王张开

Appearance

前言 ​

在介绍Lucene之前，我们来了解相关的历史。

有必要了解的Apache ​

Apache软件基金会（也就是Apache Software Foundation，简称为ASF）是专门为运作一个开源软件项目的Apache 的团体提供支持的非盈利性组织，这个开源软件的项目就是 Apache 项目。 最初，Apache基金会的开发爱好者开发并维护一个叫Apache的HTTP服务器。 后来，Apache服务器越来越火，就启动了更多的项目，比如PHP、Java Apache以及更多的子项目。比如Jakarta。

Jakarta ​

Jakarta是为了发展Java容器而启动的Java Apache的项目。后来随着Java的火爆而成为了囊括了众多基于Java语言开源软件子项目的项目。比如从这里孵化出了Tomcat、ant、Struts、Lucene。

Lucene ​

Lucene是Apache软件基金会4 jakarta项目的子项目。它是一个开源的全文检索引擎工具包。但它并不是一个完整的全文检索引擎，而是一个全文检索引擎的架构，提供了完整的查询引擎和索引引擎，部分文本分析引擎（英文与德文两种西方语言）。Lucene的目的是为软件开发人员提供一个简单易用的工具包，以方便的在目标系统中实现全文检索的功能，或者是以此为基础建立起完整的全文检索引擎。Lucene是一套用于全文检索和搜寻的开源程式库，由Apache软件基金会支持和提供。Lucene提供了一个简单却强大的应用程式接口，能够做全文索引和搜寻。在Java开发环境里Lucene是一个成熟的免费开源工具。 最后，引用来自《Elasticsearch权威指南》书中关于Lucene的描述作为总结：

Lucene可以被认为是迄今为止最先进、性能最好的、功能最全的搜索引擎库。 但是，Lucene只是一个库。想要使用它，你必须使用Java来作为开发语言并将其直接集成到你的应用中，更糟糕的是，Lucene非常复杂，你需要深入了解检索的相关知识来理解它是如何工作的。

常见的开源搜索引擎 ​

基于Lucene的搜索引擎，Java开发，包括：

  • Lucene
  • Solr
  • elasticsearch
  • katta
  • compass

基于C++开发的：

  • Sphinx

你可以想想Lucene的强大。接下来简要的介绍各搜索引擎的特点。

Lucene ​

Lucene的开发语言是Java，也是Java家族中最为出名的一个开源搜索引擎，在Java世界中已经是标准的全文检索程序，它提供了完整的查询引擎和索引引擎，没有中文分词引擎，需要自己去实现，因此用Lucene去做一个搜素引擎需要自己去架构，另外它不支持实时搜索。 优点：

  • 成熟的解决方案，有很多的成功案例。apache 顶级项目，正在持续快速的进步。庞大而活跃的开发社区，大量的开发人员。它只是一个类库，有足够的定制和优化空间：经过简单定制，就可以满足绝大部分常见的需求；经过优化，可以支持 10亿+ 量级的搜索

缺点：

  • 需要额外的开发工作。所有的扩展，分布式，可靠性等都需要自己实现；非实时，从建索引到可以搜索中间有一个时间延迟，而当前的“近实时”(Lucene Near Real Time search)搜索方案的可扩展性有待进一步完善

Solr ​

Solr是一个企业级的高性能、采用Java开发，基于Lucene的全文搜索服务器。 文档通过Http利用XML加到一个搜索集合中。

查询该集合也是通过 http收到一个XML/JSON响应来实现。它的主要特性包括：高效、灵活的缓存功能，垂直搜索功能，高亮显示搜索结果，通过索引复制来提高可用性，提 供一套强大Data Schema来定义字段，类型和设置文本分析，提供基于Web的管理界面等。 优点：

  • Solr有一个更大、更成熟的用户、开发和贡献者社区
  • 支持添加多种格式的索引，如：HTML、PDF、微软 Office 系列软件格式以及 JSON、XML、CSV 等纯文本格式
  • Solr比较成熟、稳定
  • 不考虑建索引的同时进行搜索，速度更快

缺点：

  • 建立索引时，搜索效率下降，实时索引搜索效率不高

Sphinx ​

Sphinx一个基于SQL的全文检索引擎，特别为一些脚本语言（PHP,Python，Perl，Ruby）设计搜索API接口。

Sphinx是一个用C++语言写的开源搜索引擎，也是现在比较主流的搜索引擎之一，在建立索引的时间方面比Lucene快50%，但是索引文件比Lucene要大一倍，因此Sphinx在索引的建立方面是空间换取时间的策略，在检索速度上，和lucene相差不大，但检索精准度方面Lucene要优于Sphinx，另外在加入中文分词引擎难度方面，Lucene要优于Sphinx.其中Sphinx支持实时搜索，使用起来比较简单方便.

Sphinx可以非常容易的与SQL数据库和脚本语言集成。当前系统内置MySQL和PostgreSQL 数据库数据源的支持，也支持从标准输入读取特定格式 的XML数据。通过修改源代码，用户可以自行增加新的数据源（例如：其他类型的DBMS 的原生支持） Sphinx的特点：

  • 高速的建立索引(在当代CPU上，峰值性能可达到10 MB/秒)
  • 高性能的搜索(在2 – 4GB 的文本数据上，平均每次检索响应时间小于0.1秒)
  • 可处理海量数据(目前已知可以处理超过100 GB的文本数据, 在单一CPU的系统上可 处理100 M 文档)
  • 提供了优秀的相关度算法，基于短语相似度和统计（BM25）的复合Ranking方法
  • 支持分布式搜索
  • 支持短语搜索
  • 提供文档摘要生成
  • 可作为MySQL的存储引擎提供搜索服务
  • 支持布尔、短语、词语相似度等多种检索模式
  • 文档支持多个全文检索字段(最大不超过32个)
  • 文档支持多个额外的属性信息(例如：分组信息，时间戳等)
  • 支持断词

elasticsearch ​

ElasticSearch是一个基于Lucene的搜索服务器。它提供了一个分布式多用户能力的全文搜索引擎，基于RESTful web接口。Elasticsearch是用Java开发的，并作为Apache许可条款下的开放源码发布，是当前流行的企业级搜索引擎。设计用于云计算中，能够达到实时搜索，稳定，可靠，快速，安装使用方便。 优点：

  • 分布式：节点对外表现对等，加入节点自动均衡
  • elasticsearch完全支持Apache Lucene的接近实时的搜索
  • 各节点组成对等的网络结构，当某个节点出现故障时会自动分配其他节点代替期进行工作
  • 横向可扩展性，如果你需要增加一台服务器，只需要做点配置，然后启动就完事了
  • 高可用：提供复制（replica）机制，一个分片可以设置多个复制，使得某台服务器宕机的情况下，集群仍旧可以照常运行，并会把由于服务器宕机丢失的复制恢复到其它可用节点上；这点也类似于HDFS的复制机制（HDFS中默认是3份复制）

缺点：

  • 不支持事物
  • 相对吃内存

正式介绍elasticsearch ​

观今宜鉴古，无古不成今。 在学习elasticsearch之前，我们要知道，elasticsearch是什么？为什么要学习elasticsearch？以及用它能干什么？

关于elasticsearch ​

现在，你还离得开搜索吗？无论是Google还是百度提供的搜索入口，还是项目自己的搜索，比如QQ提供的搜索入口等等，都大大的方便了我们的工作、生活。但是你有没有想过——搭建属于自己的搜索服务，应用于你的博客项目、公司项目…… 无论你想不想，都要学习！因为随着公司业务的增长，数据也爆炸性增长。对于数据的处理、日志分析，如果还采用传统的方法，这恐怕是灾难性的。所以，我们是时候学习一个先进的搜索引擎了。 Elasticsearch是一个基于Apache Lucene(TM)的开源搜索引擎。无论在开源还是专有领域，Lucene可以被认为是迄今为止最先进、性能最好的、功能最全的搜索引擎库。 但是，Lucene只是一个库。想要使用它，你必须使用Java来作为开发语言并将其直接集成到你的应用中，更糟糕的是，Lucene非常复杂，你需要深入了解检索的相关知识来理解它是如何工作的。 Elasticsearch也使用Java开发并使用Lucene作为其核心来实现所有索引和搜索的功能，但是它的目的是通过简单的RESTful API来隐藏Lucene的复杂性，从而让全文搜索变得简单。 你以为这些就完了？elasticsearch除了Lucene和全文搜索，我们还可以描述它：

  • 分布式的实时文件存储，每个字段都被索引并可被搜索
  • 分布式的实时分析搜索引擎
  • 可以扩展到上百台服务器，处理PB级结构化或非结构化数据。

并且，这些功能都被集成到一个服务里面，elasticsearch也提供的与其它语言的接口，其中包括：

  • Java
  • JavaScript
  • Groovy
  • .NET
  • PHP
  • Perl
  • Python
  • Ruby
  • 以及社区贡献的更多接口

使用我们喜欢的语言通过RESTful API接口，访问9200端口，就可以与elasticsearch玩耍了。 上手elasticsearch非常容易，它提供了许多合理的缺省值，并对初学者隐藏了复杂的搜索引擎理论。它开箱即用（安装即可使用），只需很少的学习既可在生产环境中使用。 随着越学越深入，还可以利用Elasticsearch更多高级的功能，整个引擎可以很灵活地进行配置。可以根据自身需求来定制属于自己的Elasticsearch。

elasticsearch的模糊历史 ​

多年前，一个叫做Shay Banon的刚结婚不久的失业开发者，由于妻子要去伦敦学习厨师，他便跟着也去了。在他找工作的过程中，为了给妻子构建一个食谱的搜索引擎，他开始构建一个早期版本的Lucene。 直接基于Lucene工作会比较困难，所以Shay开始抽象Lucene代码以便Java程序员可以在应用中添加搜索功能。他发布了他的第一个开源项目，叫做“Compass”。

后来Shay找到一份工作，这份工作处在高性能和内存数据网格的分布式环境中，因此高性能的、实时的、分布式的搜索引擎也是理所当然需要的。然后他决定重写Compass库使其成为一个独立的服务叫做Elasticsearch。 第一个公开版本出现在2010年2月，在那之后Elasticsearch已经成为Github上最受欢迎的项目之一，代码贡献者超过300人。一家主营Elasticsearch的公司就此成立，他们一边提供商业支持一边开发新功能，不过Elasticsearch将永远开源且对所有人可用。 Shay的妻子依旧等待着她的食谱搜索……

elasticsearch：面向文档 ​

我们知道，关系型数据库以表和记录行的形式存储数据，但是在elasticsearch中，是以文档的形式存储数据。 但区别在于，文档要比数据表的行更加灵活。因为文档可以是多层次的，它（文档）鼓励你将属于一个逻辑实体的数据保存在同一个文档中，而不是散落在各个表的不同行中。这样查询效率很高，因为我们无需连接其他的表，我们学习关系型数据库时，一定知道连表查询（尤其是连接多张表）是多么的费时吧！ 我们将在后续文章做更多的讲解。

没有成熟的案例？ ​

之前有人说，elasticsearch的缺点之一是没有成熟的案例加持，那我们就来看看elasticsearch都有哪些成熟的案例：

  • 维基百科使用Elasticsearch来进行全文搜做并高亮显示关键词，以及提供search-as-you-type、did-you-mean等搜索建议功能。
  • 英国卫报使用Elasticsearch来处理访客日志，以便能将公众对不同文章的反应实时地反馈给各位编辑。
  • StackOverflow将全文搜索与地理位置和相关信息进行结合，以提供more-like-this相关问题的展现。
  • GitHub使用Elasticsearch来检索超过1300亿行代码，可以参考A Whole New Code Search
  • 每天，Goldman Sachs使用它来处理5TB数据的索引，还有很多投行使用它来分析股票市场的变动。
  • 苏宁在大数据平台使用es存储600TB数据，集群规模包括：搭建超过500+物理机，30万shards，80000index。参考
  • 腾讯在日志实时分析中采用es，处理高并发100W/S，PE级数据。
  • 更多参考

所以，elasticsearch可以灵活的应用于我们的项目中。

如何学好elasticsearch ​

除了万能的百度和Google 之外，我们还有一些其他的学习途径：

  • elasticsearch官方文档：这个比较好点，可以多多参考
  • elasticsearch博客：这个吧，看看就行
  • elasticsearch社区：社区还是很好的
  • elasticsearch视频：包括入门视频什么的
  • elasticsearch实战：该书籍的质量还是不错的。
  • elasticsearch权威指南：同样的，这个也不错。

最后，你一定很好奇，elasticsearch索引能处理多大的数据 ​

一个很好地问题，不幸的是，单一索引的极限取决于存储索引的硬件、索引的设计、如何处理数据以及你为索引备份了多少副本。

通常来说，一个Lucene索引（也就是一个elasticsearch分片）不能处理多于21亿篇文档，或者多于2740亿的唯一词条。但达到这个极限之前，我们可能就没有足够的磁盘空间了！ 当然，一个分片如何很大的话，读写性能将会变得非常差。

扯了半天的淡，让我们开始一个灵活的学习之旅吧。

欢迎斧正，that's all，see also： 入门指南 | Elasticsearch Clients | 搜索引擎选择： Elasticsearch与Solr | Elasticsearch 基本介绍及其与 Python 的对接实现 | Elasticsearch权威指南中文版（截止本博客发表，还没有翻译完.......）

Apache Lucene | 开源搜索引擎分类 | ElasticSearch vs Solr多维度分析对比 | Lucene：基于Java的全文检索引擎简介