fielddata(字段数据)

所有字段是默认被 indexed(被索引的),这使得它们是可搜索的.可以在脚本中排序,聚合和获取字段值,但是需要不同的搜索模式.

搜索需要回答一个问题 “哪个 document(文档)包含这个 term(词条)”,然而排序和聚合需要回答一个不同的问题 " 这个字段在这个 document(文档)中的值是多少?".

许多字段可以使用index-time,在磁盘上的doc_values支持这种数据访问模式, 但是text字段不支持doc_values

相反,text 字段使用查询时存在于内存的数据结构 fielddata.这个数据结构是第一次将字段用于聚合,排序,或者脚本时基于需求构建的。它是通过读取磁盘上的每个 segment(片段)的整个反向索引来构建的,将 term(词条)和 document(文档)关系反转,并将结果存储在内存中,在JVM的堆中.

text 字段默认关闭 Fielddata

Fielddata会消耗很多堆空间,尤其是加载高基数的 text字段的时候.一旦fielddata 加载到堆中,它在 segment(片段)中的生命周期还是存在的.此外,加载 fielddata是一件非常昂贵的过程,会导致用户体验到延迟的感觉.这就是为什么fielddata 默认关闭.

如果你尝试对文本字段上的脚本进行排序,访问值,你会看到此异常:

  • Field data text字段上默认是关闭的.在[your_field_name] 上设置fielddata = true,以便通过反转反向索引来加载内存中的fielddata。 请注意,这可能会使用显着的内存。

在开启fielddata之前

在你开启fielddata 之前,考虑一下为什么你要在脚本中使用 text 来聚合,排序.通常这么做是没有意义的.

在索引之前分析text字段,以至于像New York 这样的值可以通过new或者 york 来搜索.当你可能想要一个称作 New York 的单一bucket(桶),term(词条)在这个字段上聚合会返回一个newbucket和一个yorkbucket(桶).

相反,你应该使用text字段进行全文搜索,以及一个开启doc_valuesunanalyzed(未分析)keyword 字段用于聚合,如下:

curl -XPUT 'localhost:9200/my_index?pretty' -H 'Content-Type: application/json' -d'
{
  "mappings": {
    "my_type": {
      "properties": {
        "my_field": {  # 1
          "type": "text",
          "fields": {
            "keyword": {  # 2
              "type": "keyword"
            }
          }
        }
      }
    }
  }
}
'

1

使用my_field用于搜索

2

使用my_field.keyword用于聚合,排序,或者脚本.

开启text 字段的fielddata

你可以使用以下的PUT mapping API 给一个已经存在的text 字段开启fielddata.

curl -XPUT 'localhost:9200/my_index/_mapping/my_type?pretty' -H 'Content-Type: application/json' -d'
{
  "properties": {
    "my_field": {  # 1
      "type":     "text",
      "fielddata": true
    }
  }
}
'

1

你为my_field指定的映射应包含该字段已有的映射,再加上fielddata参数.

建议:fielddata.* 参数必须在相同索引的相同名称的字段有相同的设置.可以使用 PUT mapping API在现有字段上更新其值.

Global ordinals

Global ordinals(全局序数)是一个基于field datadoc_values的数据结构,它以字典顺序每户每个唯一term(词根)的增量编号.每个term(词根)都有一个唯一的数,term(词根)A是低于term(词根)B的.Global ordinals(全局序数)仅在textkeyword字段中支持.

Fielddatadoc_values也有 ordinals(序数),它是特定segment(段)和字段中所有term(词根)的唯一编号.Global ordinals(全局序数)只是建立在fielddatadoc_values之上,通过在segement ordinalsglobal ordinals之间提供映射,后者在整个shard(分片)中是唯一的.

Global ordinals是用于使用segement ordinals(片段序数)的功能,例如排序和terms(词根)聚合,以提高执行时间.term(词根)聚合完全依赖于Global ordinals(全局序数)来执行shard(分片)级别的聚合,然后将global ordinals(全局序数)转换为真正的term(词根),term(词根)仅用于最终减少阶段,其结合不同shard(分片)的结果.

指定字段的Global ordinals(全局序数)与shard(分片)所有的字段相关联,而field datadoc_values与单个segment(片段)相关联.其与针对单个segment(段)相关联的特定字段的字段数据不同,一旦新的segment(片段)变得可见,Global ordinals(全局序数)就需要完全重建.

Global ordinals(全局序数)取决于一个字段上的terms(词根)数量,但通常它是比较低的.因为源字符安数据已经被加载.Global ordinals(全局序数)的内存开销很小,因为它被有效的压缩.

fielddata_frequency_filter

Fielddata 过滤可以用于减少加载到内存中 term(词根)数量,从而减少内存使用.term(词根)可以按频率来过滤 :

频率过滤器允许你仅加载 document(文档)频率在最小和最大值之间的 term(词根),可以表示为绝对数字(当数字大于1.0时)或百分比(例如0.01为1%,1.0为100%).每个segment计算频率.百分比是基于docs(文档)的数量,而不是该segment(片段)的所有docs(文档).

通过使用 min_segment_size 指定 segment(片段)应包含的文档和最小数量,可以完全排除 small segment(小的片段),如下:

curl -XPUT 'localhost:9200/my_index?pretty' -H 'Content-Type: application/json' -d'
{
  "mappings": {
    "my_type": {
      "properties": {
        "tag": {
          "type": "text",
          "fielddata": true,
          "fielddata_frequency_filter": {
            "min": 0.001,
            "max": 0.1,
            "min_segment_size": 500
          }
        }
      }
    }
  }
}
'

Last updated