0%

[译]ElasticSearch中如何处理关联数据?

Inner Object、Nested、Parent/Child、Denormalization

现实世界中的数据很少是简单的–通常情况下,数据之间有着错综复杂的联系。

你如何在 Elasticsearch 中表示关系数据? 有几种机制可用于提供关系支持。 每个都有其优点和缺点,使它们适用于不同的情况。

前置

在 Elasticsearch 中,没有专门的数组数据类型。 默认情况下,任何字段都可以包含零个或多个值,但是数组中的所有值必须具有相同的数据类型。 例如:

  • 字符串数组:[ “one”, “two” ]
  • 整数数组:[ 1, 2 ]
  • 数组的数组: [ 1, [ 2, 3 ]] 相当于 [ 1, 2, 3 ]
  • 对象数组:[ { “name”: “Mary”, “age”: 12 }, { “name”: “John”, “age”: 10 }]

本文主要讨论的是对象数组这种情况,而不是简单类型,比如:字符串、数字这种,这种es自动就处理了。

https://www.elastic.co/guide/en/elasticsearch/reference/current/array.html

Inner Objects

最简单的机制被命名为”内部对象”。 它们是嵌入在父文档中的JSON对象:

1
2
3
4
5
6
7
{
"name": "Zach",
"car": {
"make": "Saturn",
"model": "SL"
}
}

简单吧?”car”字段是一个JSON对象,内部对象有两个属性(“make”和”model”)。只要根对象和内部对象之间有一对一的关系,这个内部对象映射就可以工作。每个人最多有一辆”车”。

但如果Zach有两辆车,而另一个人Bob只有一辆车呢?

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
{
"name": "Zach",
"car": [
{
"make": "Saturn",
"model": "SL"
},
{
"make": "Subaru",
"model": "Imprezza"
}
]
}
{
"name": "Bob",
"car": [
{
"make": "Saturn",
"model": "Imprezza"
}
]
}

忽略Saturn未制造过Imprezza汽车的事实,当我们搜索它时会发生什么?逻辑上,只有Bob有一个”Saturn Imprezza”,所以我们应该能够执行如下查询:

1
query: car.make=Saturn AND car.model=Imprezza

这样对吗?如果执行该查询,您将搜到两个文档。Elasticsearch在内部将inner objects打平成单个对象。所以Zach’s的实体实际上是这样的:

1
2
3
4
5
6
7
8
9
10
11
{
"name": "Zach",
"car.make": [
"Saturn",
"Subaru"
],
"car.model": [
"SL",
"Imprezza"
]
}

这就解释了为什么会搜索到两条数据。Elasticsearch本质上是扁平的,因此在内部文档被表示为扁平化的字段。

Nested

作为内部对象的替代方案,Elasticsearch提供了“嵌套类型”的概念。 嵌套文档在文档级别看起来与内部对象相同,但提供了我们上面缺少的功能(以及一些限制)。

嵌套文档示例:

1
2
3
4
5
6
7
8
9
10
11
12
13
{
"name": "Zach",
"car": [
{
"make": "Saturn",
"model": "SL"
},
{
"make": "Subaru",
"model": "Imprezza"
}
]
}

在mapping级别,必须显式声明嵌套类型(与自动检测的内部对象不同):

1
2
3
4
5
6
7
8
9
10
11
12
{
"person": {
"properties": {
"name": {
"type": "string"
},
"car": {
"type": "nested"
}
}
}
}

内部对象的问题是,每个嵌套的JSON对象没有被视为文档的独立部分。相反,它们将内部对象相同属性名对应的属性进行合并。

而嵌套文档则不是这样。每个嵌套的文档保持独立,您可以执行一个查询,比如:

1
car.make=Saturn AND car.model=Imprezza

这样就不会有问题了。

Elasticsearch 从根本上来说仍然是扁平的,但它在内部管理嵌套关系。当您创建嵌套文档时,Elasticsearch实际上索引两个单独的文档(根对象和嵌套对象),然后在内部将两者关联起来。 两个文档都存储在同一个Shard上的同一个Lucene块中,因此读取性能仍然非常快。

这种安排确实有一些缺点。 最明显的是,您只能使用特殊的”嵌套查询”访问这些嵌套文档。

由于所有的文档都存储在同一个Lucene块中,Lucene从不允许对它的段进行随机的写,更新嵌套文档中的一个字段将强制对整个文档进行重新索引。

这包括根对象和任何其他嵌套对象,即使它们没有被修改。在内部,ES将旧文档标记为已删除,更新字段,然后将所有内容重新索引到一个新的Lucene块中。如果您的数据经常更改,那么嵌套文档reindexing开销将不可忽略。

最后,不可能在嵌套文档之间”交叉引用”。一个嵌套文档不能”看到”另一个嵌套文档的属性。例如,您不能过滤”A.name”,但可以过滤”B.age”上的facet。你可以通过使用’include_in_root’来解决这个问题,它有效地将嵌套的文档复制到根目录中,但这让你回到了内部对象的问题。

Nested缺点补充(20240320)

官网

对文档进行建模时,应尽可能降低搜索时的成本。

嵌套会使查询速度降低数倍,而父子关系会使查询速度降低数百倍。因此,如果可以通过非规范化文档来回答相同的问题,而无需连接,则可以预期显着的加速。

https://www.elastic.co/guide/en/elasticsearch/reference/master/tune-for-search-speed.html

stackoverflow

如果使用嵌套类型且不经常修改,那么它就很好,可以为查询创建更广阔的范围,但如果频繁更改,那么成本就会很高。

与平面类型映射相比,嵌套类型映射对索引的影响更大。由于 Lucene 没有嵌套对象类型的概念,所有内容都存储为平面对象。因此在编制索引时需要执行额外的操作。

试想一下,如果您有一个大型嵌套文档,它可以转化为 100K 个内部文档,将其与平面数据模型进行比较,在平面数据模型中,我们将 100K 部分作为独立文档进行索引。如果我们在最深的嵌套层添加一个嵌套文档,这将增加一个平面文档,而嵌套文档最终将重新索引 100k+ 1 个文档。另一方面,如果您在根目录下更改了某些内容,那么在这两种情况下都需要更新所有文档。因此,您可以想象一下,单个文档的更改就会导致重新索引该文档的所有嵌套字段。

https://stackoverflow.com/questions/58341418/elasticsearch-nested-vs-flat-indicies

Nested存储结构

嵌套对象的总体思路如下–利用文件的逻辑组织,而不是像parent-child那样依赖 id 进行连接

每个嵌套对象都写在父文档之前:

1
NESTED_DOC11 NESTED_DOC12 PARENT_DOC1 NESTED_DOC21 NESTED_DOC22 PARENT_DOC2

这是一个巧妙的技巧,我们经常使用它来对嵌套对象进行高效查询,而无需按 ID 进行大量查找。

不过,这也意味着一些限制–例如,如果不重新索引整个 “块”,就无法更新/删除/添加嵌套文档。

https://stackoverflow.com/questions/54016497/elasticsearch-how-nested-object-connection-to-parent-document

Parent/Child

Elasticsearch 提供的最后一个方法是父/子类型。 该方案比嵌套的耦合更松散,并为您提供一组稍微强大的查询。 让我们看一个例子,其中一个人有多个家(在不同的州)。 parent的映射,比如:

1
2
3
4
5
6
7
8
9
{
"mappings": {
"person": {
"name": {
"type": "string"
}
}
}
}

child拥有自己的映射,但具有特殊的_parent属性:

1
2
3
4
5
6
7
8
9
10
{
"homes": {
"_parent": {
"type": "person"
},
"state": {
"type": "string"
}
}
}

_parent字段告诉 Elasticsearch “homes”类型是”人员”person的子代。 向该方案添加文档非常容易。 父文档正常索引:

1
2
3
4
$ curl -XPUT localhost:9200/test/person/zach/ -d'
{
"name": "Zach"
}

并且索引子文档几乎和正常一样,除了您需要在查询参数中指定这个子文档属于哪个父文档(在本例中为”zach”,这是我们在上述文档中使用的 ID):

1
2
3
4
5
6
7
8
$ curl -XPOST localhost:9200/test/homes?parent=zach -d'
{
"state": "Ohio"
}
$ curl -XPOST localhost:9200/test/homes?parent=zach -d'
{
"state": "South Carolina"
}

这两个文档现在都与”zach”父文档相关联,这允许您使用特殊查询,例如:

您可以单独查询父类型或子类型,因为它们是一级类型并且会像普通查询一样响应(只是不能使用关系值)。

Nested的一个大问题是它们的存储:所有内容都存储在同一个Lucene块中。Parent/Child通过分离两个文档并松散耦合它们来消除这种限制。这样做有利有弊。松散耦合意味着你可以更自由地更新/删除子文档,因为它们对父文档或其他子文档没有影响。

缺点是Parent/Child的性能略低于嵌套。子文档被路由到与父文档相同的shard,所以它们仍然受益于shard级别的缓存和内存过滤。但是它们没有嵌套的那么快,因为它们不在同一个Lucene块中。还有一点内存开销,因为ElasticSearch需要在内存中保留一个”连接表”,用于管理关系

最后,坦率地说,您将遇到排序或评分非常困难的情况。例如,不可能知道哪个子文档匹配您的’Has_Child’过滤器,只知道返回的父文档中的一个文档匹配了条件。这可能会令人沮丧,这取决于您的用例。

Denormalization

有时最好的选择是在适当的地方简单地对数据进行反规范化。Elasticsearch提供的关系工具非常适合某些场景……但从来没有打算提供您期望从RDBM中得到的健壮关系特性。

从本质上讲,Elasticsearch是一个扁平的层次结构,试图将关系数据强制放入其中可能非常具有挑战性。有时,最好的解决方案是明智地选择要反规范化的数据,以及可以接受第二个查询来检索子查询的位置。非规范化可以为您提供最大的权力和灵活性。

当然,这也带来了管理开销的负担。您可以管理关系,并执行所需的查询/过滤器来关联各种类型。

Conclusion and Recap

简单概括一下:

Inner Object

  • 简单,快速,性能
  • 仅适用于保持一对一关系时
  • 不需要特殊查询

Nested

  • 嵌套文档存储在同一个Lucene块中,这有助于提高读取/查询性能。读取嵌套文档比读取等效的父/子文档要快。
  • 更新嵌套文档(父文档或子文档)中的单个字段将迫使ES重新索引整个嵌套文档。对于大型嵌套文档来说,这可能是非常昂贵的
  • “交叉引用”嵌套文档是不可能的
  • 最适合不经常更改的数据

Parent/Child

  • 子节点与父节点分开存储,但是被路由到相同的碎片。因此,parent/child在读/查询方面的性能略低于嵌套
  • 父/子映射有一点额外的内存开销,因为ES在内存中维护一个”连接”列表
  • 更新子文档不会影响父文档或任何其他子文档,这可能会节省大量大型文档的索引
  • Parent/Child的排序/评分可能很困难,因为Has Child/Has Parent操作有时是不透明的

Denormalization

  • 你可以自己管理所有的关系!
  • 最灵活、管理开销最大
  • 可能是更多或更少的性能取决于您的设置

原文地址:https://www.elastic.co/cn/blog/managing-relations-inside-elasticsearch

欢迎关注我的其它发布渠道