记一次引入Elasticsearch的系统架构实战
前言
我曾經(jīng)面試安踏的技術(shù)崗，當(dāng)時(shí)面試官問了我一個(gè)問題：如果你想使用某個(gè)新技術(shù)但是領(lǐng)導(dǎo)不愿意，你怎么辦？
對(duì)于該問題我相信大家就算沒有面試被問到過，現(xiàn)實(shí)工作中同事之間的合作也會(huì)遇到。
因此從我的角度重新去回答這個(gè)問題，有以下幾點(diǎn)：
1.師出有名，在軟件工程里是針對(duì)問題場(chǎng)景提供解決方案的，如果脫離的實(shí)際問題（需求）去做技術(shù)選型，無疑是耍流氓。大家可以回顧身邊的“架構(gòu)師”、“技術(shù)Leader”是不是拍拍腦袋做決定，問他們?yōu)槭裁催@么做，可能連個(gè)冠冕堂皇的理由都給不出。
2.信任度，只有基于上面的條件，你才有理由建議引入新技術(shù)。領(lǐng)導(dǎo)愿不愿意引入新技術(shù)有很多原因：領(lǐng)導(dǎo)不了解這技術(shù)、領(lǐng)導(dǎo)偏保守、領(lǐng)導(dǎo)不是做技術(shù)的等。那么我認(rèn)為這幾種都是信任度，這種信任度分人和事，人就是引入技術(shù)的提出者，事就是提出引入的技術(shù)。
3.盡人事，任何問題只是單純解決事都是簡(jiǎn)單的，以我以往的做法，把基本資料收集全并以通俗易懂的方式歸納與講解，最好能提供一些能量化的數(shù)據(jù)，這樣更加有說服力。知識(shí)普及OK后，就可以嘗試寫方案與做個(gè)Demo，方案最好可以提供多個(gè)，可以分短期收益與長(zhǎng)期收益的。完成上面幾點(diǎn)可以說已經(jīng)盡人事了，如果領(lǐng)導(dǎo)還不答應(yīng)那么的確有他的顧慮，就算無法落實(shí)，到目前為止的收獲也不錯(cuò)。
4.復(fù)雜的是人，任何人都無法時(shí)刻站在理智與客觀的角度去看待問題，事是由人去辦的，所以同一件事由不同的人說出來的效果也不一樣。因此得學(xué)會(huì)向上管理、保持與同事之間合作融洽度，盡早的建立合作信任。本篇文章更多敘述的事，因此人方面不過多深究，有興趣的我可以介紹一本書《知行 技術(shù)人的管理之路》。
本篇我的實(shí)踐做法與上述一樣，除了4無法體現(xiàn)。那么下文我分了4大模塊：業(yè)務(wù)背景介紹、基礎(chǔ)概念講解、方案的選用與技術(shù)細(xì)節(jié)。
該篇文章不包含代碼有8000多千字，花了我3天時(shí)間寫，可能需要您花10分鐘慢慢閱讀，我承諾大家正文里面細(xì)節(jié)滿滿。
曾有朋友建議我拆開來寫，但是我的習(xí)慣還是希望以一篇文章，這樣更加系統(tǒng)化的展示給大家。當(dāng)然大家有什么建議也可以在下方留言給我。
部分源碼，我放到了https://github.com/SkyChenSky/Sikiro 的Sikiro.ES.Api里
背景
本公司多年以來用SQL Server作為主存儲(chǔ)，隨著多年的業(yè)務(wù)發(fā)展，已經(jīng)到了數(shù)千萬級(jí)的數(shù)據(jù)量。
而部分非核心業(yè)務(wù)原本應(yīng)該超億的量級(jí)了，但是因?yàn)閺奈锢肀淼脑O(shè)計(jì)優(yōu)化上進(jìn)行了數(shù)據(jù)壓縮，導(dǎo)致維持在一個(gè)比較穩(wěn)定的數(shù)量。壓縮數(shù)據(jù)雖然能減少存儲(chǔ)量，優(yōu)化提供一定的性能，但是同時(shí)帶來的損失了業(yè)務(wù)可擴(kuò)展性。舉個(gè)例子：我們平臺(tái)某個(gè)用戶擁有最后訪問作品記錄和總的閱讀時(shí)長(zhǎng)，但是沒有某個(gè)用戶的閱讀明細(xì)，那么這樣的設(shè)計(jì)就會(huì)導(dǎo)致后續(xù)新增一個(gè)抽獎(jiǎng)業(yè)務(wù)，需要在某個(gè)時(shí)間段內(nèi)閱讀了多長(zhǎng)時(shí)間或者章節(jié)數(shù)量的作品，才能參加與抽獎(jiǎng)；或者運(yùn)營(yíng)想通過閱讀記錄統(tǒng)計(jì)或者分析出，用戶的愛好和受歡迎的作品。現(xiàn)有的設(shè)計(jì)對(duì)以上兩種業(yè)務(wù)情況都是無法滿足的。
此外我們平臺(tái)還有作品搜索功能，like ‘%搜索%’查詢是不走索引的而走全表掃描，一張表42W全表掃描，數(shù)據(jù)庫服務(wù)器配置可以的情況下還是可以的，但是存在并發(fā)請(qǐng)求時(shí)候，資源消耗就特別厲害了，特別是在偶爾被爬蟲爬取數(shù)據(jù)。（我們平臺(tái)API的并發(fā)峰值能達(dá)到8w/s，每天的接口在淡季請(qǐng)求次數(shù)達(dá)到了1億1千萬）
關(guān)系型數(shù)據(jù)庫擁有ACID特性，能通過金融級(jí)的事務(wù)達(dá)成數(shù)據(jù)的一致性，然而它卻沒有橫向擴(kuò)展性，只要在海量數(shù)據(jù)場(chǎng)景下，單實(shí)例，無論怎么在關(guān)系型數(shù)據(jù)庫做優(yōu)化，都是只是治標(biāo)。而NoSQL的出現(xiàn)很好的彌補(bǔ)了關(guān)系型數(shù)據(jù)庫的短板，在馬丁福勒所著的《NoSQL精粹》對(duì)NoSQL進(jìn)行了分類：文檔型、圖形、列式，鍵值，從我的角度其實(shí)可以把搜索引擎納入NoSQL范疇，因?yàn)樗拇_滿足的NoSQL的4大特性：易擴(kuò)展、大數(shù)據(jù)量高性能、靈活的數(shù)據(jù)模型、高可用。我看過一些同行的見解，把Elasticsearch歸為文檔型NoSQL，我個(gè)人是沒有給他下過于明確的定義，這個(gè)上面說法大家見仁見智。
MongoDB作為文檔型數(shù)據(jù)庫也屬于我的技術(shù)選型范圍，它的讀寫性能高且平衡、數(shù)據(jù)分片與橫向擴(kuò)展等都非常適合我們平臺(tái)部分場(chǎng)景，最后我還是選擇Elasticsearch。原因有三：
我們運(yùn)維相比于MongoDB更熟悉Elasticsearch。
我們接下來有一些統(tǒng)計(jì)報(bào)表類的需求，Elastic Stack的各種工具能很好滿足我們的需求。
我們目前著手處理的場(chǎng)景以非實(shí)時(shí)、純讀為主的業(yè)務(wù)，Elasticsearch近實(shí)時(shí)搜索已經(jīng)能滿足我們。
Elasticsearch優(yōu)缺點(diǎn)
百度百科 ：
Elasticsearch是一個(gè)基于Lucene的搜索服務(wù)器。它提供了一個(gè)分布式多用戶能力的全文搜索引擎，基于RESTful web接口。Elasticsearch由Java語言開發(fā)的，是一種流行的企業(yè)級(jí)搜索引擎。Elasticsearch用于云計(jì)算中，能夠達(dá)到實(shí)時(shí)搜索，穩(wěn)定，可靠，快速，安裝使用方便。官方客戶端在Java、.NET（C#）、PHP、Python、Apache Groovy、Ruby和許多其他語言中都是可用的。
對(duì)于滿足當(dāng)下的業(yè)務(wù)需求和未來支持海量數(shù)據(jù)的搜索，我選擇了Elasticsearch，其實(shí)原因主要以下幾點(diǎn)：
| 優(yōu)點(diǎn) | 描述 |
| 橫向可擴(kuò)展性 | 可單機(jī)、可集群，橫向擴(kuò)展非常簡(jiǎn)單方便，自動(dòng)整理數(shù)據(jù)分片 |
| 快 | 索引被分為多個(gè)分片(Shard)，利用多臺(tái)服務(wù)器，使用了分而治之的思想提升處理效率 |
| 支持搜索多樣化 | 與傳統(tǒng)關(guān)系型數(shù)據(jù)庫相比，ES提供了全文檢索、同義詞處理、相關(guān)度排名、復(fù)雜數(shù)據(jù)分析、海量數(shù)據(jù)的近實(shí)時(shí)處理等功能 |
| 高可用 | 提供副本(Replica)機(jī)制，一個(gè)分片可以設(shè)置多個(gè)副本，假如某服務(wù)器宕機(jī)后，集群仍能正常工作。 |
| 開箱即用 | 簡(jiǎn)易的運(yùn)維部署，提供基于Restful API，多種語言的SDK |
那么我個(gè)人認(rèn)為Elasticsearch比較大的缺點(diǎn)只有?吃內(nèi)存，具體原因可以看下文內(nèi)存讀取部分。
Elasticsearch為什么快？
我個(gè)人對(duì)于Elasticsearch快的原因主要總結(jié)三點(diǎn)：
內(nèi)存讀取
多種索引
倒排索引
doc values
集群分片
內(nèi)存讀取
Elasticsearch是基于Lucene， 而Lucene被設(shè)計(jì)為可以利用操作系統(tǒng)底層機(jī)制來緩存內(nèi)存數(shù)據(jù)結(jié)構(gòu)，換句話說Elasticsearch是依賴于操作系統(tǒng)底層的?Filesystem Cache，查詢時(shí)，操作系統(tǒng)會(huì)將磁盤文件里的數(shù)據(jù)自動(dòng)緩存到 Filesystem Cache 里面去，因此要求Elasticsearch性能足夠高，那么就需要服務(wù)器的提供的足夠內(nèi)存給Filesystem Cache?覆蓋存儲(chǔ)的數(shù)據(jù)。
上一段最后一句話什么意思呢？假如：Elasticsearch 節(jié)點(diǎn)有 3 臺(tái)服務(wù)器各64G內(nèi)存，3臺(tái)總內(nèi)存就是 64 * 3 = 192G。每臺(tái)機(jī)器給 Elasticsearch ?jvm heap 是 32G，那么每服務(wù)器留給?Filesystem Cache?的就是 32G（50%），而集群里的?Filesystem Cache?的就是 32 * 3 = 96G 內(nèi)存。此時(shí)，在 3 臺(tái)Elasticsearch服務(wù)器共占用了 1T 的磁盤容量，那么每臺(tái)機(jī)器的數(shù)據(jù)量約等于 341G，意味著每臺(tái)服務(wù)器只有大概10分之1數(shù)據(jù)是緩存在內(nèi)存的，其余都得走硬盤。
說到這里大家未必會(huì)有一個(gè)直觀得認(rèn)識(shí)，因此我從《大型網(wǎng)站技術(shù)架構(gòu)：核心原理與案例分析》第36頁摳了一張表格下來：
| 操作 | 響應(yīng)時(shí)間 |
| 打開一個(gè)網(wǎng)站 | 幾秒 |
| 在數(shù)據(jù)庫中查詢一條記錄（有索引） | 十幾毫秒 |
| 機(jī)械磁盤一次尋址定位 | 4毫秒 |
| 從機(jī)械磁盤順序讀取1MB數(shù)據(jù) | 2毫秒 |
| 從SSD磁盤順序讀取1MB數(shù)據(jù) | 0.3毫秒 |
| 從遠(yuǎn)程分布式緩存Redis讀取一個(gè)數(shù)據(jù) | 0.5毫秒 |
| 從內(nèi)存中讀取1MB數(shù)據(jù) | 十幾微秒 |
| Java程序本地方法調(diào)用 | 幾微秒 |
| 網(wǎng)絡(luò)傳輸2KB數(shù)據(jù) | 1微秒 |
? 從上圖加粗項(xiàng)看出，內(nèi)存讀取性能是機(jī)械磁盤的200倍，是SSD磁盤約等于30倍，假如讀一次Elasticsearch走內(nèi)存場(chǎng)景下耗時(shí)20毫秒，那么走機(jī)械硬盤就得4秒，走SSD磁盤可能約等于0.6秒。講到這里我相信大家對(duì)是否走內(nèi)存的性能差異有一個(gè)直觀的認(rèn)識(shí)。
對(duì)于Elasticsearch有很多種索引類型，但是我認(rèn)為核心主要是倒排索引和doc values
倒排索引
Lucene將寫入索引的所有信息組織為倒排索引（inverted index）的結(jié)構(gòu)形式。倒排索引是一種將分詞映射到文檔的數(shù)據(jù)結(jié)構(gòu)，可以認(rèn)為倒排索引是面向分詞的而不是面向文檔的。
假設(shè)在測(cè)試環(huán)境的Elasticsearch存放了有以下三個(gè)文檔：
Elasticsearch Server（文檔1）
Masterring?Elasticsearch（文檔2）
Apache Solr 4 Cookbook（文檔3）
以上文檔索引建好后，簡(jiǎn)略顯示如下：
| 詞項(xiàng) | 數(shù)量 | 文檔 |
| 4 | 1 | <3> |
| Apache | 1 | <3> |
| Cooking | 1 | <3> |
| Elasticsearch | 2 | <1><2> |
| Mastering | 1 | <1> |
| Server | 1 | <1> |
| Solr | 1 | <3> |
如上表格所示，每個(gè)詞項(xiàng)指向該詞項(xiàng)所出現(xiàn)過的文檔位置，這種索引結(jié)構(gòu)允許快速、有效的搜索出數(shù)據(jù)。
doc values
對(duì)于分組、聚合、排序等某些功能來說，倒排索引的方式并不是最佳選擇，這類功能操作的是文檔而不是詞項(xiàng)，這個(gè)時(shí)候就得把倒排索引逆轉(zhuǎn)過來成正排索引，這么做會(huì)有兩個(gè)缺點(diǎn)：
構(gòu)建時(shí)間長(zhǎng)
內(nèi)存占用大，易OutOfMemory，且影響垃圾回收
Lucene 4.0之后版本引入了doc values和額外的數(shù)據(jù)結(jié)構(gòu)來解決上面得問題，目前有五種類型的doc values：NUMERIC、BINARY、SORTED、SORTED_SET、SORTED_NUMERIC，針對(duì)每種類型Lucene都有特定的壓縮方法。
doc values是列式存儲(chǔ)的正排索引，通過docID可以快速讀取到該doc的特定字段的值，列式存儲(chǔ)存儲(chǔ)對(duì)于聚合計(jì)算有非常高的性能。
集群分片
Elasticsearch可以簡(jiǎn)單、快速利用多節(jié)點(diǎn)服務(wù)器形成集群，以此分?jǐn)偡?wù)器的執(zhí)行壓力。
此外數(shù)據(jù)可以進(jìn)行分片存儲(chǔ)，搜索時(shí)并發(fā)到不同服務(wù)器上的主分片進(jìn)行搜索。
這里可以簡(jiǎn)單講述下Elasticsearch查詢?cè)?#xff0c;Elasticsearch的查詢分兩個(gè)階段：分散階段與合并階段。
任意一個(gè)Elasticsearch節(jié)點(diǎn)都可以接受客戶端的請(qǐng)求。接受到請(qǐng)求后，就是分散階段，并行發(fā)送子查詢給其他節(jié)點(diǎn)；
然后是合并階段，則從眾多分片中收集返回結(jié)果，然后對(duì)他們進(jìn)行合并、排序、取長(zhǎng)等后續(xù)操作。最終將結(jié)果返回給客戶端。
機(jī)制如下圖：
分頁深度陷阱
基于以上查詢的原理，擴(kuò)展一個(gè)分頁深度的問題。
現(xiàn)需要查頁長(zhǎng)為10、第100頁的數(shù)據(jù)，實(shí)際上是會(huì)把每個(gè) Shard 上存儲(chǔ)的前 1000（10*100） 條數(shù)據(jù)都查到一個(gè)協(xié)調(diào)節(jié)點(diǎn)上。如果有 5 個(gè) Shard，那么就有 5000 條數(shù)據(jù)，接著協(xié)調(diào)節(jié)點(diǎn)對(duì)這 5000 條數(shù)據(jù)進(jìn)行一些合并、處理，再獲取到最終第 100 頁的 10 條數(shù)據(jù)。也就是實(shí)際上查的數(shù)據(jù)總量為pageSize*pageIndex*shard，頁數(shù)越深則查詢的越慢。因此ElasticSearch也會(huì)有要求，每次查詢出來的數(shù)據(jù)總數(shù)不會(huì)返回超過10000條。
? 那么從業(yè)務(wù)上盡可能跟產(chǎn)品溝通避免分頁跳轉(zhuǎn)，使用滾動(dòng)加載。而Elasticsearch使用的相關(guān)技術(shù)是search_after、scroll_id。
ElasticSearch與數(shù)據(jù)庫基本概念對(duì)比
ElasticSearch | RDBMS |
Index | 表 |
Document | 行 |
Field | 列 |
Mapping | 表結(jié)構(gòu) |
在Elasticsearch?7.0版本之前（<7.0），有type的概念，而Elasticsearch和關(guān)系型數(shù)據(jù)庫的關(guān)系是，index = database、type = table，但是在Elasticsearch?7.0版本后（>=7.0）弱化了type默認(rèn)為_doc，而官方會(huì)在8.0之后會(huì)徹底移除type。
服務(wù)器選型
在官方文檔（https://www.elastic.co/guide/cn/elasticsearch/guide/current/heap-sizing.html）里建議Elasticsearch??JVM Heap最大為32G，同時(shí)不超過服務(wù)器內(nèi)存的一半，也就是說內(nèi)存分別為128G和64G的服務(wù)器，JVM Heap最大只需要設(shè)置32G；而32G服務(wù)器，則建議JVM Heap最大16G，剩余的內(nèi)存將會(huì)給到Filesystem Cache充分使用。如果不需要對(duì)分詞字符串做聚合計(jì)算（例如，不需要 fielddata ）可以考慮降低JVM Heap。JVM Heap越小，會(huì)導(dǎo)致Elasticsearch的GC頻率更高，但Lucene就可以的使用更多的內(nèi)存，這樣性能就會(huì)更高。
對(duì)于我們公司的未來新增業(yè)務(wù)還會(huì)有收集用戶的訪問記錄來統(tǒng)計(jì)PV(page view)、UV(user view)，有一定的聚合計(jì)算，經(jīng)過多方便的考慮與討論，平衡成本與需求后選擇了騰訊云的三臺(tái)配置為CPU 16核、內(nèi)存64G，SSD云硬盤的服務(wù)器，并給與Elasticsearch 配置JVM Heap = 32G。
需求場(chǎng)景選擇
Elasticsearch在本公司系統(tǒng)的可使用場(chǎng)景非常多，但是作為第一次引入因慎重選擇，給與開發(fā)與運(yùn)維一定的時(shí)間熟悉與觀察。
經(jīng)過商討，選擇了兩個(gè)業(yè)務(wù)場(chǎng)景，用戶閱讀作品的記錄明細(xì)與作品搜索，選擇這兩個(gè)業(yè)務(wù)場(chǎng)景原因如下：
寫場(chǎng)景
我們平臺(tái)的用戶黏度比較高，閱讀作品是一個(gè)高頻率的調(diào)用，因此用戶閱讀作品的記錄明細(xì)可在短時(shí)間內(nèi)造成海量數(shù)據(jù)的場(chǎng)景。（現(xiàn)一個(gè)月已達(dá)到了70G的數(shù)據(jù)量，共1億1千萬條）
讀場(chǎng)景
閱讀記錄需提供給未來新增的抽獎(jiǎng)業(yè)務(wù)使用，可從閱讀章節(jié)數(shù)、閱讀時(shí)長(zhǎng)等進(jìn)行搜索計(jì)算。
作品搜索原有實(shí)現(xiàn)是通過關(guān)系型數(shù)據(jù)庫like查詢，已是具有潛在的性能問題與資源消耗的業(yè)務(wù)場(chǎng)景
對(duì)于上述兩個(gè)業(yè)務(wù)，用戶閱讀作品的記錄明細(xì)與抽獎(jiǎng)業(yè)務(wù)屬于新增業(yè)務(wù)，對(duì)于在投入成本相對(duì)較少，也無需過多的需要兼容舊業(yè)務(wù)的壓力。
而作品搜索業(yè)務(wù)屬于優(yōu)化改造，得保證兼容原有的用戶搜索習(xí)慣前提下，新增拼音搜索。同時(shí)最好以擴(kuò)展的方式，盡可能的減少代碼修改范圍，如果使用效果不好，隨時(shí)可以回滾到舊的實(shí)現(xiàn)方式。
設(shè)計(jì)方案
共性設(shè)計(jì)
我使用.Net 5 WebApi將Elasticsearch封裝成ES業(yè)務(wù)服務(wù)API，這樣的做法主要用來隱藏技術(shù)細(xì)節(jié)（時(shí)區(qū)、分詞器、類型轉(zhuǎn)換等），暴露粗粒度的讀寫接口。這種做法在馬丁福勒所著的《NoSQL精粹》稱把數(shù)據(jù)庫視為“應(yīng)用程序數(shù)據(jù)庫”，簡(jiǎn)單來說就是只能通過應(yīng)用間接的訪問存儲(chǔ)，對(duì)于這個(gè)應(yīng)用由一個(gè)團(tuán)隊(duì)負(fù)責(zé)維護(hù)開發(fā)，也只有這個(gè)團(tuán)隊(duì)才知道存儲(chǔ)的結(jié)構(gòu)。這樣通過封裝的API服務(wù)解耦了外部API服務(wù)與存儲(chǔ)，調(diào)用方就無需過多關(guān)注存儲(chǔ)的特性，像Mongodb與Elasticsearch這種無模式的存儲(chǔ)，無需優(yōu)先定義結(jié)構(gòu)，換而言之就是對(duì)于存儲(chǔ)已有結(jié)構(gòu)可隨意修改擴(kuò)展，那么“應(yīng)用程序數(shù)據(jù)庫”的做法也避免了其他團(tuán)隊(duì)無意侵入的修改。
考慮到現(xiàn)在業(yè)務(wù)需求復(fù)雜度相對(duì)簡(jiǎn)單，MQ消費(fèi)端也一起集成到ES業(yè)務(wù)服務(wù)，若后續(xù)MQ消費(fèi)業(yè)務(wù)持續(xù)增多，再考慮把MQ消費(fèi)業(yè)務(wù)抽離到一個(gè)（或多個(gè)的）消費(fèi)端進(jìn)程。
目前以同步讀、同步寫、異步寫的三種交互方式，進(jìn)行與其他服務(wù)通信。
閱讀記錄明細(xì)
本需求是完全新增，因此引入相對(duì)簡(jiǎn)單，只需要在【平臺(tái)API】使用【RabbitMQ】進(jìn)行解耦，使用異步方式寫入Elasticsearch，使用隊(duì)列除了用來解耦，還對(duì)此用來緩沖高并發(fā)寫壓力的情況。
對(duì)于后續(xù)新增的業(yè)務(wù)例如抽獎(jiǎng)服務(wù)，則只需要通過RPC框架對(duì)接ES業(yè)務(wù)API，以同步讀取的方式查詢數(shù)據(jù)。
作品搜索
對(duì)于該業(yè)務(wù)，我第一反應(yīng)采用CQRS的思想，原有的寫入邏輯我無需過多的關(guān)注與了解，因此我只需要想辦法把關(guān)系型數(shù)據(jù)庫的數(shù)據(jù)同步到Elasticsearch，然后提供業(yè)務(wù)查詢API替換原有平臺(tái)API的數(shù)據(jù)源即可。
那么數(shù)據(jù)同步則一般都是分推和拉兩種方式。
推
推的實(shí)時(shí)性無疑是比拉要高，只需增量的推送做寫入的數(shù)據(jù)（增、刪、改）即可，無論是從性能、資源利用、時(shí)效各方面來看都比拉更有效。
實(shí)施該方案，可以選擇Debezium和SQL Server開啟CDC功能。
Debezium由RedHat開源的，同時(shí)需要依賴于kafka的，一個(gè)將多種數(shù)據(jù)源實(shí)時(shí)變更數(shù)據(jù)捕獲，形成數(shù)據(jù)流輸出的開源工具，同類產(chǎn)品有Canal, DataBus, Maxwell。
CDC全稱Change Data Capture，直接翻譯過來為變更數(shù)據(jù)捕獲，核心為監(jiān)測(cè)服務(wù)捕獲數(shù)據(jù)庫的寫操作（插入，更新，刪除），將這些變更按發(fā)生的順序完整記錄下來。
我個(gè)人在我博客文章多次強(qiáng)調(diào)架構(gòu)設(shè)計(jì)的輸入核心為兩點(diǎn)：滿足需求與組織架構(gòu)，在滿足需求的前提應(yīng)優(yōu)先選擇簡(jiǎn)單、合適的方案。技術(shù)選型應(yīng)需要考慮自己的團(tuán)隊(duì)是否可以支撐。在上述無論是額外加入Debezium和kafka，還是需要針對(duì)SQL Server開啟CDC都超出了我們運(yùn)維所能承受的極限，引入新的中間件和技術(shù)是需要試錯(cuò)的，而試錯(cuò)是需要額外高的成本，在未知的情況下引入更多的未知，只會(huì)造成更大的成本和不可控。
拉
拉無疑是最簡(jiǎn)單最合適的實(shí)現(xiàn)方式，只需要使用調(diào)度任務(wù)服務(wù)，每隔段時(shí)間定時(shí)去從數(shù)據(jù)庫拉取數(shù)據(jù)寫入到Elasticsearch就可。
然而拉取數(shù)據(jù)，分全量同步與增量同步：
對(duì)于增量同步，只需要每次查詢數(shù)據(jù)源Select * From Table_A Where RowVersion > LastUpdateVersion，則可以過濾出需要同步的數(shù)據(jù)。但是這個(gè)方式有點(diǎn)致命的缺點(diǎn)，數(shù)據(jù)源已被刪除的數(shù)據(jù)是無法查詢出來的，如果把Elasticsearch反向去跟SQL Server數(shù)據(jù)做對(duì)比又是一件比較愚蠢的方式，因此只能放棄該方式。
而全量同步，只要每次從SQL Server數(shù)據(jù)源全量新增到Elasticsearch，并替換舊的Elasticsearch的Index，因此該方案得全刪全增。但是這里又引申出新的問題，如果先刪后增，那么在刪除后再新增的這段真空期怎么辦？假如有5分鐘的真空期是沒有數(shù)據(jù)，用戶就無法使用搜索功能。那么只能先增后刪，先新增到一個(gè)Index_Temp，全量新增完后，把原有Index改名成Index_Delete，然后再把Index_Temp改成Index，最后把Index_Delete刪除。這么一套操作下來，有沒有覺得很繁瑣很費(fèi)勁？Elasticsearch有一個(gè)叫別名（Aliases）的功能，別名可以一對(duì)多的指向多個(gè)Index，也可以以原子性的進(jìn)行別名指向Index的切換，具體實(shí)現(xiàn)可以看下文。
?
閱讀記錄實(shí)現(xiàn)細(xì)節(jié)
實(shí)體定義
? 優(yōu)先定義了個(gè)抽象類ElasticsearchEntity進(jìn)行復(fù)用，對(duì)于實(shí)體定義有三個(gè)注意的細(xì)節(jié)點(diǎn)：
1.對(duì)于ElasticsearchEntity我定義兩個(gè)屬性_id與Timestamp，Elasticsearch是無模式的（無需預(yù)定義結(jié)構(gòu)），如果實(shí)體本身沒有_id，寫入到Elasticsearch會(huì)自動(dòng)生成一個(gè)_id，為了后續(xù)的使用便捷性，我仍然自主定義了一個(gè)。
2.基于上述的分頁深度的問題，因此在后續(xù)涉及的業(yè)務(wù)盡可能會(huì)以search_after+滾動(dòng)加載的方式落實(shí)到我們的業(yè)務(wù)。原本我們只需要使用DateTime類型的字段用DateTime.Now記錄后，再使用search_after后會(huì)自動(dòng)把DateTime類型字段轉(zhuǎn)換成毫秒級(jí)的Timestamp，但是我在實(shí)現(xiàn)demo的時(shí)候，去制造數(shù)據(jù)，在程序里以for循環(huán)new數(shù)據(jù)的時(shí)候，發(fā)現(xiàn)生成的速度會(huì)在微秒級(jí)之間，那么假設(shè)用毫秒級(jí)的Timestamp進(jìn)行search_after過濾，同一個(gè)毫秒有4、5條數(shù)據(jù)，那么容易在使用滾動(dòng)加載時(shí)候少加載了幾條數(shù)據(jù)，這樣就到導(dǎo)致數(shù)據(jù)返回不準(zhǔn)確了。因此我擴(kuò)展了個(gè)[DateTime.Now.DateTimeToTimestampOfMicrosecond()]生成微秒級(jí)的Timestamp，以此盡可能減少出現(xiàn)漏加載數(shù)據(jù)的情況。
3.對(duì)于Elasticsearch的操作實(shí)體的日期時(shí)間類型均以DateTimeOffset類型聲明，因?yàn)镋lasticsearch存儲(chǔ)的是UTC時(shí)間，而且會(huì)因?yàn)镠ttp請(qǐng)求的日期格式不同導(dǎo)致存放的日期時(shí)間也會(huì)有所偏差，為了避免日期問題使用DateTimeOffset類型是一種保險(xiǎn)的做法。而對(duì)于WebAPI 接口或者M(jìn)Q的Message接受的時(shí)間類型可以使用DateTime類型，DTO(傳輸對(duì)象)與DO（持久化對(duì)象）使用Mapster或者AutoMapper類似的對(duì)象映射工具進(jìn)行轉(zhuǎn)換即可（注意DateTimeOffset轉(zhuǎn)DateTime得定義轉(zhuǎn)換規(guī)則 [TypeAdapterConfig<DateTimeOffset, DateTime>.NewConfig().MapWith(dateTimeOffset => dateTimeOffset.LocalDateTime)]）。
如此一來，把Elasticsearch操作細(xì)節(jié)隱藏在WebAPI里，以友好、簡(jiǎn)單的接口暴露給開發(fā)者使用，降低了開發(fā)者對(duì)技術(shù)細(xì)節(jié)認(rèn)知負(fù)擔(dān)。
[ElasticsearchType(RelationName = "user_view_duration")]public class UserViewDuration : ElasticsearchEntity{/// <summary>/// 作品ID/// </summary>[Number(NumberType.Long, Name = "entity_id")]public long EntityId { get; set; }/// <summary>/// 作品類型/// </summary>[Number(NumberType.Long, Name = "entity_type")]public long EntityType { get; set; }/// <summary>/// 章節(jié)ID/// </summary>[Number(NumberType.Long, Name = "charpter_id")]public long CharpterId { get; set; }/// <summary>/// 用戶ID/// </summary>[Number(NumberType.Long, Name = "user_id")]public long UserId { get; set; }/// <summary>/// 創(chuàng)建時(shí)間/// </summary>[Date(Name = "create_datetime")]public DateTimeOffset CreateDateTime { get; set; }/// <summary>/// 時(shí)長(zhǎng)/// </summary>[Number(NumberType.Long, Name = "duration")]public long Duration { get; set; }/// <summary>/// IP/// </summary>[Ip(Name = "Ip")]public string Ip { get; set; }}public abstract class ElasticsearchEntity{private Guid? _id;public Guid Id{get{_id ??= Guid.NewGuid();return _id.Value;}set => _id = value;}private long? _timestamp;[Number(NumberType.Long, Name = "timestamp")]public long Timestamp{get{_timestamp ??= DateTime.Now.DateTimeToTimestampOfMicrosecond();return _timestamp.Value;}set => _timestamp = value;}}異步寫入
對(duì)于異步寫入有兩個(gè)細(xì)節(jié)點(diǎn)：
1.該數(shù)據(jù)從RabbtiMQ訂閱消費(fèi)寫入到Elasticsearch，從下面代碼可以看出，我刻意以月的維度建立Index，格式為?userviewrecord-2021-12，這么做的目的是為了方便管理Index和資源利用，有需要的情況下會(huì)刪除舊的Index。
2.消息訂閱與WebAPI暫時(shí)集成到同一個(gè)進(jìn)程，這樣做主要是開發(fā)、部署都方便，如果后續(xù)訂閱多了，在把消息訂閱相關(guān)的業(yè)務(wù)抽離到獨(dú)立的進(jìn)程。
按需演變，避免過度設(shè)計(jì)
訂閱消費(fèi)邏輯
public class UserViewDurationConsumer : BaseConsumer<UserViewDurationMessage>{private readonly ElasticClient _elasticClient;public UserViewDurationConsumer(ElasticClient elasticClient){_elasticClient = elasticClient;}public override void Excute(UserViewDurationMessage msg){var document = msg.MapTo<Entity.UserViewDuration>();var result = _elasticClient.Create(document, a => a.Index(typeof(Entity.UserViewDuration).GetRelationName() + "-" + msg.CreateDateTime.ToString("yyyy-MM"))).GetApiResult();if (result.Failed)LoggerHelper.WriteToFile(result.Message);}}/// <summary>/// 訂閱消費(fèi)/// </summary>public static class ConsumerExtension{public static IApplicationBuilder UseSubscribe<T, TConsumer>(this IApplicationBuilder appBuilder, IHostApplicationLifetime lifetime) where T : EasyNetQEntity, new() where TConsumer : BaseConsumer<T>{var bus = appBuilder.ApplicationServices.GetRequiredService<IBus>();var consumer = appBuilder.ApplicationServices.GetRequiredService<TConsumer>();lifetime.ApplicationStarted.Register(() =>{bus.Subscribe<T>(msg => consumer.Excute(msg));});lifetime.ApplicationStopped.Register(() => bus?.Dispose());return appBuilder;}}訂閱與注入
public class Startup{public Startup(IConfiguration configuration){Configuration = configuration;}public IConfiguration Configuration { get; }public void ConfigureServices(IServiceCollection services){......}public void Configure(IApplicationBuilder app, IWebHostEnvironment env, IHostApplicationLifetime lifetime){app.UseAllElasticApm(Configuration);app.UseHealthChecks("/health");app.UseDeveloperExceptionPage();app.UseSwagger();app.UseSwaggerUI(c =>{c.SwaggerEndpoint("/swagger/v1/swagger.json", "SF.ES.Api v1");c.RoutePrefix = "";});app.UseRouting();app.UseEndpoints(endpoints =>{endpoints.MapControllers();});app.UseSubscribe<UserViewDurationMessage, UserViewDurationConsumer>(lifetime);}}查詢接口
查詢接口此處有兩個(gè)細(xì)節(jié)點(diǎn)：
1.如果不確定月份，則使用通配符查詢userviewrecord-*，當(dāng)然有需要的也可以使用別名處理。
2.因?yàn)镋lasticsearch是記錄UTC時(shí)間，因此時(shí)間查詢得指定TimeZone。
[HttpGet][Route("record")]public ApiResult<List<UserMarkRecordGetRecordResponse>> GetRecord([FromQuery] UserViewDurationRecordGetRequest request){var dataList = new List<UserMarkRecordGetRecordResponse>();string dateTime;if (request.BeginDateTime.HasValue && request.EndDateTime.HasValue){var month = request.EndDateTime.Value.DifferMonth(request.BeginDateTime.Value);if(month <= 0 )dateTime = request.BeginDateTime.Value.ToString("yyyy-MM");elsedateTime = "*";}elsedateTime = "*";var mustQuerys = new List<Func<QueryContainerDescriptor<UserViewDuration>, QueryContainer>>();if (request.UserId.HasValue)mustQuerys.Add(a => a.Term(t => t.Field(f => f.UserId).Value(request.UserId.Value)));if (request.EntityType.HasValue)mustQuerys.Add(a => a.Term(t => t.Field(f => f.EntityType).Value(request.EntityType)));if (request.EntityId.HasValue)mustQuerys.Add(a => a.Term(t => t.Field(f => f.EntityId).Value(request.EntityId.Value)));if (request.CharpterId.HasValue)mustQuerys.Add(a => a.Term(t => t.Field(f => f.CharpterId).Value(request.CharpterId.Value)));if (request.BeginDateTime.HasValue)mustQuerys.Add(a => a.DateRange(dr =>dr.Field(f => f.CreateDateTime).GreaterThanOrEquals(request.BeginDateTime.Value).TimeZone(EsConst.TimeZone)));if (request.EndDateTime.HasValue)mustQuerys.Add(a =>a.DateRange(dr => dr.Field(f => f.CreateDateTime).LessThanOrEquals(request.EndDateTime.Value).TimeZone(EsConst.TimeZone)));var searchResult = _elasticClient.Search<UserViewDuration>(a =>a.Index(typeof(UserViewDuration).GetRelationName() + "-" + dateTime).Size(request.Size).Query(q => q.Bool(b => b.Must(mustQuerys))).SearchAfterTimestamp(request.Timestamp).Sort(s => s.Field(f => f.Timestamp, SortOrder.Descending)));var apiResult = searchResult.GetApiResult<UserViewDuration, List<UserMarkRecordGetRecordResponse>>();if (apiResult.Success)dataList.AddRange(apiResult.Data);return ApiResult<List<UserMarkRecordGetRecordResponse>>.IsSuccess(dataList);}作品搜索實(shí)現(xiàn)細(xì)節(jié)實(shí)體定義
SearchKey是原有SQL Server的數(shù)據(jù)，現(xiàn)需要同步到Elasticsearch，仍是繼承抽象類ElasticsearchEntity實(shí)體定義，同時(shí)這里有三個(gè)細(xì)節(jié)點(diǎn)：
1.?public string KeyName，我定義的是Text類型，在Elasticsearch使用Text類型才會(huì)分詞。
2.在實(shí)體定義我沒有給KeyName指定分詞器，因?yàn)槲視?huì)使用兩個(gè)分詞器：拼音和默認(rèn)分詞，而我會(huì)在批量寫入數(shù)據(jù)創(chuàng)建Mapping時(shí)定義。
3.實(shí)體里的?public List<int> SysTagId?與SearchKey在SQL Server是兩張不同的物理表，是一對(duì)多的關(guān)系，在代碼表示如下，但是在關(guān)系型數(shù)據(jù)庫是無法與之對(duì)應(yīng)和體現(xiàn)的，這就是咱們所說的“阻抗失配”，但是能在以文檔型存儲(chǔ)系統(tǒng)（MongoDB、Elasticsearch）里很好的解決這個(gè)問題，可以以一個(gè)聚合的方式寫入，避免多次查詢關(guān)聯(lián)。
[ElasticsearchType(RelationName = "search_key")]public class SearchKey : ElasticsearchEntity{[Number(NumberType.Integer, Name = "key_id")]public int KeyId { get; set; }[Number(NumberType.Integer, Name = "entity_id")]public int EntityId { get; set; }[Number(NumberType.Integer, Name = "entity_type")]public int EntityType { get; set; }[Text(Name = "key_name")]public string KeyName { get; set; }[Number(NumberType.Integer, Name = "weight")]public int Weight { get; set; }[Boolean(Name = "is_subsidiary")]public bool IsSubsidiary { get; set; }[Date(Name = "active_date")]public DateTimeOffset? ActiveDate { get; set; }[Number(NumberType.Integer, Name = "sys_tag_id")]public List<int> SysTagId { get; set; }}數(shù)據(jù)同步
數(shù)據(jù)同步我采用了Quartz.Net定時(shí)調(diào)度任務(wù)框架，因此時(shí)效不高，所以每4小時(shí)同步一次即可，有42W多的數(shù)據(jù)，分批進(jìn)行同步，每次查詢1000條數(shù)據(jù)同時(shí)進(jìn)行一次批量寫入。全量同步一次的時(shí)間大概2分鐘。因此使用RPC調(diào)用[ES業(yè)務(wù)API服務(wù)]。
因?yàn)榫唧w業(yè)務(wù)邏輯已經(jīng)封裝在[ES業(yè)務(wù)API服務(wù)]，因此同步邏輯也相對(duì)簡(jiǎn)單，查詢出SQL Server數(shù)據(jù)源、聚合整理、調(diào)用[ES業(yè)務(wù)API服務(wù)]的批量寫入接口、重新綁定別名到新的Index。
[DisallowConcurrentExecution]public class SearchKeySynchronousJob : BaseJob{public override void Execute(){var rm = SFNovelReadManager.Instance();var maxId = 0;var size = 1000;string indexName = "";while (true){//避免一次性全部查詢出來，每1000條一次寫入。var searchKey = sm.searchKey.GetList(size, maxId);if (!searchKey.Any())break;var entityIds = searchKey.Select(a => a.EntityID).Distinct().ToList();var sysTagRecord = rm.Novel.GetSysTagRecord(entityIds);var items = searchKey.Select(a => new SearchKeyPostItem{Weight = a.Weight,EntityType = a.EntityType,EntityId = a.EntityID,IsSubsidiary = a.IsSubsidiary ?? false,KeyName = a.KeyName,ActiveDate = a.ActiveDate,SysTagId = sysTagRecord.Where(c => c.EntityID == a.EntityID).Select(c => c.SysTagID).ToList(),KeyID = a.KeyID}).ToList();//以一個(gè)聚合寫入到ESvar postResult = new SearchKeyPostRequest{IndexName = indexName,Items = items}.Excute();if (postResult.Success){indexName = (string)postResult.Data;maxId = searchKey.Max(a => a.KeyID);}}//別名從舊Index指向新的Index，最后刪除舊Indexvar renameResult = new SearchKeyRenameRequest{IndexName = indexName}.Excute();}} }業(yè)務(wù)API接口
批量新增接口這里有2個(gè)細(xì)節(jié)點(diǎn)：
1.在第一次有數(shù)據(jù)進(jìn)來的時(shí)候需要?jiǎng)?chuàng)建Mapping，因?yàn)榈脤?duì)KeyName字段定義分詞器，其余字段都可以使用AutoMap即可。
2.新創(chuàng)建的Index名稱是精確到秒的?SearchKey-202112261121
/// <summary>/// 批量新增作品搜索列表(返回創(chuàng)建的indexName)/// </summary>/// <param name="request"></param>/// <returns></returns>[HttpPost]public ApiResult Post(SearchKeyPostRequest request){if (!request.Items.Any())return ApiResult.IsFailed("無傳入數(shù)據(jù)");var date = DateTime.Now;var relationName = typeof(SearchKey).GetRelationName();var indexName = request.IndexName.IsNullOrWhiteSpace() ? (relationName + "-" + date.ToString("yyyyMMddHHmmss")) : request.IndexName;if (request.IndexName.IsNullOrWhiteSpace()){var createResult = _elasticClient.Indices.Create(indexName,a =>a.Map<SearchKey>(m => m.AutoMap().Properties(p =>p.Custom(new TextProperty{Name = "key_name",Analyzer = "standard",Fields = new Properties(new Dictionary<PropertyName, IProperty>{{ new PropertyName("pinyin"),new TextProperty{ Analyzer = "pinyin"} },{ new PropertyName("standard"),new TextProperty{ Analyzer = "standard"} }})}))));if (!createResult.IsValid && request.IndexName.IsNullOrWhiteSpace())return ApiResult.IsFailed("創(chuàng)建索引失敗");}var document = request.Items.MapTo<List<SearchKey>>();var result = _elasticClient.BulkAll(indexName, document);return result ? ApiResult.IsSuccess(data: indexName) : ApiResult.IsFailed();}重新綁定別名接口這里有4個(gè)細(xì)節(jié)點(diǎn)：
1.別名使用searchkey，只會(huì)有一個(gè)Index[searchkey-yyyyMMddHHmmss]會(huì)跟searchkey綁定.
2.優(yōu)先把已綁定的Index查詢出來，方便解綁與刪除。
3.別名綁定在Elasticsearch雖然是原子性的，但是不是數(shù)據(jù)一致性的，因此得先Add后Remove。
4.刪除舊得Index免得占用過多資源。
/// <summary>/// 重新綁定別名/// </summary>/// <returns></returns>[HttpPut]public ApiResult Rename(SearchKeyRanameRequest request){var aliasName = typeof(SearchKey).GetRelationName();var getAliasResult = _elasticClient.Indices.GetAlias(aliasName);//給新index指定別名var bulkAliasRequest = new BulkAliasRequest{Actions = new List<IAliasAction>{new AliasAddDescriptor().Index(request.IndexName).Alias(aliasName)}};//移除別名里舊的索引if (getAliasResult.IsValid){var indeNameList = getAliasResult.Indices.Keys;foreach (var indexName in indeNameList){bulkAliasRequest.Actions.Add(new AliasRemoveDescriptor().Index(indexName.Name).Alias(aliasName));}}var result = _elasticClient.Indices.BulkAlias(bulkAliasRequest);//刪除舊的indexif (getAliasResult.IsValid){var indeNameList = getAliasResult.Indices.Keys;foreach (var indexName in indeNameList){_elasticClient.Indices.Delete(indexName);}}return result != null && result.ApiCall.Success ? ApiResult.IsSuccess() : ApiResult.IsFailed();}查詢接口這里跟前面細(xì)節(jié)得差不多：
但是這里有一個(gè)得特別注意的點(diǎn)，可以看到這個(gè)查詢接口同時(shí)使用了should和must，這里得設(shè)置minimumShouldMatch才能正常像SQL過濾。
should可以理解成SQL的Or，Must可以理解成SQL的And。
默認(rèn)情況下minimumShouldMatch是等于0的，等于0的意思是，should不命中任何的數(shù)據(jù)仍然會(huì)返回must命中的數(shù)據(jù)，也就是你們可能想搜索（keyname.pinyin=’chengong‘ or?keyname.standard=’chengong‘) and id > 0，但是es里沒有存keyname='chengong'的數(shù)據(jù)，會(huì)把id> 0 而且 keyname != 'chengong' 數(shù)據(jù)給查詢出來。
因此我們得對(duì)minimumShouldMatch=1，就是should條件必須得任意命中一個(gè)才能返回結(jié)果。
在should和must混用的情況下必須得注意minimumShouldMatch的設(shè)置！！！
/// <summary>/// 作品搜索列表/// </summary>/// <param name="request"></param>/// <returns></returns>[HttpPost][Route("search")]public ApiResult<List<SearchKeyGetResponse>> Get(SearchKeyGetRequest request){var shouldQuerys = new List<Func<QueryContainerDescriptor<SearchKey>, QueryContainer>>();int minimumShouldMatch = 0;if (!request.KeyName.IsNullOrWhiteSpace()){shouldQuerys.Add(a => a.MatchPhrase(m => m.Field("key_name.pinyin").Query(request.KeyName)));shouldQuerys.Add(a => a.MatchPhrase(m => m.Field("key_name.standard").Query(request.KeyName)));minimumShouldMatch = 1;}var mustQuerys = new List<Func<QueryContainerDescriptor<SearchKey>, QueryContainer>>{a => a.Range(t => t.Field(f => f.Weight).GreaterThanOrEquals(0))};if (request.IsSubsidiary.HasValue)mustQuerys.Add(a => a.Term(t => t.Field(f => f.IsSubsidiary).Value(request.IsSubsidiary.Value)));if (request.SysTagIds != null && request.SysTagIds.Any())mustQuerys.Add(a => a.Terms(t => t.Field(f => f.SysTagId).Terms(request.SysTagIds)));if (request.EntityType.HasValue){if (request.EntityType.Value == ESearchKey.EntityType.AllNovel){mustQuerys.Add(a => a.Terms(t => t.Field(f => f.EntityType).Terms(ESearchKey.EntityType.Novel, ESearchKey.EntityType.ChatNovel, ESearchKey.EntityType.FanNovel)));}elsemustQuerys.Add(a => a.Term(t => t.Field(f => f.EntityType).Value((int)request.EntityType.Value)));}var sortDescriptor = new SortDescriptor<SearchKey>();sortDescriptor = request.Sort == ESearchKey.Sort.Weight? sortDescriptor.Field(f => f.Weight, SortOrder.Descending): sortDescriptor.Field(f => f.ActiveDate, SortOrder.Descending);var searchResult = _elasticClient.Search<SearchKey>(a =>a.Index(typeof(SearchKey).GetRelationName()).From(request.Size * request.Page).Size(request.Size).Query(q => q.Bool(b => b.Should(shouldQuerys).Must(mustQuerys).MinimumShouldMatch(minimumShouldMatch))).Sort(s => sortDescriptor));var apiResult = searchResult.GetApiResult<SearchKey, List<SearchKeyGetResponse>>();if (apiResult.Success)return apiResult;return ApiResult<List<SearchKeyGetResponse>>.IsSuccess("空集合數(shù)據(jù)");}APM監(jiān)控
? 雖然在上面我做了足夠的實(shí)現(xiàn)準(zhǔn)備，但是對(duì)于上生產(chǎn)后的實(shí)際使用效果我還是希望有一個(gè)直觀的體現(xiàn)。我之前寫了一篇文章《.Net微服務(wù)實(shí)戰(zhàn)之可觀測(cè)性》很好敘述了該種情況，有興趣的可以移步去看看。
在之前公司做微服務(wù)的時(shí)候的APM選型我們使用了Skywalking，但是現(xiàn)在這家公司的運(yùn)維沒有接觸過，但是對(duì)于Elastic Stack他相對(duì)比較熟悉，如同上文所說架構(gòu)設(shè)計(jì)的輸入核心為兩點(diǎn)：滿足需求與組織架構(gòu)，秉著我的技術(shù)選型原則是基于團(tuán)隊(duì)架構(gòu)，我們采用了Elastic APM + Kibana（7.4版本），如下圖所示：
結(jié)尾
最后上生產(chǎn)的時(shí)候也是平滑無損的切換到Elasticsearch，總體情況都十分滿意。
本篇文章的信息量作為作者的我也認(rèn)為非常的多，非常感謝各位讀者抽出您寶貴的時(shí)間閱讀完，如果您對(duì)此篇文章有任何疑問，隨時(shí)可以通過右上角的聯(lián)系方式與我交流（QQ或者微信）。
作 者：?陳珙
出 處：http://www.cnblogs.com/skychen1218/
總結(jié)
以上是生活随笔為你收集整理的记一次引入Elasticsearch的系统架构实战的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 初探IdentityServer4（客户
- 下一篇： 到底该不该使用存储过程