Elasticsearch面试精华：28道经典问题解析及优化策略

在Elasticsearch的面试中，面试官可能会关注候选人的技术理解和实践经验。以下是一些关键知识点的详细解释： 1. 分片管理： 在一个Node中，Elasticsearch通常建议分配不超过三个分片，以保持良好的性能和集群稳定性。过多的分片可能导致资源分散和性能下降。每个Node的角色分配是动态的，但为了防止脑裂（Brain Splitting），集群应该确保有足够的Master节点参与决策。 2. Master选举过程： Elasticsearch的Master选举由ZenDiscovery模块管理，它包括Ping和Unicast通信。所有可选作Master的节点（node.master:true）按照nodeld字典排序，通过轮询选出暂时的Master。只有当节点的投票数达到半数以上，并且节点自我选举时，才会正式成为Master。 3. 写入调优： 调优写入性能涉及设置：写入前禁用刷新（设置refresh_interval为-1），使用bulk批量写入，减少数据的即时更新；写入后恢复这些设置。此外，使用Elasticsearch自动生成的ID有助于性能优化。 4. 避免脑裂： 脑裂是指由于网络故障导致的多个Master节点同时存在。通过设置`discovery.zen.minimum_master_nodes`参数，确保至少有超过半数候选节点同意一个节点成为Master，可以有效防止脑裂问题。 5. 大数据量聚合： 对于大数据量的聚合，Elasticsearch使用近似聚合方法，如cardinality，基于HyperLogLog (HLL)算法，它能够高效地估算字段中唯一值的数量，同时支持可配置精度以控制内存使用。这使得处理大量数据时依然保持性能。 6. 主分片调整限制： 主分片数量一旦在集群创建时确定，就不能随意更改。这是由于Elasticsearch的路由算法（shard=hash(document_id)%num_of_primary_shards）依赖于固定的主分片数量，调整会导致数据分布的变化，可能影响查询性能。 面试者应展示对Elasticsearch内部机制、集群管理和性能优化的深入理解，特别是在大型分布式环境中的问题解决策略。熟练掌握这些概念和实践经验对于在实际工作中的成功至关重要。