磁盘I/O也因为要读取大量文档而增加，同时内存中需要存储局部聚合结果和进行最终聚合计算。
- 数据处理逻辑：包含局部聚合和全局聚合两个主要阶段。局部聚合在各个分片上对文档数据进行初步统计，全局聚合则将局部结果合并并得出最终的聚合结果。例如，在计算全球不同城市的平均气温时，每个分片先计算本分片内城市的平均气温，然后协调节点将所有分片的结果合并计算出全球平均气温。
- 适用场景：适用于对数据进行宏观统计分析的场景，如统计电商平台不同品类商品的销售占比。
- 通过脚本获取数据
- 资源利用：查询执行时，首先通过索引定位文档，然后在每个文档上执行脚本。这意味着网络传输可能是单个文档传输给脚本执行环境，也可能是批量传输（取决于脚本执行方式）。由于脚本执行的计算复杂性，CPU资源消耗较大，同时内存中需要存储脚本执行过程中的临时变量和中间结果。
- 数据处理逻辑：按照脚本定义的逻辑对文档数据进行处理。脚本可以对文档的字段进行增删改查等操作，并且可以在多个文档之间进行关联计算。例如，脚本可以根据文档中的订单金额和折扣字段计算实际支付金额，并对所有订单进行汇总。
- 适用场景：适用于需要对文档数据进行灵活定制化处理的场景，如根据业务规则对文档数据进行动态调整和计算。