Elasticsearch数据模型构建

1. 数据模型概念

数据模型是抽象描述现实世界的一种工具和方法，是通过抽象实体及实体之间联系的形式，用图形化的形式去描述业务规则的过程，从而表示现实世界中事务以及相互关系的一种映射。

核心概念:

• 实体：现实世界中存在的可以相互区分的事物或概念称为实体
• 实体的属性：每个实体都有自己的特征，利用实体的属性可以描述不同的实体

2. 数据建模的过程

• 概念建模阶段

  客户交流
  理解需求
  形成实体
  

  确定系统的核心需求和范围边界，设计实体与实体之间的关系。

  在概念建模阶段，我们只需要关注实体即可，不用关注任何实现细节。很多人都希望在这个阶段把具体表结构，索引，约束，甚至是存储过程都想好，没必要！因为这些东西是我们在物理建模阶段需要考虑的东西，这个时候考虑还为时尚早。概念模型在整个数据建模时间占比：10%左右。

• 逻辑建模阶段

  • 进一步梳理业务需求
  • 确定每个实体的属性,关系和约束等

  逻辑模型是对概念模型的进一步分解和细化，描述了实体、实体属性以及实体之间的关系，是概念模型延伸，一般的逻辑模型有第三范式，星型模型和雪花模型。模型的主要元素为主题、实体、实体属性和关系

  雪花模型和星状模型的主要区别是维度的层级 标准的星状模型只有一层 而雪花模型可能涉及多层。

  逻辑模型的作用主要有两点:

  一是便于技术开发人员和业务人员以及用户进行沟通 交流，使得整个概念模型更易于理解，进一
  步明确需求。
  
  二是作为物理模型设计的基础，由于逻辑模型不依赖于具体的数据库实现，使用逻辑模型可以生成
  针对具体 数据库管理系统的物理模型，保证物理模型充分满足用户的需求。
  

  逻辑模型在整个数据建模时间占比：60—70%左右。

• 物理建模阶段

  物理建模阶段，主要做一件事:结合具体的数据库产品（mysql/oracle/mongo/elasticsearch），在满足业务读写性能等需求的前提下确定最终的定义

  物理模型是在逻辑模型的基础上描述模型实体的细节，包括数据库产品对应的数据类型、长度、索引等因素，为逻辑模型选择一个最优的物理存储环境。

  逻辑模型转化为物理模型的过程也就是实体名转化为表名，属性名转化为物理列名的过程。在设计物理模型时，还需要考虑数据存储空间的分配，包括对列属性必须做出明确的定 义

3. 数据建模的意义

数据模型支撑了系统和数据，系统和数据支撑了业务系统

一个好的数据模型：

• 能让系统更好的集成、能简化接口。
• 能简化数据冗余 、减少磁盘空间、提升传输效率
• 兼容更多的数据，不会因为数据类型的新增而导致实现逻辑更改
• 能帮助更多的业务机会，提高业务效率。
• 能减少业务风险、降低业务成本

举例: 借助logstash实现mysql到Elasticsearch的增量同步，如果数据建模阶段没有设计时间戳或者 自增ID，就几乎无法实现。

4. 数据建模Mapping设置

• Mapping属性

  

• Mapping 字段设置流程图

  

• Mapping 样例

  PUT blog_index
  {
    "mappings": {
      "doc": {
        "_source": {
          "enabled": false
        },
        "properties": {
          "title": {
            "type": "text",
            "fields": {
              "keyword": {
                "type": "keyword",
                "ignore_above": 100
              }
            },
            "store": true
          },
          "publish_date": {
            "type": "date",
            "store": true
          },
          "author": {
            "type": "keyword",
            "ignore_above": 100,
            "store": true
          },
          "abstract": {
            "type": "text",
            "store": true
          },
          "content": {
            "type": "text",
            "store": true
          },
          "url": {
            "type": "keyword",
            "doc_values": false,
            "norms": false,
            "ignore_above": 100,
            "store": true
          }
        }
      }
    }
  }
  

  这个索引 Mapping中，_source设置为false，同时各个字段的store根据需求设置了true和false。 url的doc_values设置为false，该字段url不用于聚合和排序操作。

  建 mapping 时，可以为字符串（专指 keyword） 指定 ignore_above ，用来限定字符长度。超过ignore_above 的字符会被存储，但不会被索引。

  注意，是字符长度，一个英文字母是一个字符，一个汉字也是一个字符。

  在动态生成的 mapping 中， keyword 类型会被设置 ignore_above: 256 。 ignore_above 可以在创建 mapping 时指定。

5. es关联关系处理

目前ES主要有以下4种常用的方法来处理数据实体间的关联关系：

• Application-side joins

  这种方式，索引之间完全独立（利于对数据进行标准化处理），由应用端的多次查询来实现近似关联关系查询。这种方法适用于关联的实体只有少量的文档记录的情况（使用ES的terms查询具有上限，默认1024，具体可在elasticsearch.yml中修改），并且最好它们很少改变。这将允许应用程序对结果进行缓存，并避免经常运行第一次查询

  PUT /user/_doc/1
  {
    "name": "John Smith",
    "email": "john@smith.com",
    "dob": "1970/10/24"
  }
  
  PUT /blogpost/_doc/2
  {
    "title": "Relationships",
    "body": "It's complicated...",
    "user": 1
  }
  
  GET /user/_search
  {
    "query": {
      "match": {
        "name": "John"
      }
    }
  }
  
  GET /blogpost/_search
  {
    "query": {
      "terms": {
        "user": [
          1
        ]
      }
    }
  }
  

• Data denormalization（数据的非规范化）

  这种方式，通俗点就是通过字段冗余，以一张大宽表来实现粗粒度的index，这样可以充分发挥扁平化的优势。但是这是以牺牲索引性能及灵活度为代价的。使用的前提：冗余的字段应该是很少改变的，比较适合与一对少量关系的处理。当业务数据库并非采用非规范化设计时，这时要将数据同步到作为二级索引库的ES中，就需要进行定制化开发，基于特定业务进行应用开发来处理join关联和实体拼接。

  说明：宽表处理在处理一对多、多对多关系时，会有字段冗余问题，适合“一对少量”且这个“一”更新不频繁的应用场景。

  PUT /user/_doc/1
  {
    "name": "John Smith",
    "email": "john@smith.com",
    "dob": "1970/10/24"
  }
  
  PUT /blogpost/_doc/2
  {
    "title": "Relationships",
    "body": "It's complicated...",
    "user": {
      "id": 1,
      "name": "John Smith"
    }
  }
  
  GET /blogpost/_search
  {
    "query": {
      "bool": {
        "must": [
          {
            "match": {
              "title": "relationships"
            }
          },
          {
            "match": {
              "user.name": "John"
            }
          }
        ]
      }
    }
  }
  

• Nested objects（嵌套文档）

  索引性能和查询性能二者不可兼得，必须进行取舍。嵌套文档将实体关系嵌套组合在单文档内部，这种方式牺牲建立索引性能（文档内任一属性变化都需要重新索引该文档）来换取查询性能，比较适合于一对少量的关系处理。

  当使用嵌套文档时，使用通用的查询方式是无法访问到的，必须使用合适的查询方式（nested query、nested filter、nested facet等），很多场景下，使用嵌套文档的复杂度在于索引阶段对关联关系的组织拼装。

  PUT /drivers
  {
    "mappings": {
      "properties": {
        "driver": {
          "type": "nested",
          "properties": {
            "last_name": {
              "type": "text"
            },
            "vehicle": {
              "type": "nested",
              "properties": {
                "make": {
                  "type": "text"
                },
                "model": {
                  "type": "text"
                }
              }
            }
          }
        }
      }
    }
  }
  

  PUT /drivers/_doc/1
  {
    "driver": {
      "last_name": "McQueen",
      "vehicle": [
        {
          "make": "Powell Motors",
          "model": "Canyonero"
        },
        {
          "make": "Miller-Meteor",
          "model": "Ecto-1"
        }
      ]
    }
  }
  
  PUT /drivers/_doc/2?refresh 
  {
    "driver": {
      "last_name": "Hudson",
      "vehicle": [
        {
          "make": "Mifune",
          "model": "Mach Five"
        },
        {
          "make": "Miller-Meteor",
          "model": "Ecto-1"
        }
      ]
    }
  }
  

  GET /drivers/_search
  {
    "query": {
      "nested": {
        "path": "driver",
        "query": {
          "nested": {
            "path": "driver.vehicle",
            "query": {
              "bool": {
                "must": [
                  {
                    "match": {
                      "driver.vehicle.make": "Powell Motors"
                    }
                  },
                  {
                    "match": {
                      "driver.vehicle.model": "Canyonero"
                    }
                  }
                ]
              }
            }
          }
        }
      }
    }
  }
  

• Parent/child relationships（父子文档）

  父子文档牺牲了一定的查询性能来换取索引性能,适用于写多读少的场景。父子文档相比嵌套文档较灵活，适用于“一对大量”且这个“一”不是海量的应用场景，该方式比较耗内存和CPU，这种方式查询比嵌套方式慢5~10倍，且需要使用特定的has_parent和has_child过滤器查询语法，查询结果不能同时返回父子文档（一次join查询只能返回一种类型的文档）。受限于父子文档必须在同一分片上(可以通过routing指定父文档id即可)操作子文档时需要指定routing。

  PUT my_index
  {
    "mappings": {
      "properties": {
        "my_join_field": {
          "type": "join",
          "relations": {
            "question": "answer"
          }
        }
      }
    }
  }
  
  # 插入父文档
  PUT /my_index/_doc/1?refresh 
  {
    "text": "This is a question",
    "my_join_field": {
      "name": "question"
    }
  }
  
  PUT /my_index/_doc/2?refresh 
  {
    "text": "This is a question2",
    "my_join_field": "question"
  }
  
  # 插入子文档
  PUT /my_index/_doc/3?routing=1 
  {
    "text": "This is an answer",
    "my_join_field": {
      "name": "answer",
      "parent": "1"
    }
  }
  

  查询那个文档有子文档

  POST my_index/_search
  {
    "query": {
      "has_child": {
        "type": "answer",
        "query": {
          "match": {
            "text": "this"
          }
        }
      }
    }
  }
  

  根据父文档id查询子文档

  GET my_index/_search
  {
    "query": {
      "parent_id": {
        "type": "answer",
        "id": "1"
      }
    }
  }