“ELK”是 ElasticSearch、Logstash、Kibana 三門技術的簡稱，如今 ELK 技術棧在互聯網行業數據開發領域使用率越來越高。

做過數據收集、數據開發、數據存儲的同學相信對這個簡稱并不陌生，而 ElasticSearch(以下簡稱 ES)則在 ELK 棧中占著舉足輕重的地位。

前一段時間，我親身參與了一個 ES 集群的調優，今天把我所了解與用到的調優方法與大家分享，如有錯誤，請大家包涵與指正。

系統層面的調優

系統層面的調優主要是內存的設定與避免交換內存。ES 安裝后默認設置的堆內存是 1GB，這很明顯是不夠的，那么接下來就會有一個問題出現：我們要設置多少內存給 ES 呢?

其實這是要看我們集群節點的內存大小，還取決于我們是否在服務器節點上還要部署其他服務。

如果內存相對很大，如 64G 及以上，并且我們不在 ES 集群上部署其他服務，那么我建議 ES 內存可以設置為 31G-32G，因為這里有一個 32G 性能瓶頸問題。

直白的說就是即使你給了 ES 集群大于 32G 的內存，其性能也不一定會更加優良，甚至會不如設置為 31G-32G 時候的性能。

以我調優的集群為例，我所調優的服務器節點內存為 64G，服務器節點上也基本不跑其他服務，所以我把 ES 集群內存大小設置為了 31G，以充分發揮集群性能。

設置 ES 集群內存的時候，還有一點就是確保堆內存最小值(Xms)與***值(Xmx)的大小是相同的，防止程序在運行時改變堆內存大小，這是一個很耗系統資源的過程。

還有一點就是避免交換內存，可以在配置文件中對內存進行鎖定，以避免交換內存(也可以在操作系統層面進行關閉內存交換)。

對應的參數：

bootstrap.mlockall: true 

分片與副本

分片 (shard)

ES 是一個分布式的搜索引擎, 索引通常都會分解成不同部分, 分布在不同節點的部分數據就是分片。

ES 自動管理和組織分片, 并在必要的時候對分片數據進行再平衡分配, 所以用戶基本上不用擔心分片的處理細節。創建索引時默認的分片數為 5 個，并且一旦創建不能更改。

副本 (replica)

ES 默認創建一份副本，就是說在 5 個主分片的基礎上，每個主分片都相應的有一個副本分片。

額外的副本有利有弊，有副本可以有更強的故障恢復能力，但也占了相應副本倍數的磁盤空間。

那我們在創建索引的時候，應該創建多少個分片與副本數呢?對于副本數，比較好確定，可以根據我們集群節點的多少與我們的存儲空間決定。

我們的集群服務器多，并且有足夠大多存儲空間，可以多設置副本數，一般是 1-3 個副本數，如果集群服務器相對較少并且存儲空間沒有那么寬松，則可以只設定一份副本以保證容災(副本數可以動態調整)。

對于分片數，是比較難確定的，因為一個索引分片數一旦確定，就不能更改。

所以我們在創建索引前，要充分的考慮到，以后我們創建的索引所存儲的數據量，否則創建了不合適的分片數，會對我們的性能造成很大的影響。

對于分片數的大小，業界一致認為分片數的多少與內存掛鉤，認為 1GB 堆內存對應 20-25 個分片，而一個分片的大小不要超過 50G，這樣的配置有助于集群的健康。

但是我個人認為這樣的配置方法過于死板，我個人在調優 ES 集群的過程中，根據總數據量的大小，設定了相應的分片，保證每一個分片的大小沒有超過 50G(大概在 40G 左右)，但是相比之前的分片數查詢起來，效果并不明顯。

之后又嘗試了增加分片數，發現分片數增多之后，查詢速度有了明顯的提升，每一個分片的數據量控制在 10G 左右。

查詢大量小分片使得每個分片處理數據速度更快了，那是不是分片數越多，我們的查詢就越快，ES 性能就越好呢?

其實也不是，因為在查詢過程中，有一個分片合并的過程，如果分片數不斷的增加，合并的時間則會增加。

而且隨著更多的任務需要按順序排隊和處理，更多的小分片不一定要比查詢較小數量的更大的分片更快。如果有多個并發查詢，則有很多小碎片也會降低查詢吞吐量。

如果現在你的場景是分片數不合適了，但是又不知道如何調整，那么有一個好的解決方法就是按照時間創建索引，然后進行通配查詢。

如果每天的數據量很大，則可以按天創建索引，如果是一個月積累起來導致數據量很大，則可以一個月創建一個索引。

如果要對現有索引進行重新分片，則需要重建索引，我會在文章的***總結重建索引的過程。

參數調優

下面我會介紹一些 ES 關鍵參數的調優。有很多場景是，我們的 ES 集群占用了多大的 CPU 使用率，該如何調節呢?

CPU 使用率高，有可能是寫入導致的，也有可能是查詢導致的，那要怎么查看呢?

可以先通過 GET _nodes/{node}/hot_threads 查看線程棧，查看是哪個線程占用 CPU 高：

• 如果是 elasticsearch[{node}][search][T#10] 則是查詢導致的。
• 如果是 elasticsearch[{node}][bulk][T#1] 則是數據寫入導致的。

我在實際調優中，CPU 使用率很高，如果不是 SSD，建議把 index.merge.scheduler.max_thread_count: 1 索引 merge ***線程數設置為 1 個，該參數可以有效調節寫入的性能。

因為在存儲介質上并發寫，由于尋址的原因，寫入性能不會提升，只會降低。

還有幾個重要參數可以進行設置，各位同學可以視自己的集群情況與數據情況而定。

index.refresh_interval：這個參數的意思是數據寫入后幾秒可以被搜索到，默認是 1s。

每次索引的 refresh 會產生一個新的 lucene 段, 這會導致頻繁的合并行為，如果業務需求對實時性要求沒那么高，可以將此參數調大，實際調優告訴我，該參數確實很給力，CPU 使用率直線下降。

indices.memory.index_buffer_size：如果我們要進行非常重的高并發寫入操作，那么***將 indices.memory.index_buffer_size 調大一些。

index buffer 的大小是所有的 shard 公用的，一般建議(看的大牛博客)，對于每個 shard 來說，最多給 512mb，因為再大性能就沒什么提升了。

ES 會將這個設置作為每個 shard 共享的 index buffer，那些特別活躍的 shard 會更多的使用這個 buffer。默認這個參數的值是 10%，也就是 jvm heap 的 10%。

translog：ES 為了保證數據不丟失，每次 index、bulk、delete、update 完成的時候，一定會觸發刷新 translog 到磁盤上。

在提高數據安全性的同時當然也降低了一點性能。如果你不在意這點可能性，還是希望性能優先，可以設置如下參數：

"index.translog": { 
            "sync_interval": "120s",     --sync間隔調高 
            "durability": "async",       -– 異步更新 
            "flush_threshold_size":"1g"  --log文件大小 
        } 

這樣設定的意思是開啟異步寫入磁盤，并設定寫入的時間間隔與大小，有助于寫入性能的提升。

還有一些超時參數的設置：

• discovery.zen.ping_timeout 判斷 master 選舉過程中，發現其他 node 存活的超時設置。
• discovery.zen.fd.ping_interval 節點被 ping 的頻率，檢測節點是否存活。
• discovery.zen.fd.ping_timeout 節點存活響應的時間，默認為 30s，如果網絡可能存在隱患，可以適當調大。
• discovery.zen.fd.ping_retries ping 失敗/超時多少導致節點被視為失敗，默認為 3。

其他建議

還有一些零碎的優化建議如下：

插入索引自動生成 id：當寫入端使用特定的 id 將數據寫入 ES 時，ES 會檢查對應的索引下是否存在相同的 id。

這個操作會隨著文檔數量的增加使消耗越來越大，所以如果業務上沒有硬性需求，建議使用 ES 自動生成的 id，加快寫入速率。

避免稀疏索引：索引稀疏之后，會導致索引文件增大。ES 的 keyword，數組類型采用 doc_values 結構。

即使字段是空值，每個文檔也會占用一定的空間，所以稀疏索引會造成磁盤增大，導致查詢和寫入效率降低。

我的調優

下面說一說我的調優：主要是重建索引，更改了現有索引的分片數量，經過不斷的測試，找到了一個***的分片數量。

重建索引的時間是漫長的，在此期間，又對 ES 的寫入進行了相應的調優，使 CPU 使用率降低下來。

附上我的調優參數：

index.merge.scheduler.max_thread_count:1 # 索引 merge ***線程數 
indices.memory.index_buffer_size:30%     # 內存 
index.translog.durability:async # 這個可以異步寫硬盤，增大寫的速度 
index.translog.sync_interval:120s #translog 間隔時間 
discovery.zen.ping_timeout:120s # 心跳超時時間 
discovery.zen.fd.ping_interval:120s     # 節點檢測時間 
discovery.zen.fd.ping_timeout:120s     #ping 超時時間 
discovery.zen.fd.ping_retries:6     # 心跳重試次數 
thread_pool.bulk.size:20 # 寫入線程個數 由于我們查詢線程都是在代碼里設定好的，我這里只調節了寫入的線程數 
thread_pool.bulk.queue_size:1000 # 寫入線程隊列大小 
index.refresh_interval:300s #index 刷新間隔復制代碼 

關于重建索引

在重建索引之前，首先要考慮一下重建索引的必要性，因為重建索引是非常耗時的。

ES 的 reindex api 不會去嘗試設置目標索引，不會復制源索引的設置，所以我們應該在運行_reindex 操作之前設置目標索引，包括設置映射(mapping)，分片，副本等。

***步，和創建普通索引一樣創建新索引

當數據量很大的時候，需要設置刷新時間間隔，把 refresh_intervals 設置為 -1，即不刷新。

number_of_replicas 副本數設置為 0(因為副本數可以動態調整，這樣有助于提升速度)。

{ 
    "settings": { 
 
        "number_of_shards": "50", 
        "number_of_replicas": "0", 
        "index": { 
            "refresh_interval": "-1" 
        } 
    } 
    "mappings": { 
    } 
} 

第二步，調用 reindex 接口

建議加上 wait_for_completion=false 的參數條件，這樣 reindex 將直接返回 taskId。

POST _reindex?wait_for_completion=false 
 
{ 
  "source": { 
    "index": "old_index",   //原有索引 
    "size": 5000            //一個批次處理的數據量 
  }, 
  "dest": { 
    "index": "new_index",   //目標索引 
  } 
} 

第三步：等待

可以通過 GET _tasks?detailed=true&actions=*reindex 來查詢重建的進度。如果要取消 task 則調用_tasks/node_id:task_id/_cancel。

第四步：刪除舊索引，釋放磁盤空間

更多細節可以查看 ES 官網的 reindex api。那么有的同學可能會問，如果我此刻 ES 是實時寫入的，那咋辦呀?

這個時候，我們就要重建索引的時候，在參數里加上上一次重建索引的時間戳。

直白的說就是，比如我們的數據是 100G，這時候我們重建索引了，但是這個 100G 在增加，那么我們重建索引的時候，需要記錄好重建索引的時間戳。

記錄時間戳的目的是下一次重建索引跑任務的時候不用全部重建，只需要在此時間戳之后的重建就可以，如此迭代，直到新老索引數據量基本一致，把數據流向切換到新索引的名字。

POST /_reindex 
{ 
    "conflicts": "proceed",          //意思是沖突以舊索引為準，直接跳過沖突，否則會拋出異常，停止task 
    "source": { 
        "index": "old_index"         //舊索引 
        "query": { 
            "constant_score" : { 
                "filter" : { 
                    "range" : { 
                        "data_update_time" : { 
                            "gte" : 123456789   //reindex開始時刻前的毫秒時間戳 
                            } 
                        } 
                    } 
                } 
            } 
        }, 
    "dest": { 
        "index": "new_index",       //新索引 
        "version_type": "external"  //以舊索引的數據為準 
        } 
} 

以上就是我在 ES 調優上的一點總結，希望能夠幫助到對 ES 性能有困惑的同學們，謝謝大家。