Elasticsearch 高基数聚合性能提升3倍，改动了什么？

原创铭毅天下铭毅天下Elasticsearch

1、上问题

这是来自球友实战问题。

大致需求介绍如下：

约 3600 万的数据，其中关键字段如下所示：

_id	creator
doc_1	[张三，李四，王五，赵六]
doc_2	[陈胜，吴广，张三]

用 cardinality 聚合统计，creator 的个数有约 1300 万。

问题：但在高基数（high cardinality）的情形下，性能不理想。

2、概念解读：什么是高基数？

为了更精确解读，这里直接拿：Elastic 官方博客只字不差的翻译。

The performance of terms aggregations can be greatly impacted by the cardinality of the field that is being aggregated. 

Cardinality refers to the uniqueness of values stored in a particular field. 

High cardinality means that a field contains a large percentage of unique values. 

Low cardinality means that a field contains a lot of repeated values. 

For example, a field storing country names will be relatively low cardinality since there are less than two hundred countries in the world. Alternatively, a field storing IBAN numbers or email addresses is high cardinality since there may be millions of unique values stored.

terms 聚合的性能可能会受到所聚合字段的基数的极大影响。

基数（Cardinality）是指存储在特定字段中的值的唯一性。

高基数：意味着一个字段包含很大比例的唯一值。

举例：电子邮件地址可能会有数千万+唯一值，属于高基数。（换了举例）

低基数：意味着一个字段包含很多重复的值。

举例：因为世界上少于200个国家，国家名称就是低基数。

3、问题本质

经反复讨论，本质问题：高基数业务场景下，聚合慢，达不到预期。

我记得刚入职场，我向导师的导师（辈分应该是：师爷）当面请教一个问题，我说了很长，他实在听不下去了，就说了一句：“你的问题是什么？”，一语惊醒梦中人，我一直记到今天。

后面当我再向别人请教问题的时候，我都提前打好草稿、列好提纲，快速且直接说出重点、交流效率提升不少。

毫不夸张的说，能用简短的话描述清楚问题，问题就能基本解决了一大半。

4、怎么改进呢？

经反复讨论，结合球友之前的实践，思路如下：

第一：对于字段值，存储Hash值（写入时处理）。
第二：基于Hash 做聚合和统计分析操作。

5、Elasticsearch 有 Hash 值类型吗？

早期版本（7.X 之前）没有，但是 7.X 之后有。

如下借助 mapper-murmur3 插件实现：

插件地址：

https://www.elastic.co/guide/en/elasticsearch/plugins/7.2/mapper-murmur3.html

murmur3 需要着重介绍一下：

维基百科解读：MurmurHash 是一种非加密型哈希函数，适用于一般的哈希检索操作。

由 Austin Appleby 在 2008年发明，并出现了多个变种，都已经发布到了公有领域(public domain)。

与其它流行的哈希函数相比，对于规律性较强的 key，MurmurHash的随机分布特征表现更良好。

Redis 在实现字典时用到了两种不同的哈希算法，MurmurHash 便是其中一种（另一种是djb），在 Redis 中应用十分广泛，包括数据库、集群、哈希键、阻塞操作等功能都用到了这个算法。

发明算法的作者被邀到 google 工作，该算法最新版本是 MurmurHash3 ，基于MurmurHash2改进了一些小瑕疵，使得速度更快，实现了 32 位（低延时）、128 位 HashKey，尤其对大块的数据，具有较高的平衡性与低碰撞率。

6、mapper-murmur3 插件实践一把

第一步：插件安装

bin/elasticsearch-plugin install mapper-murmur3

第二步：导入Demo测试

PUT my_index
{
  "mappings": {
    "properties": {
      "my_field": {
        "type": "keyword",
        "fields": {
          "hash": {
            "type": "murmur3"
          }
        }
      }
    }
  }
}


PUT my_index/_doc/1
{
  "my_field": "This is a document"
}

PUT my_index/_doc/2
{
  "my_field": "This is a document"
}

GET my_index/_search
{
  "aggs": {
    "my_field_cardinality": {
      "terms": {
        "field": "my_field.hash" 
      },
     "aggs": {
        "top_sales_hits": {
          "top_hits": {
            "size": 2
          }
        }
      }
    }
  }
}

聚合结果如下：

这时候，就能比较清晰的看出murmur3的作用：

属于 Mapping的特定字段类型。
可以和keyword类型组合当做复合类型使用。
_source 不存储结果值。
只在聚合后才能看到结果。

7、加了 mapper-murmur3 Hash 后效果如何呢？

球友实践反馈如下：

8、在相对低基数聚合性能如何呢？

实战一把。

8.1 模拟生成 1000W+数据。

文本文件输入了 39415 name信息（随机生成）。通过 python-dsl 随机生成写入 ES集群。

写入结果如下所示：

索引1：

PUT my-index-000002
{
  "mappings": {
    "properties": {
      "creator":{
        "type":"keyword"
      }
    }
  }
}

索引2：

PUT my-index-000003
{
  "mappings": {
    "properties": {
      "creator": {
        "type": "keyword",
        "fields": {
          "hash": {
            "type": "murmur3"
          }
        }
      }
    }
  }
}

8.2 低基数有多低？

POST my-index-000002/_search
{
  "size": 0,
  "aggs": {
    "count_aggs": {
      "cardinality": {
        "field": "creator"
      }
    }
  }
}

去重后的结果：39415。
原始数据量：11509010。
占比：0.342%

虽然高、低基数没有明确数据量多少的定义，但，这明显是低基数。

8.2 聚合结果对比

POST my-index-000002/_search
{
  "aggs": {
    "terms_agg": {
      "terms": {
        "field":"creator",
        "size":3,
        "shard_size":1000
      }
    }
  }
}

如上所示，未加Hash的索引聚合要被加了Hash 的快一倍！

这也初步说明：Hash 在低基数聚合没有效果。

9、小结

以上验证和测试仅供参考，实际选型需要结合业务场景实际，进行充分验证后再做定夺。

类似高基数聚合业务场景，你实践中的优化点是什么？欢迎留言交流。

参考：

https://www.elastic.co/cn/blog/improving-the-performance-of-high-cardinality-terms-aggregations-in-elasticsearch

https://cloud.tencent.com/developer/article/1421924

加微信：elastic6（仅有少量坑位了），和 BAT 大佬一起精进 Elastic 技术！