前言

　　我曾经面试安踏的技术岗，当时面试官问了我一个问题：如果你想使用某个新技术但是领导不愿意，你怎么办？

　　对于该问题我相信大家就算没有面试被问到过，现实工作中同事之间的合作也会遇到。　

因此从我的角度重新去回答这个问题，有以下几点：

　　1.师出有名，在软件工程里是针对问题场景提供解决方案的，如果脱离的实际问题（需求）去做技术选型，无疑是耍流氓。大家可以回顾身边的“架构师”、“技术Leader”是不是拍拍脑袋做决定，问他们为什么这么做，可能连个冠冕堂皇的理由都给不出。

　　2.信任度，只有基于上面的条件，你才有理由建议引入新技术。领导愿不愿意引入新技术有很多原因：领导不了解这技术、领导偏保守、领导不是做技术的等。那么我认为这几种都是信任度，这种信任度分人和事，人就是引入技术的提出者，事就是提出引入的技术。

　　3.尽人事，任何问题只是单纯解决事都是简单的，以我以往的做法，把基本资料收集全并以通俗易懂的方式归纳与讲解，最好能提供一些能量化的数据，这样更加有说服力。知识普及OK后，就可以尝试写方案与做个Demo，方案最好可以提供多个，可以分短期收益与长期收益的。完成上面几点可以说已经尽人事了，如果领导还不答应那么的确有他的顾虑，就算无法落实，到目前为止的收获也不错。

　　4.复杂的是人，任何人都无法时刻站在理智与客观的角度去看待问题，事是由人去办的，所以同一件事由不同的人说出来的效果也不一样。因此得学会向上管理、保持与同事之间合作融洽度，尽早的建立合作信任。本篇文章更多叙述的事，因此人方面不过多深究，有兴趣的我可以介绍一本书《知行技术人的管理之路》。

　　本篇我的实践做法与上述一样，除了4无法体现。那么下文我分了4大模块：业务背景介绍、基础概念讲解、方案的选用与技术细节。

　　该篇文章不包含代码有8000多千字，花了我3天时间写，可能需要您花10分钟慢慢阅读，我承诺大家正文里面细节满满。

　　曾有朋友建议我拆开来写，但是我的习惯还是希望以一篇文章，这样更加系统化的展示给大家。当然大家有什么建议也可以在下方留言给我。

　　部分源码，我放到了https://github.com/SkyChenSky/Sikiro 的Sikiro.ES.Api里

背景

　　本公司多年以来用SQL Server作为主存储，随着多年的业务发展，已经到了数千万级的数据量。

　　而部分非核心业务原本应该超亿的量级了，但是因为从物理表的设计优化上进行了数据压缩，导致维持在一个比较稳定的数量。压缩数据虽然能减少存储量，优化提供一定的性能，但是同时带来的损失了业务可扩展性。举个例子：我们平台某个用户拥有最后访问作品记录和总的阅读时长，但是没有某个用户的阅读明细，那么这样的设计就会导致后续新增一个抽奖业务，需要在某个时间段内阅读了多长时间或者章节数量的作品，才能参加与抽奖；或者运营想通过阅读记录统计或者分析出，用户的爱好和受欢迎的作品。现有的设计对以上两种业务情况都是无法满足的。

　　此外我们平台还有作品搜索功能，like ‘%搜索%’查询是不走索引的而走全表扫描，一张表42W全表扫描，数据库服务器配置可以的情况下还是可以的，但是存在并发请求时候，资源消耗就特别厉害了，特别是在偶尔被爬虫爬取数据。（我们平台API的并发峰值能达到8w/s，每天的接口在淡季请求次数达到了1亿1千万）

　　关系型数据库拥有ACID特性，能通过金融级的事务达成数据的一致性，然而它却没有横向扩展性，只要在海量数据场景下，单实例，无论怎么在关系型数据库做优化，都是只是治标。而NoSQL的出现很好的弥补了关系型数据库的短板，在马丁福勒所著的《NoSQL精粹》对NoSQL进行了分类：文档型、图形、列式，键值，从我的角度其实可以把搜索引擎纳入NoSQL范畴，因为它的确满足的NoSQL的4大特性：易扩展、大数据量高性能、灵活的数据模型、高可用。我看过一些同行的见解，把Elasticsearch归为文档型NoSQL，我个人是没有给他下过于明确的定义，这个上面说法大家见仁见智。

　　MongoDB作为文档型数据库也属于我的技术选型范围，它的读写性能高且平衡、数据分片与横向扩展等都非常适合我们平台部分场景，最后我还是选择Elasticsearch。原因有三：

我们运维相比于MongoDB更熟悉Elasticsearch。
我们接下来有一些统计报表类的需求，Elastic Stack的各种工具能很好满足我们的需求。
我们目前着手处理的场景以非实时、纯读为主的业务，Elasticsearch近实时搜索已经能满足我们。

Elasticsearch优缺点

百度百科：
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由Java语言开发的，是一种流行的企业级搜索引擎。Elasticsearch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。官方客户端在Java、.NET（C#）、PHP、Python、Apache Groovy、Ruby和许多其他语言中都是可用的。

　　对于满足当下的业务需求和未来支持海量数据的搜索，我选择了Elasticsearch，其实原因主要以下几点：

优点	描述
横向可扩展性	可单机、可集群，横向扩展非常简单方便，自动整理数据分片
快	索引被分为多个分片(Shard)，利用多台服务器，使用了分而治之的思想提升处理效率
支持搜索多样化	与传统关系型数据库相比，ES提供了全文检索、同义词处理、相关度排名、复杂数据分析、海量数据的近实时处理等功能
高可用	提供副本(Replica)机制，一个分片可以设置多个副本，假如某服务器宕机后，集群仍能正常工作。
开箱即用	简易的运维部署，提供基于Restful API，多种语言的SDK

　　那么我个人认为Elasticsearch比较大的缺点只有 吃内存，具体原因可以看下文内存读取部分。

Elasticsearch为什么快？

我个人对于Elasticsearch快的原因主要总结三点：

内存读取
多种索引
- 倒排索引　　
- doc values
集群分片

内存读取

　　Elasticsearch是基于Lucene，而Lucene被设计为可以利用操作系统底层机制来缓存内存数据结构，换句话说Elasticsearch是依赖于操作系统底层的 Filesystem Cache，查询时，操作系统会将磁盘文件里的数据自动缓存到 Filesystem Cache 里面去，因此要求Elasticsearch性能足够高，那么就需要服务器的提供的足够内存给Filesystem Cache 覆盖存储的数据。

　　上一段最后一句话什么意思呢？假如：Elasticsearch 节点有 3 台服务器各64G内存，3台总内存就是 64 * 3 = 192G。每台机器给 Elasticsearch jvm heap 是 32G，那么每服务器留给 Filesystem Cache 的就是 32G（50%），而集群里的 Filesystem Cache 的就是 32 * 3 = 96G 内存。此时，在 3 台Elasticsearch服务器共占用了 1T 的磁盘容量，那么每台机器的数据量约等于 341G，意味着每台服务器只有大概10分之1数据是缓存在内存的，其余都得走硬盘。

　　说到这里大家未必会有一个直观得认识，因此我从《大型网站技术架构：核心原理与案例分析》第36页抠了一张表格下来：

操作	响应时间
打开一个网站	几秒
在数据库中查询一条记录（有索引）	十几毫秒
机械磁盘一次寻址定位	4毫秒
从机械磁盘顺序读取1MB数据	2毫秒
从SSD磁盘顺序读取1MB数据	0.3毫秒
从远程分布式缓存Redis读取一个数据	0.5毫秒
从内存中读取1MB数据	十几微秒
Java程序本地方法调用	几微秒
网络传输2KB数据	1微秒

　　从上图加粗项看出，内存读取性能是机械磁盘的200倍，是SSD磁盘约等于30倍，假如读一次Elasticsearch走内存场景下耗时20毫秒，那么走机械硬盘就得4秒，走SSD磁盘可能约等于0.6秒。讲到这里我相信大家对是否走内存的性能差异有一个直观的认识。

对于Elasticsearch有很多种索引类型，但是我认为核心主要是倒排索引和doc values

倒排索引

　　Lucene将写入索引的所有信息组织为倒排索引（inverted index）的结构形式。倒排索引是一种将分词映射到文档的数据结构，可以认为倒排索引是面向分词的而不是面向文档的。

　　假设在测试环境的Elasticsearch存放了有以下三个文档：

Elasticsearch Server（文档1）
Masterring Elasticsearch（文档2）
Apache Solr 4 Cookbook（文档3）

　　以上文档索引建好后，简略显示如下：

词项	数量	文档
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，每个词项指向该词项所出现过的文档位置，这种索引结构允许快速、有效的搜索出数据。

doc values　　

　　对于分组、聚合、排序等某些功能来说，倒排索引的方式并不是最佳选择，这类功能操作的是文档而不是词项，这个时候就得把倒排索引逆转过来成正排索引，这么做会有两个缺点：

构建时间长
内存占用大，易OutOfMemory，且影响垃圾回收

　　Lucene 4.0之后版本引入了doc values和额外的数据结构来解决上面得问题，目前有五种类型的doc values：NUMERIC、BINARY、SORTED、SORTED_SET、SORTED_NUMERIC，针对每种类型Lucene都有特定的压缩方法。

　　doc values是列式存储的正排索引，通过docID可以快速读取到该doc的特定字段的值，列式存储存储对于聚合计算有非常高的性能。

集群分片

　　Elasticsearch可以简单、快速利用多节点服务器形成集群，以此分摊服务器的执行压力。

　　此外数据可以进行分片存储，搜索时并发到不同服务器上的主分片进行搜索。

这里可以简单讲述下Elasticsearch查询原理，Elasticsearch的查询分两个阶段：分散阶段与合并阶段。

　　任意一个Elasticsearch节点都可以接受客户端的请求。接受到请求后，就是分散阶段，并行发送子查询给其他节点；

　　然后是合并阶段，则从众多分片中收集返回结果，然后对他们进行合并、排序、取长等后续操作。最终将结果返回给客户端。

机制如下图：

分页深度陷阱

　　基于以上查询的原理，扩展一个分页深度的问题。

　　现需要查页长为10、第100页的数据，实际上是会把每个 Shard 上存储的前 1000（10*100）条数据都查到一个协调节点上。如果有 5 个 Shard，那么就有 5000 条数据，接着协调节点对这 5000 条数据进行一些合并、处理，再获取到最终第 100 页的 10 条数据。也就是实际上查的数据总量为pageSize*pageIndex*shard，页数越深则查询的越慢。因此ElasticSearch也会有要求，每次查询出来的数据总数不会返回超过10000条。

　　那么从业务上尽可能跟产品沟通避免分页跳转，使用滚动加载。而Elasticsearch使用的相关技术是search_after、scroll_id。

ElasticSearch与数据库基本概念对比

ElasticSearch	RDBMS
Index	表
Document	行
Field	列
Mapping	表结构

　　在Elasticsearch 7.0版本之前（<7.0），有type的概念，而Elasticsearch和关系型数据库的关系是，index = database、type = table，但是在Elasticsearch 7.0版本后（>=7.0）弱化了type默认为_doc，而官方会在8.0之后会彻底移除type。

服务器选型

　　在官方文档（https://www.elastic.co/guide/cn/elasticsearch/guide/current/heap-sizing.html）里建议Elasticsearch JVM Heap最大为32G，同时不超过服务器内存的一半，也就是说内存分别为128G和64G的服务器，JVM Heap最大只需要设置32G；而32G服务器，则建议JVM Heap最大16G，剩余的内存将会给到Filesystem Cache充分使用。如果不需要对分词字符串做聚合计算（例如，不需要 fielddata ）可以考虑降低JVM Heap。JVM Heap越小，会导致Elasticsearch的GC频率更高，但Lucene就可以的使用更多的内存，这样性能就会更高。

　　对于我们公司的未来新增业务还会有收集用户的访问记录来统计PV(page view)、UV(user view)，有一定的聚合计算，经过多方便的考虑与讨论，平衡成本与需求后选择了腾讯云的三台配置为CPU 16核、内存64G，SSD云硬盘的服务器，并给与Elasticsearch 配置JVM Heap = 32G。

需求场景选择

Elasticsearch在本公司系统的可使用场景非常多，但是作为第一次引入因慎重选择，给与开发与运维一定的时间熟悉与观察。

经过商讨，选择了两个业务场景，用户阅读作品的记录明细与作品搜索，选择这两个业务场景原因如下：

写场景
- 我们平台的用户黏度比较高，阅读作品是一个高频率的调用，因此用户阅读作品的记录明细可在短时间内造成海量数据的场景。（现一个月已达到了70G的数据量，共1亿1千万条）

读场景
- 阅读记录需提供给未来新增的抽奖业务使用，可从阅读章节数、阅读时长等进行搜索计算。
- 作品搜索原有实现是通过关系型数据库like查询，已是具有潜在的性能问题与资源消耗的业务场景

对于上述两个业务，用户阅读作品的记录明细与抽奖业务属于新增业务，对于在投入成本相对较少，也无需过多的需要兼容旧业务的压力。

而作品搜索业务属于优化改造，得保证兼容原有的用户搜索习惯前提下，新增拼音搜索。同时最好以扩展的方式，尽可能的减少代码修改范围，如果使用效果不好，随时可以回滚到旧的实现方式。

设计方案

共性设计

　　我使用.Net 5 WebApi将Elasticsearch封装成ES业务服务API，这样的做法主要用来隐藏技术细节（时区、分词器、类型转换等），暴露粗粒度的读写接口。这种做法在马丁福勒所著的《NoSQL精粹》称把数据库视为“应用程序数据库”，简单来说就是只能通过应用间接的访问存储，对于这个应用由一个团队负责维护开发，也只有这个团队才知道存储的结构。这样通过封装的API服务解耦了外部API服务与存储，调用方就无需过多关注存储的特性，像Mongodb与Elasticsearch这种无模式的存储，无需优先定义结构，换而言之就是对于存储已有结构可随意修改扩展，那么“应用程序数据库”的做法也避免了其他团队无意侵入的修改。

　　考虑到现在业务需求复杂度相对简单，MQ消费端也一起集成到ES业务服务，若后续MQ消费业务持续增多，再考虑把MQ消费业务抽离到一个（或多个的）消费端进程。

　　目前以同步读、同步写、异步写的三种交互方式，进行与其他服务通信。

阅读记录明细

　　本需求是完全新增，因此引入相对简单，只需要在【平台API】使用【RabbitMQ】进行解耦，使用异步方式写入Elasticsearch，使用队列除了用来解耦，还对此用来缓冲高并发写压力的情况。

　　对于后续新增的业务例如抽奖服务，则只需要通过RPC框架对接ES业务API，以同步读取的方式查询数据。

作品搜索

　　对于该业务，我第一反应采用CQRS的思想，原有的写入逻辑我无需过多的关注与了解，因此我只需要想办法把关系型数据库的数据同步到Elasticsearch，然后提供业务查询API替换原有平台API的数据源即可。

　　那么数据同步则一般都是分推和拉两种方式。

推

　　推的实时性无疑是比拉要高，只需增量的推送做写入的数据（增、删、改）即可，无论是从性能、资源利用、时效各方面来看都比拉更有效。

　　实施该方案，可以选择Debezium和SQL Server开启CDC功能。

　　Debezium由RedHat开源的，同时需要依赖于kafka的，一个将多种数据源实时变更数据捕获，形成数据流输出的开源工具，同类产品有Canal, DataBus, Maxwell。

　　CDC全称Change Data Capture，直接翻译过来为变更数据捕获，核心为监测服务捕获数据库的写操作（插入，更新，删除），将这些变更按发生的顺序完整记录下来。

我个人在我博客文章多次强调架构设计的输入核心为两点：满足需求与组织架构，在满足需求的前提应优先选择简单、合适的方案。技术选型应需要考虑自己的团队是否可以支撑。在上述无论是额外加入Debezium和kafka，还是需要针对SQL Server开启CDC都超出了我们运维所能承受的极限，引入新的中间件和技术是需要试错的，而试错是需要额外高的成本，在未知的情况下引入更多的未知，只会造成更大的成本和不可控。

拉

　　拉无疑是最简单最合适的实现方式，只需要使用调度任务服务，每隔段时间定时去从数据库拉取数据写入到Elasticsearch就可。

　　然而拉取数据，分全量同步与增量同步：

　　对于增量同步，只需要每次查询数据源Select * From Table_A Where RowVersion > LastUpdateVersion，则可以过滤出需要同步的数据。但是这个方式有点致命的缺点，数据源已被删除的数据是无法查询出来的，如果把Elasticsearch反向去跟SQL Server数据做对比又是一件比较愚蠢的方式，因此只能放弃该方式。

　　而全量同步，只要每次从SQL Server数据源全量新增到Elasticsearch，并替换旧的Elasticsearch的Index，因此该方案得全删全增。但是这里又引申出新的问题，如果先删后增，那么在删除后再新增的这段真空期怎么办？假如有5分钟的真空期是没有数据，用户就无法使用搜索功能。那么只能先增后删，先新增到一个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删除。这么一套操作下来，有没有觉得很繁琐很费劲？Elasticsearch有一个叫别名（Aliases）的功能，别名可以一对多的指向多个Index，也可以以原子性的进行别名指向Index的切换，具体实现可以看下文。

阅读记录实现细节

实体定义

　　优先定义了个抽象类ElasticsearchEntity进行复用，对于实体定义有三个注意的细节点：

　　1.对于ElasticsearchEntity我定义两个属性_id与Timestamp，Elasticsearch是无模式的（无需预定义结构），如果实体本身没有_id，写入到Elasticsearch会自动生成一个_id，为了后续的使用便捷性，我仍然自主定义了一个。

　　2.基于上述的分页深度的问题，因此在后续涉及的业务尽可能会以search_after+滚动加载的方式落实到我们的业务。原本我们只需要使用DateTime类型的字段用DateTime.Now记录后，再使用search_after后会自动把DateTime类型字段转换成毫秒级的Timestamp，但是我在实现demo的时候，去制造数据，在程序里以for循环new数据的时候，发现生成的速度会在微秒级之间，那么假设用毫秒级的Timestamp进行search_after过滤，同一个毫秒有4、5条数据，那么容易在使用滚动加载时候少加载了几条数据，这样就到导致数据返回不准确了。因此我扩展了个[DateTime.Now.DateTimeToTimestampOfMicrosecond()]生成微秒级的Timestamp，以此尽可能减少出现漏加载数据的情况。

　　3.对于Elasticsearch的操作实体的日期时间类型均以DateTimeOffset类型声明，因为Elasticsearch存储的是UTC时间，而且会因为Http请求的日期格式不同导致存放的日期时间也会有所偏差，为了避免日期问题使用DateTimeOffset类型是一种保险的做法。而对于WebAPI 接口或者MQ的Message接受的时间类型可以使用DateTime类型，DTO(传输对象)与DO（持久化对象）使用Mapster或者AutoMapper类似的对象映射工具进行转换即可（注意DateTimeOffset转DateTime得定义转换规则 [TypeAdapterConfig<DateTimeOffset, DateTime>.NewConfig().MapWith(dateTimeOffset => dateTimeOffset.LocalDateTime)]）。

　　如此一来，把Elasticsearch操作细节隐藏在WebAPI里，以友好、简单的接口暴露给开发者使用，降低了开发者对技术细节认知负担。

[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>/// 作品类型/// </summary>[Number(NumberType.Long, Name = "entity_type")]public long EntityType { get; set; }/// <summary>/// 章节ID/// </summary>[Number(NumberType.Long, Name = "charpter_id")]public long CharpterId { get; set; }/// <summary>/// 用户ID/// </summary>[Number(NumberType.Long, Name = "user_id")]public long UserId { get; set; }/// <summary>/// 创建时间/// </summary>[Date(Name = "create_datetime")]public DateTimeOffset CreateDateTime { get; set; }/// <summary>/// 时长/// </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;}}

异步写入

对于异步写入有两个细节点：

　　1.该数据从RabbtiMQ订阅消费写入到Elasticsearch，从下面代码可以看出，我刻意以月的维度建立Index，格式为 userviewrecord-2021-12，这么做的目的是为了方便管理Index和资源利用，有需要的情况下会删除旧的Index。

　　2.消息订阅与WebAPI暂时集成到同一个进程，这样做主要是开发、部署都方便，如果后续订阅多了，在把消息订阅相关的业务抽离到独立的进程。

按需演变，避免过度设计

订阅消费逻辑

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>/// 订阅消费/// </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;}}

订阅与注入

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);}}

查询接口

查询接口此处有两个细节点：

　　1.如果不确定月份，则使用通配符查询userviewrecord-*，当然有需要的也可以使用别名处理。

　　2.因为Elasticsearch是记录UTC时间，因此时间查询得指定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);}作品搜索实现细节

实体定义

SearchKey是原有SQL Server的数据，现需要同步到Elasticsearch，仍是继承抽象类ElasticsearchEntity实体定义，同时这里有三个细节点：

　　1. public string KeyName，我定义的是Text类型，在Elasticsearch使用Text类型才会分词。

　　2.在实体定义我没有给KeyName指定分词器，因为我会使用两个分词器：拼音和默认分词，而我会在批量写入数据创建Mapping时定义。

　　3.实体里的 public List<int> SysTagId 与SearchKey在SQL Server是两张不同的物理表，是一对多的关系，在代码表示如下，但是在关系型数据库是无法与之对应和体现的，这就是咱们所说的“阻抗失配”，但是能在以文档型存储系统（MongoDB、Elasticsearch）里很好的解决这个问题，可以以一个聚合的方式写入，避免多次查询关联。

[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; }}

数据同步

　　数据同步我采用了Quartz.Net定时调度任务框架，因此时效不高，所以每4小时同步一次即可，有42W多的数据，分批进行同步，每次查询1000条数据同时进行一次批量写入。全量同步一次的时间大概2分钟。因此使用RPC调用[ES业务API服务]。

　　因为具体业务逻辑已经封装在[ES业务API服务]，因此同步逻辑也相对简单，查询出SQL Server数据源、聚合整理、调用[ES业务API服务]的批量写入接口、重新绑定别名到新的Index。

[DisallowConcurrentExecution]public class SearchKeySynchronousJob : BaseJob{public override void Execute(){var rm = SFNovelReadManager.Instance();var maxId = 0;var size = 1000;string indexName = "";while (true){//避免一次性全部查询出来，每1000条一次写入。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();//以一个聚合写入到ESvar postResult = new SearchKeyPostRequest{IndexName = indexName,Items = items}.Excute();if (postResult.Success){indexName = (string)postResult.Data;maxId = searchKey.Max(a => a.KeyID);}}//别名从旧Index指向新的Index，最后删除旧Indexvar renameResult = new SearchKeyRenameRequest{IndexName = indexName}.Excute();}}
}

业务API接口

批量新增接口这里有2个细节点：

　　1.在第一次有数据进来的时候需要创建Mapping，因为得对KeyName字段定义分词器，其余字段都可以使用AutoMap即可。

　　2.新创建的Index名称是精确到秒的 SearchKey-202112261121

/// <summary>/// 批量新增作品搜索列表(返回创建的indexName)/// </summary>/// <param name="request"></param>/// <returns></returns>[HttpPost]public ApiResult Post(SearchKeyPostRequest request){if (!request.Items.Any())return ApiResult.IsFailed("无传入数据");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("创建索引失败");}var document = request.Items.MapTo<List<SearchKey>>();var result = _elasticClient.BulkAll(indexName, document);return result ? ApiResult.IsSuccess(data: indexName) : ApiResult.IsFailed();}

重新绑定别名接口这里有4个细节点：

1.别名使用searchkey，只会有一个Index[searchkey-yyyyMMddHHmmss]会跟searchkey绑定.

2.优先把已绑定的Index查询出来，方便解绑与删除。

3.别名绑定在Elasticsearch虽然是原子性的，但是不是数据一致性的，因此得先Add后Remove。

4.删除旧得Index免得占用过多资源。

/// <summary>/// 重新绑定别名/// </summary>/// <returns></returns>[HttpPut]public ApiResult Rename(SearchKeyRanameRequest request){var aliasName = typeof(SearchKey).GetRelationName();var getAliasResult = _elasticClient.Indices.GetAlias(aliasName);//给新index指定别名var bulkAliasRequest = new BulkAliasRequest{Actions = new List<IAliasAction>{new AliasAddDescriptor().Index(request.IndexName).Alias(aliasName)}};//移除别名里旧的索引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);//删除旧的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();}

查询接口这里跟前面细节得差不多：

　　但是这里有一个得特别注意的点，可以看到这个查询接口同时使用了should和must，这里得设置minimumShouldMatch才能正常像SQL过滤。

　　should可以理解成SQL的Or，Must可以理解成SQL的And。

　　默认情况下minimumShouldMatch是等于0的，等于0的意思是，should不命中任何的数据仍然会返回must命中的数据，也就是你们可能想搜索（keyname.pinyin=’chengong‘ or keyname.standard=’chengong‘) and id > 0，但是es里没有存keyname='chengong'的数据，会把id> 0 而且 keyname != 'chengong' 数据给查询出来。

　　因此我们得对minimumShouldMatch=1，就是should条件必须得任意命中一个才能返回结果。

　　在should和must混用的情况下必须得注意minimumShouldMatch的设置！！！

/// <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("空集合数据");}

APM监控

　　虽然在上面我做了足够的实现准备，但是对于上生产后的实际使用效果我还是希望有一个直观的体现。我之前写了一篇文章《.Net微服务实战之可观测性》很好叙述了该种情况，有兴趣的可以移步去看看。

　　在之前公司做微服务的时候的APM选型我们使用了Skywalking，但是现在这家公司的运维没有接触过，但是对于Elastic Stack他相对比较熟悉，如同上文所说架构设计的输入核心为两点：满足需求与组织架构，秉着我的技术选型原则是基于团队架构，我们采用了Elastic APM + Kibana（7.4版本），如下图所示：