Elasticsearch面试精华：28道经典问题与深度解析

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，涵盖了Elasticsearch架构、配置、优化、选举机制以及处理大数据量的聚合方法： 1. 分片策略：在一个节点中，通常建议不要超过三个分片（shards），这是为了保持良好的性能和可用性。分片是Elasticsearch数据的逻辑划分，每个分片存储文档的副本，提高搜索效率。 2. Master选举：Elasticsearch的Master选举由ZenDiscovery模块负责，包括Ping和Unicast两个功能。节点通过这些机制发现并确认其他节点，然后通过节点间的排序和投票决定新的Master。当节点的投票数达到半数以上且节点自身同意，则成为Master。 3. 写入优化：对于写入操作，推荐进行以下优化： - 副本数设置为0，直到写入完成； - 关闭`refresh_interval`为-1，避免数据立即刷新到索引； - 使用bulk批量写入，减少网络开销； - 写入后恢复副本数和刷新间隔； - 尽可能使用Elasticsearch自动生成的ID，避免手动指定可能导致的问题。 4. 避免脑裂：脑裂是指由于网络故障导致的多个节点同时认为自己是Master。Elasticsearch通过设置`discovery.zen.minimum_master_nodes`来防止这种情况，确保至少有半数以上的节点同意才能成为Master。 5. 大数据量聚合：Elasticsearch使用近似聚合，如cardinality，基于HyperLogLog (HLL)算法计算字段的唯一值数量。HLL通过哈希和概率估算提供高效的大数据去重，精度可通过配置调整，以平衡内存使用和准确性。 6. 主分片调整：Elasticsearch的主分片数量一旦确定，由于路由算法依赖document_id的哈希值确定分片，因此主分片数量不可更改。这确保了数据的一致性和查询的稳定性。 理解这些概念不仅有助于通过Elasticsearch的面试，还能展示你对搜索引擎的深入理解，包括性能优化、数据分布和一致性保障等方面。在实际项目中，根据应用场景灵活调整这些策略，以适应不同的需求和挑战。