西安网站制作厂家,把wordpress动静分离,ui设计教学,网站不足之处目录 1 数据聚合1.1 聚合的种类1.2 DSL实现聚合1.2.1 Bucket聚合语法1.2.2 聚合结果排序1.2.3 限定聚合范围1.2.4 Metric聚合语法1.2.5.小结 1.3 RestAPI实现聚合1.3.1 API语法1.3.2 业务需求1.3.3 业务实现 2 自动补全2.1 拼音分词器2.2 自定义分词器2.3 自动补全查询2.4 实现… 目录 1 数据聚合1.1 聚合的种类1.2 DSL实现聚合1.2.1 Bucket聚合语法1.2.2 聚合结果排序1.2.3 限定聚合范围1.2.4 Metric聚合语法1.2.5.小结 1.3 RestAPI实现聚合1.3.1 API语法1.3.2 业务需求1.3.3 业务实现 2 自动补全2.1 拼音分词器2.2 自定义分词器2.3 自动补全查询2.4 实现酒店搜索框自动补全2.4.1 修改酒店映射结构2.4.2 修改HotelDoc实体类2.4.3 重新导入2.4.4 自动补全查询的JavaAPI2.4.5 实现搜索框自动补全 3 数据同步3.1 思路分析3.1.1 同步调用3.1.2 异步通知3.1.3 监听binlog3.1.4 三种方式的优缺点 3.2 实现数据同步3.2.1 思路3.2.2 导入demo3.2.3 声明交换机、队列3.2.4 发送MQ消息3.2.5 接收MQ消息3.2.5 启动并测试数据同步功能 4.集群4.1 搭建ES集群4.1.1 创建es集群4.1.2 集群状态监控4.1.3 创建索引库4.1.4 查看分片效果 4.2 集群脑裂问题4.2.1 集群职责划分4.2.2.脑裂问题4.2.3 小结 4.3 集群分布式存储4.3.1 分片存储测试4.3.2 分片存储原理 4.4 集群分布式查询4.5.集群故障转移 1 数据聚合
聚合aggregations 可以让我们极其方便的实现对数据的统计、分析、运算。例如
什么品牌的手机最受欢迎这些手机的平均价格、最高价格、最低价格这些手机每月的销售情况如何
实现这些统计功能的比数据库的sql要方便的多而且查询速度非常快可以实现近实时搜索效果。
1.1 聚合的种类
聚合常见的有三类 桶Bucket 聚合用来对文档做分组 TermAggregation按照文档字段值分组例如按照品牌值分组、按照国家分组Date Histogram按照日期阶梯分组例如一周为一组或者一月为一组 度量Metric 聚合用以计算一些值比如最大值、最小值、平均值等 Avg求平均值Max求最大值Min求最小值Stats同时求max、min、avg、sum等 管道pipeline 聚合其它聚合的结果为基础做聚合 注意 参加聚合的字段必须是keyword、日期、数值、布尔类型绝对不能是text类型 1.2 DSL实现聚合
现在我们要统计所有数据中的酒店品牌有几种其实就是按照品牌对数据分组。此时可以根据酒店品牌的名称做聚合也就是Bucket聚合。
1.2.1 Bucket聚合语法
语法如下
GET /hotel/_search
{size: 0, // 设置size为0结果中不包含文档只包含聚合结果aggs: { // 定义聚合brandAgg: { //给聚合起个名字terms: { // 聚合的类型按照品牌值聚合所以选择termfield: brand, // 参与聚合的字段size: 20 // 希望获取的聚合结果数量}}}
}结果如图 1.2.2 聚合结果排序
默认情况下Bucket聚合会统计Bucket内的文档数量记为 _count 并且按照_count降序排序。
一般情况下我们使用默认的降序排序就可以了但是我们可以指定order属性自定义聚合的排序方式
GET /hotel/_search
{size: 0, aggs: {brandAgg: {terms: {field: brand,order: {_count: asc // 按照_count升序排列},size: 20}}}
}1.2.3 限定聚合范围
默认情况下Bucket聚合是对索引库的所有文档做聚合但真实场景下用户会输入搜索条件因此聚合必须是对搜索结果聚合。那么聚合必须添加限定条件。
我们可以限定要聚合的文档范围只要添加query条件即可
GET /hotel/_search
{query: {range: {price: {lte: 200 // 只对200元以下的文档聚合}}}, size: 0, aggs: {brandAgg: {terms: {field: brand,size: 20}}}
}这次聚合得到的品牌明显变少了 1.2.4 Metric聚合语法
我们对酒店按照品牌分组形成了一个个桶。现在我们需要对桶内的酒店做运算获取每个品牌的用户评分的min、max、avg等值。
这就要用到Metric聚合了例如stat聚合就可以获取min、max、avg等结果。
语法如下
GET /hotel/_search
{size: 0, aggs: {brandAgg: { terms: { field: brand, size: 20},aggs: { // 是brands聚合的子聚合也就是分组后对每组分别计算score_stats: { // 聚合名称stats: { // 聚合类型这里stats可以计算min、max、avg等field: score // 聚合字段这里是score}}}}}
}这次的score_stats聚合是在brandAgg的聚合内部嵌套的子聚合。因为我们需要在每个桶分别计算。
另外我们还可以给聚合结果做个排序例如按照每个桶的酒店平均分做排序 1.2.5.小结
aggs代表聚合与query同级此时query的作用是
限定聚合的的文档范围
聚合必须的三要素
聚合名称聚合类型聚合字段
聚合可配置属性有
size指定聚合结果数量order指定聚合结果排序方式field指定聚合字段
1.3 RestAPI实现聚合
1.3.1 API语法
聚合条件与query条件同级别因此需要使用request.source()来指定聚合条件。
聚合条件的语法 聚合的结果也与查询结果不同API也比较特殊。不过同样是JSON逐层解析 代码
Test
void testAgg() throws IOException {// 1.准备请求SearchRequest request new SearchRequest(hotel);// 2.请求参数// 2.1.sizerequest.source().size(0);// 2.2.聚合request.source().aggregation(AggregationBuilders.terms(brandAgg).field(brand).size(20));// 3.发出请求SearchResponse response client.search(request, RequestOptions.DEFAULT);// 4.解析结果Aggregations aggregations response.getAggregations();// 4.1.根据聚合名称获取聚合结果Terms brandAgg aggregations.get(brandAgg);// 4.2.获取bucketsList? extends Terms.Bucket buckets brandAgg.getBuckets();// 4.3.遍历for (Terms.Bucket bucket : buckets) {String brandName bucket.getKeyAsString();System.out.println(brandName brandName);long docCount bucket.getDocCount();System.out.println(docCount docCount);}
} 注意response.getAggregations().get(“brandAgg”)的返回结果要是Terms注意包别导错了导es的包。 1.3.2 业务需求 需求搜索页面的品牌、城市等信息不应该是在页面写死而是通过聚合索引库中的酒店数据得来的 分析
目前页面的城市列表、星级列表、品牌列表都是写死的并不会随着搜索结果的变化而变化。但是用户搜索条件改变时搜索结果会跟着变化。
例如用户搜索“东方明珠”那搜索的酒店肯定是在上海东方明珠附近因此城市只能是上海此时城市列表中就不应该显示北京、深圳、杭州这些信息了。
也就是说搜索结果中包含哪些城市页面就应该列出哪些城市搜索结果中包含哪些品牌页面就应该列出哪些品牌。
如何得知搜索结果中包含哪些品牌如何得知搜索结果中包含哪些城市
使用聚合功能利用Bucket聚合对搜索结果中的文档基于品牌分组、基于城市分组就能得知包含哪些品牌、哪些城市了。
因为是对搜索结果聚合因此聚合是限定范围的聚合也就是说聚合的限定条件跟搜索文档的条件一致。
查看浏览器可以发现前端其实已经发出了这样的一个请求 请求参数与搜索文档的参数完全一致。
返回值类型就是页面要展示的最终结果 结果是一个Map结构
key是字符串城市、星级、品牌、价格
value是集合例如多个城市的名称
1.3.3 业务实现
在cn.itcast.hotel.web包的HotelController中添加一个方法遵循下面的要求
请求方式POST
请求路径/hotel/filters
请求参数RequestParams与搜索文档的参数一致
返回值类型MapString, ListString
代码
PostMapping(filters)
public MapString, ListString getFilters(RequestBody RequestParams params){return hotelService.getFilters(params);
}这里调用了IHotelService中的getFilters方法尚未实现。
在cn.itcast.hotel.service.IHotelService中定义新方法
MapString, ListString filters(RequestParams params);在cn.itcast.hotel.service.impl.HotelService中实现该方法
Override
public MapString, ListString filters(RequestParams params) {try {// 1.准备RequestSearchRequest request new SearchRequest(hotel);// 2.准备DSL// 2.1.querybuildBasicQuery(params, request);// 2.2.设置sizerequest.source().size(0);// 2.3.聚合buildAggregation(request);// 3.发出请求SearchResponse response client.search(request, RequestOptions.DEFAULT);// 4.解析结果MapString, ListString result new HashMap();Aggregations aggregations response.getAggregations();// 4.1.根据品牌名称获取品牌结果ListString brandList getAggByName(aggregations, brandAgg);result.put(品牌, brandList);// 4.2.根据品牌名称获取品牌结果ListString cityList getAggByName(aggregations, cityAgg);result.put(城市, cityList);// 4.3.根据品牌名称获取品牌结果ListString starList getAggByName(aggregations, starAgg);result.put(星级, starList);
return result;} catch (IOException e) {throw new RuntimeException(e);}
}
private void buildAggregation(SearchRequest request) {request.source().aggregation(AggregationBuilders.terms(brandAgg).field(brand).size(100));request.source().aggregation(AggregationBuilders.terms(cityAgg).field(city).size(100));request.source().aggregation(AggregationBuilders.terms(starAgg).field(starName).size(100));
}
private ListString getAggByName(Aggregations aggregations, String aggName) {// 4.1.根据聚合名称获取聚合结果Terms brandTerms aggregations.get(aggName);// 4.2.获取bucketsList? extends Terms.Bucket buckets brandTerms.getBuckets();// 4.3.遍历ListString brandList new ArrayList();for (Terms.Bucket bucket : buckets) {// 4.4.获取keyString key bucket.getKeyAsString();brandList.add(key);}return brandList;
}2 自动补全
当用户在搜索框输入字符时我们应该提示出与该字符有关的搜索项如图 这种根据用户输入的字母提示完整词条的功能就是自动补全了。
因为需要根据拼音字母来推断因此要用到拼音分词功能。
2.1 拼音分词器
要实现根据字母做补全就必须对文档按照拼音分词。在GitHub上有elasticsearch的拼音分词插件。地址https://github.com/medcl/elasticsearch-analysis-pinyin 安装方式与IK分词器一样分三步
① 解压
② 上传到虚拟机中elasticsearch的plugin目录
③ 重启elasticsearch
④ 测试
详细安装步骤可以参考IK分词器的安装过程。
测试用法如下
POST /_analyze
{text: 如家酒店还不错,analyzer: pinyin
}结果 2.2 自定义分词器
默认的拼音分词器会将每个汉字单独分为拼音而我们希望的是每个词条形成一组拼音需要对拼音分词器做个性化定制形成自定义分词器。
elasticsearch中分词器analyzer的组成包含三部分
character filters在tokenizer之前对文本进行处理。例如删除字符、替换字符tokenizer将文本按照一定的规则切割成词条term。例如keyword就是不分词还有ik_smarttokenizer filter将tokenizer输出的词条做进一步处理。例如大小写转换、同义词处理、拼音处理等
文档分词时会依次由这三部分来处理文档 声明自定义分词器的语法如下 我们可以在创建索引库时通过settings来配置自定义的analyzer分词器
PUT /test
{settings: {analysis: {analyzer: { // 自定义分词器my_analyzer: { // 分词器名称tokenizer: ik_max_word,filter: py}},filter: { // 自定义tokenizer filterpy: { // 过滤器名称type: pinyin, // 过滤器类型这里是pinyinkeep_full_pinyin: false,keep_joined_full_pinyin: true,keep_original: true,limit_first_letter_length: 16,remove_duplicated_term: true,none_chinese_pinyin_tokenize: false}}}},mappings: {properties: {name: {type: text,analyzer: my_analyzer,search_analyzer: ik_smart}}}
}测试 更多的自定义可以查看文档使用拼音分词器适合在创建索引时使用不能在搜索时候用如果搜索时用拼音分词器搜索狮子爱跳舞会搜出虱子等同音字。 因此在使用ik拼音过滤的分词器时建议创建的字段的索引分词器设为自定义分词器搜索分词器设为ik分词器。防止搜索时搜出拼音谐音的情况。 总结
如何使用拼音分词器 ① 下载pinyin分词器 ② 解压并放到elasticsearch的plugin目录 ③ 重启即可
如何自定义分词器 创建索引库时在settings中配置可以包含三部分 character filter tokenizer filter
拼音分词器注意事项
为了避免搜索到同音字搜索时不要使用拼音分词器
2.3 自动补全查询
elasticsearch提供了Completion Suggester查询来实现自动补全功能。这个查询会匹配以用户输入内容开头的词条并返回。为了提高补全查询的效率对于文档中字段的类型有一些约束 参与补全查询的字段必须是completion类型。 字段的内容一般是用来补全的多个词条形成的数组。
比如一个这样的索引库
// 创建索引库
PUT test
{mappings: {properties: {title:{type: completion}}}
}然后插入下面的数据
// 示例数据
POST test/_doc
{title: [Sony, WH-1000XM3]
}
POST test/_doc
{title: [SK-II, PITERA]
}
POST test/_doc
{title: [Nintendo, switch]
}查询的DSL语句如下
// 自动补全查询
GET /test/_search
{suggest: {title_suggest: {text: s, // 关键字completion: {field: title, // 补全查询的字段skip_duplicates: true, // 跳过重复的size: 10 // 获取前10条结果}}}
}参与补全查询的字段必须是completion类型数据是字符串数组。completion译为完成字段的内容一般是用来补全的多个词条形成的数组 2.4 实现酒店搜索框自动补全
现在我们的hotel索引库还没有设置拼音分词器需要修改索引库中的配置。但是我们知道索引库是无法修改的只能删除然后重新创建。
另外我们需要添加一个字段用来做自动补全将brand、suggestion、city等都放进去作为自动补全的提示。
因此总结一下我们需要做的事情包括 修改hotel索引库结构设置自定义拼音分词器 修改索引库的name、all字段使用自定义分词器 索引库添加一个新字段suggestion类型为completion类型使用自定义的分词器 给HotelDoc类添加suggestion字段内容包含brand、business 重新导入数据到hotel库
2.4.1 修改酒店映射结构
代码如下
// 酒店数据索引库
PUT /hotel
{settings: {analysis: {analyzer: {text_anlyzer: {tokenizer: ik_max_word,filter: py},completion_analyzer: {tokenizer: keyword,filter: py}},filter: {py: {type: pinyin,keep_full_pinyin: false,keep_joined_full_pinyin: true,keep_original: true,limit_first_letter_length: 16,remove_duplicated_term: true,none_chinese_pinyin_tokenize: false}}}},mappings: {properties: {id:{type: keyword},name:{type: text,analyzer: text_anlyzer,search_analyzer: ik_smart,copy_to: all},address:{type: keyword,index: false},price:{type: integer},score:{type: integer},brand:{type: keyword,copy_to: all},city:{type: keyword},starName:{type: keyword},business:{type: keyword,copy_to: all},location:{type: geo_point},pic:{type: keyword,index: false},all:{type: text,analyzer: text_anlyzer,search_analyzer: ik_smart},suggestion:{type: completion,analyzer: completion_analyzer}}}
}2.4.2 修改HotelDoc实体类
HotelDoc中要添加一个字段用来做自动补全内容可以是酒店品牌、城市、商圈等信息。按照自动补全字段的要求最好是这些字段的数组。
因此我们在HotelDoc中添加一个suggestion字段类型为ListString然后将brand、city、business等信息放到里面。
代码如下
package cn.itcast.hotel.pojo;import lombok.Data;
import lombok.NoArgsConstructor;import java.util.ArrayList;
import java.util.Arrays;
import java.util.Collections;
import java.util.List;Data
NoArgsConstructor
public class HotelDoc {private Long id;private String name;private String address;private Integer price;private Integer score;private String brand;private String city;private String starName;private String business;private String location;private String pic;private Object distance;private Boolean isAD;private ListString suggestion;public HotelDoc(Hotel hotel) {this.id hotel.getId();this.name hotel.getName();this.address hotel.getAddress();this.price hotel.getPrice();this.score hotel.getScore();this.brand hotel.getBrand();this.city hotel.getCity();this.starName hotel.getStarName();this.business hotel.getBusiness();this.location hotel.getLatitude() , hotel.getLongitude();this.pic hotel.getPic();// 组装suggestionif(this.business.contains(/)){// business有多个值需要切割String[] arr this.business.split(/);// 添加元素this.suggestion new ArrayList();this.suggestion.add(this.brand);Collections.addAll(this.suggestion, arr);}else {this.suggestion Arrays.asList(this.brand, this.business);}}
}2.4.3 重新导入
重新执行之前编写的导入数据功能可以看到新的酒店数据中包含了suggestion 测试一下
2.4.4 自动补全查询的JavaAPI
之前我们学习了自动补全查询的DSL而没有学习对应的JavaAPI这里给出一个示例 而自动补全的结果也比较特殊解析的代码如下 2.4.5 实现搜索框自动补全
查看前端页面可以发现当我们在输入框键入时前端会发起ajax请求
返回值是补全词条的集合类型为ListString
1在cn.itcast.hotel.web包下的HotelController中添加新接口接收新的请求
GetMapping(suggestion)
public ListString getSuggestions(RequestParam(key) String prefix) {return hotelService.getSuggestions(prefix);
}2在cn.itcast.hotel.service包下的IhotelService中添加方法
ListString getSuggestions(String prefix);3在cn.itcast.hotel.service.impl.HotelService中实现该方法
Override
public ListString getSuggestions(String prefix) {try {// 1.准备RequestSearchRequest request new SearchRequest(hotel);// 2.准备DSLrequest.source().suggest(new SuggestBuilder().addSuggestion(suggestions,SuggestBuilders.completionSuggestion(suggestion).prefix(prefix).skipDuplicates(true).size(10)));// 3.发起请求SearchResponse response client.search(request, RequestOptions.DEFAULT);// 4.解析结果Suggest suggest response.getSuggest();// 4.1.根据补全查询名称获取补全结果CompletionSuggestion suggestions suggest.getSuggestion(suggestions);// 4.2.获取optionsListCompletionSuggestion.Entry.Option options suggestions.getOptions();// 4.3.遍历ListString list new ArrayList(options.size());for (CompletionSuggestion.Entry.Option option : options) {String text option.getText().toString();list.add(text);}return list;} catch (IOException e) {throw new RuntimeException(e);}
}3 数据同步
elasticsearch中的酒店数据来自于mysql数据库因此mysql数据发生改变时elasticsearch也必须跟着改变这个就是elasticsearch与mysql之间的数据同步。
3.1 思路分析
常见的数据同步方案有三种
同步调用异步通知监听binlog
3.1.1 同步调用
方案一同步调用 基本步骤如下
hotel-demo对外提供接口用来修改elasticsearch中的数据酒店管理服务在完成数据库操作后直接调用hotel-demo提供的接口
3.1.2 异步通知
方案二异步通知 流程如下
hotel-admin对mysql数据库数据完成增、删、改后发送MQ消息hotel-demo监听MQ接收到消息后完成elasticsearch数据修改
3.1.3 监听binlog
方案三监听binlog 流程如下
给mysql开启binlog功能mysql完成增、删、改操作都会记录在binlog中hotel-demo基于canal监听binlog变化实时更新elasticsearch中的内容
3.1.4 三种方式的优缺点
方式一同步调用
优点实现简单粗暴缺点业务耦合度高
方式二异步通知
优点低耦合实现难度一般缺点依赖mq的可靠性
方式三监听binlog
优点完全解除服务间耦合缺点开启binlog增加数据库负担、实现复杂度高
3.2 实现数据同步
3.2.1 思路
资料提供的hotel-admin项目作为酒店管理的微服务。当酒店数据发生增、删、改时要求对elasticsearch中数据也要完成相同操作。
步骤 导入提供的hotel-admin项目启动并测试酒店数据的CRUD 声明exchange、queue、RoutingKey 在hotel-admin中的增、删、改业务中完成消息发送 在hotel-demo中完成消息监听并更新elasticsearch中数据 启动并测试数据同步功能
3.2.2 导入demo
导入课前资料提供的hotel-admin项目运行后访问 http://localhost:8099 其中包含了酒店的CRUD功能 3.2.3 声明交换机、队列
MQ结构如图 引入依赖修改yml文件
在hotel-admin、hotel-demo中引入rabbitmq的依赖修改yml文件
!--amqp--
dependencygroupIdorg.springframework.boot/groupIdartifactIdspring-boot-starter-amqp/artifactId
/dependencyspring:rabbitmq:host: 192.168.1.189port: 5672username: itcastpassword: 123321virtual-host: / #虚拟主机声明队列交换机名称
在hotel-admin和hotel-demo中的cn.itcast.hotel.constatnts包下新建一个类MqConstants
package cn.itcast.hotel.constatnts;public class MqConstants {/*** 交换机*/public final static String HOTEL_EXCHANGE hotel.topic;/*** 监听新增和修改的队列*/public final static String HOTEL_INSERT_QUEUE hotel.insert.queue;/*** 监听删除的队列*/public final static String HOTEL_DELETE_QUEUE hotel.delete.queue;/*** 新增或修改的RoutingKey*/public final static String HOTEL_INSERT_KEY hotel.insert;/*** 删除的RoutingKey*/public final static String HOTEL_DELETE_KEY hotel.delete;
}在RestClient的API中全量修改与新增的API完全一致判断依据是ID 如果新增时ID已经存在则修改如果新增时ID不存在则新增。因此这儿只需要两个队列 声明队列交换机
在hotel-demo中定义配置类声明队列、交换机
package cn.itcast.hotel.config;import cn.itcast.hotel.constants.MqConstants;
import org.springframework.amqp.core.Binding;
import org.springframework.amqp.core.BindingBuilder;
import org.springframework.amqp.core.Queue;
import org.springframework.amqp.core.TopicExchange;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;Configuration
public class MqConfig {Beanpublic TopicExchange topicExchange(){return new TopicExchange(MqConstants.HOTEL_EXCHANGE, true, false);}Beanpublic Queue insertQueue(){return new Queue(MqConstants.HOTEL_INSERT_QUEUE, true);}Beanpublic Queue deleteQueue(){return new Queue(MqConstants.HOTEL_DELETE_QUEUE, true);}Beanpublic Binding insertQueueBinding(){return BindingBuilder.bind(insertQueue()).to(topicExchange()).with(MqConstants.HOTEL_INSERT_KEY);}Beanpublic Binding deleteQueueBinding(){return BindingBuilder.bind(deleteQueue()).to(topicExchange()).with(MqConstants.HOTEL_DELETE_KEY);}
}3.2.4 发送MQ消息
在hotel-admin中的增、删、改业务中分别发送MQ消息 消息内容为idhotel-demo根据id增删改 由于消息会保存到mq中而mq是基于内存的如果把整个hotel都发送过去会比较消耗内存对于mq就很容易将队列占满所以建议发送消息时消息体尽量小一点因此这里我们可以只发送hotel的id对方可以根据id查到这个数据 3.2.5 接收MQ消息
hotel-demo接收到MQ消息要做的事情包括
新增消息根据传递的hotel的id查询hotel信息然后新增一条数据到索引库删除消息根据传递的hotel的id删除索引库中的一条数据
1首先在hotel-demo的cn.itcast.hotel.service包下的IHotelService中新增新增、删除业务
void deleteById(Long id);void insertById(Long id);2给hotel-demo中的cn.itcast.hotel.service.impl包下的HotelService中实现业务
Override
public void deleteById(Long id) {try {// 1.准备RequestDeleteRequest request new DeleteRequest(hotel, id.toString());// 2.发送请求client.delete(request, RequestOptions.DEFAULT);} catch (IOException e) {throw new RuntimeException(e);}
}Override
public void insertById(Long id) {try {// 0.根据id查询酒店数据Hotel hotel getById(id);// 转换为文档类型HotelDoc hotelDoc new HotelDoc(hotel);// 1.准备Request对象IndexRequest request new IndexRequest(hotel).id(hotel.getId().toString());// 2.准备Json文档request.source(JSON.toJSONString(hotelDoc), XContentType.JSON);// 3.发送请求client.index(request, RequestOptions.DEFAULT);} catch (IOException e) {throw new RuntimeException(e);}
}3编写监听器
在hotel-demo中的cn.itcast.hotel.mq包新增一个类
package cn.itcast.hotel.mq;import cn.itcast.hotel.constants.MqConstants;
import cn.itcast.hotel.service.IHotelService;
import org.springframework.amqp.rabbit.annotation.RabbitListener;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Component;Component
public class HotelListener {Autowiredprivate IHotelService hotelService;/*** 监听酒店新增或修改的业务* param id 酒店id*/RabbitListener(queues MqConstants.HOTEL_INSERT_QUEUE)public void listenHotelInsertOrUpdate(Long id){hotelService.insertById(id);}/*** 监听酒店删除的业务* param id 酒店id*/RabbitListener(queues MqConstants.HOTEL_DELETE_QUEUE)public void listenHotelDelete(Long id){hotelService.deleteById(id);}
}3.2.5 启动并测试数据同步功能
运行管理端和用户端服务后打开rabbitmq服务端 http://192.168.1.189/15672可以看到队列、交换机创建成功以及交换机绑定关系 在管理端修改酒店信息后可以看到消息 也可以查看到用户界面数据也已经修改。删除功能一样。 为了避免删除数据后就找不到了可以 vue插件实现快速拷贝数据到表单 4.集群
单机的elasticsearch做数据存储必然面临两个问题海量数据存储问题、单点故障问题。
海量数据存储问题将索引库从逻辑上拆分为N个分片shard存储到多个节点单点故障问题将分片数据在不同节点备份replica
ES集群相关概念: 集群cluster一组拥有共同的 cluster name 的 节点。 节点node) 集群中的一个 Elasticearch 实例 分片shard索引可以被拆分为不同的部分进行存储称为分片。在集群环境下一个索引的不同分片可以拆分到不同的节点中 解决问题数据量太大单点存储量有限的问题。 此处我们把数据分成3片shard0、shard1、shard2 主分片Primary shard相对于副本分片的定义。 副本分片Replica shard每个主分片可以有一个或者多个副本数据和主分片一样。
数据备份可以保证高可用但是每个分片备份一份所需要的节点数量就会翻一倍成本实在是太高了
为了在高可用和成本间寻求平衡我们可以这样做
首先对数据分片存储到不同节点然后对每个分片进行备份放到对方节点完成互相备份
这样可以大大减少所需要的服务节点数量如图我们以3分片每个分片备份一份为例 现在每个分片都有1个备份存储在3个节点
node0保存了分片0和1node1保存了分片0和2node2保存了分片1和2
4.1 搭建ES集群
我们会在单机上利用docker容器运行多个es实例来模拟es集群。不过生产环境推荐大家每一台服务节点仅部署一个es的实例。
部署es集群可以直接使用docker-compose来完成但这要求你的Linux虚拟机至少有4G的内存空间
4.1.1 创建es集群
首先编写一个docker-compose.yml文件内容如下
version: 2.2
services:es01:image: elasticsearch:7.12.1container_name: es01environment:- node.namees01- cluster.namees-docker-cluster- discovery.seed_hostses02,es03- cluster.initial_master_nodeses01,es02,es03- ES_JAVA_OPTS-Xms512m -Xmx512mvolumes:- data01:/usr/share/elasticsearch/dataports:- 9200:9200networks:- elastices02:image: elasticsearch:7.12.1container_name: es02environment:- node.namees02- cluster.namees-docker-cluster- discovery.seed_hostses01,es03- cluster.initial_master_nodeses01,es02,es03- ES_JAVA_OPTS-Xms512m -Xmx512mvolumes:- data02:/usr/share/elasticsearch/dataports:- 9201:9200networks:- elastices03:image: elasticsearch:7.12.1container_name: es03environment:- node.namees03- cluster.namees-docker-cluster- discovery.seed_hostses01,es02- cluster.initial_master_nodeses01,es02,es03- ES_JAVA_OPTS-Xms512m -Xmx512mvolumes:- data03:/usr/share/elasticsearch/datanetworks:- elasticports:- 9202:9200
volumes:data01:driver: localdata02:driver: localdata03:driver: localnetworks:elastic:driver: bridgees运行需要修改一些linux系统权限修改/etc/sysctl.conf文件
vi /etc/sysctl.conf添加下面的内容
vm.max_map_count262144然后执行命令让配置生效
sysctl -p通过docker-compose启动集群
docker-compose up -d4.1.2 集群状态监控
kibana可以监控es集群不过新版本需要依赖es的x-pack 功能配置比较复杂。
这里推荐使用cerebro来监控es集群状态官方网址https://github.com/lmenezes/cerebro
资料已经提供了安装包 解压即可使用非常方便。
解压好的目录如下
进入对应的bin目录 双击其中的cerebro.bat文件即可启动服务。
访问http://localhost:9000 即可进入管理界面 输入你的elasticsearch的任意节点的地址和端口点击connect即可实心五角星是当前的主节点空心五角星是候选节点 绿色的条代表集群处于绿色健康状态。
4.1.3 创建索引库
利用kibana的DevTools创建索引库
在DevTools中输入指令
PUT /itcast
{settings: {number_of_shards: 3, // 分片数量number_of_replicas: 1 // 副本数量},mappings: {properties: {// mapping映射定义 ...}}
}利用cerebro创建索引库
利用cerebro还可以创建索引库
填写索引库信息 点击右下角的create按钮 4.1.4 查看分片效果
回到首页即可查看索引库分片效果 4.2 集群脑裂问题
4.2.1 集群职责划分
elasticsearch中集群节点有不同的职责划分 默认情况下集群中的任何一个节点都同时具备上述四种角色。
但是真实的集群一定要将集群职责分离
master节点对CPU要求高但是内存要求第data节点对CPU和内存要求都高coordinating节点对网络带宽、CPU要求高
职责分离可以让我们根据不同节点的需求分配不同的硬件去部署。而且避免业务之间的互相干扰。
一个典型的es集群职责划分如图 4.2.2.脑裂问题
脑裂是因为集群中的节点失联导致的。
例如一个集群中主节点与其它节点失联 此时node2和node3认为node1宕机就会重新选主 当node3当选后集群继续对外提供服务node2和node3自成集群node1自成集群两个集群数据不同步出现数据差异。
当网络恢复后因为集群中有两个master节点集群状态的不一致出现脑裂的情况 解决脑裂的方案要求选票超过 ( eligible节点数量 1 / 2 才能当选为主因此eligible节点数量最好是奇数。对应配置项是discovery.zen.minimum_master_nodes在es7.0以后已经成为默认配置因此一般不会发生脑裂问题
例如3个节点形成的集群选票必须超过 3 1 / 2 也就是2票。node3得到node2和node3的选票当选为主。node1只有自己1票没有当选。集群中依然只有1个主节点没有出现脑裂。
4.2.3 小结
master eligible节点的作用是什么
参与集群选主主节点可以管理集群状态、管理分片信息、处理创建和删除索引库的请求
data节点的作用是什么
数据的CRUD
coordinator节点的作用是什么 路由请求到其它节点 合并查询到的结果返回给用户
4.3 集群分布式存储
当新增文档时应该保存到不同分片保证数据均衡那么coordinating node如何确定数据该存储到哪个分片呢
4.3.1 分片存储测试
插入三条数据 测试可以看到三条数据分别在不同分片 结果 4.3.2 分片存储原理
elasticsearch会通过hash算法来计算文档应该存储到哪个分片 说明
_routing默认是文档的id算法与分片数量有关因此索引库一旦创建分片数量不能修改
新增文档的流程如下 解读
1新增一个id1的文档2对id做hash运算假如得到的是2则应该存储到shard-23shard-2的主分片在node3节点将数据路由到node34保存文档5同步给shard-2的副本replica-2在node2节点6返回结果给coordinating-node节点
4.4 集群分布式查询
elasticsearch的查询分成两个阶段 scatter phase分散阶段coordinating node会把请求分发到每一个分片 gather phase聚集阶段coordinating node汇总data node的搜索结果并处理为最终结果集返回给用户 coordinating node可以是三个节点中的任意一个因为默认情况下每个节点都是协调节点也可以单独指定一个节点无论访问的nodo1还是node2或者node3都会把请求分发给每一个分片 总结
分布式新增如何确定分片 coordinating node根据id做hash运算得到结果对shard数量取余余数就是对应的分片 分布式查询的两个阶段 分散阶段 coordinating node将查询请求分发给不同分片收集阶段将查询结果汇总到coordinating node 整理并返回给用户
4.5.集群故障转移
集群的master节点会监控集群中的节点状态如果发现有节点宕机会立即将宕机节点的分片数据迁移到其它节点确保数据安全这个叫做故障转移。
1例如一个集群结构如图
现在node1是主节点其它两个节点是从节点。
2突然node1发生了故障模拟es01宕机docker-compose stop es01 宕机后的第一件事需要重新选主例如选中了node2 node2成为主节点后会检测集群监控状态发现shard-1、shard-0没有副本节点。因此需要将node1上的数据迁移到node2、node3 此时重启node1 docker-compose start es01发现会重新分配出两个分片到es01
总结
故障转移
master宕机后EligibleMaster选举为新的主节点。master节点监控分片、节点状态将故障节点上的分片转移到正常节点确保数据安全。
