本文将從資料存儲和搜尋的角度簡單分析Elasticsearch的搜尋運作機制，主要涉及搜尋API、搜尋機制、存在問題和解決方案。
Search API允許使用者執行一個搜尋查詢并傳回比對查詢的搜尋命中結果。
Elasticsearch查詢主要有兩種方式：<code>URI Search</code>和<code>Request Body Search</code>。
URI Search：通過URI參數實作搜尋，特點是操作簡便，僅包含部分查詢文法，常用參數如下：
q：指定查詢語句，使用Query String Syntax
df：預設字段，不指定時，會對所有字段進行查詢
sort：排序
profile：用于檢視查詢是如何被執行的
Request Body Search：完備的查詢文法Query DSL，是以還是建議使用Request Body Search。
建議先參考上篇Elasticsearch核心技術（四）：分布式存儲架構與索引原理分析，其中主要介紹了ES的分布式存儲架構和原理。
Elasticsearch的分布式搜尋的運作機制稱為<code>Query-then-Fetch</code>。具體分為Query和Fetch兩個階段：
Query階段
使用者發出搜尋請求到達ES節點。節點收到請求後，會以協調節點（Coordinating Node）的身份，在6個主副分片中随機選擇3個分片，發送查詢請求。
被選中的節點，進行排序（根據score值進行排序）。然後每個分片都傳回 From+size 個排序後的文檔id和排序值給協調節點。 注意這裡傳回的是文檔id。
Fetch階段
Coordinating節點将Query階段從每個分片擷取的排序的文檔id清單重新進行排序，選取 From 到 From+size 個文檔的id。
以<code>multi get</code>請求的方式，到相應的分片擷取詳細的文檔資料。
因為Elasticsearch在查詢的時候不知道文檔位于哪個分片，是以索引的所有分片都要參與搜尋，然後協調節點将結果合并，在根據文檔ID擷取文檔内容。例如現在有5個分片，需要查詢比對度Top10的資料，那麼每個分片都要查詢出目前分片的Top10的資料，協調節點将5×10個結果再次進行排序，傳回Top10的結果給用戶端。
Query-then-Fetch存在問題分為兩方面，一個是性能問題，一個是相關性算分問題。
性能問題
性能問題主要表現為深度分頁的問題。Elasticsearch資料是分片存儲的，資料分布在多台機器上。有這樣一個場景，如何擷取前1000個文檔？當擷取從990-1000的文檔時候，會在每個分片上面都先擷取1000個文檔，然後再由協調節點聚合所有分片的結果在排序選取前1000個文檔。
這個過程有什麼問題嗎？當然是有的，頁數越深，處理文檔越多，占用記憶體越多，耗時越長。是以要盡量避免深度分頁。當然，ES官方也注意了這個問題，是以通過<code>index.max_result_window</code>限定最多到10000條資料。當然我們也可以根據業務需要修改這個參數，這也解釋了：為什麼Google搜尋結果隻有相關度最高的17頁結果，百度隻有76頁的結果，原因之一是受限于Elasticsearch深度分頁的性能問題。
相關性算分問題
另外一個問題是相關性算分不準确問題。每個分片都基于自己分片上面的資料進行相關度計算。這會導緻打分偏離的情況，特别是資料量很少的時候。相關性算分在分片之間是互相獨立。當文檔總數很少的情況下，如果主分片大于1，如果主分片數越多，相關性算分會越不準。
如何解決算分不準的問題？
當資料量不大的時候，将主分片數設定為1；當資料量足夠大的時候，隻要保證文檔均勻分布在各個分片上面，結果一般不會出現偏差
使用<code>DFS Query Then Fetch</code>
在搜尋的URL中指定參數 <code>_search?search_type=dfs_query_then_fetch</code> ；這樣就可以保證每個分片把各個分片的詞頻和文檔頻率進行搜集，然後進行一次相關性算分。但是這樣會耗費更多的CPU和記憶體資源，執行性能較低。
如何避免深度分頁的問題？
使用<code>Search_After</code>：
ES提供實時的下一頁文檔擷取功能，這個功能隻能下一頁，不能上一頁；
不能指定頁數，不能使用from參數；
三種分頁方式對比：
類型
場景
From/Size
需要實時擷取頂部的部分文檔，且需要自由翻頁
Scroll
需要全部文檔，如導出所有資料的功能
Search_After
需要全部文檔，不需要自由翻頁
經濟基礎決定上層建築，ES的分片存儲決定了搜尋機制。其實存儲和搜尋不能分割開來看，隻存儲不可搜尋，這個存儲是沒有意義的；隻搜尋沒有存儲（資料源）是空中樓閣。
由于部落客也是在攀登的路上，文中可能存在不當之處，歡迎各位多指教！ 如果文章對您有用，那麼請點個”推薦“，以資鼓勵！