Elasticsearch 避坑指南：我在项目中总结的 14 条实用经验

刚开始接触 Elasticsearch 时，我觉得它就像个黑盒子——数据往里一扔，查询语句一写，结果就出来了。直到负责公司核心业务的搜索模块后，我才发现这个黑盒子里面藏着无数需要注意的细节。

今天就把我在实际项目中积累的 ES 使用经验分享给大家，主要从索引设计、字段类型、查询优化、集群管理和架构设计这几个方面来展开。

索引设计：从基础到进阶

1. 索引别名（alias）：为变更留条后路

刚开始做项目时，我习惯直接用索引名。直到有一次需要修改字段类型，才发现 ES 不支持直接修改映射，也不支持修改主分片数，必须重建索引。（**新增字段是可以的）
解决方案很简单：使用索引别名。业务代码中永远使用别名，重建索引时只需要切换别名的指向，整个过程用户无感知。
这就好比给索引起了个"外号"，里面怎么换内容都不影响外面的人称呼它。
2. Routing 路由：让查询更精准

在做 SaaS 电商系统时，我发现查询某个商家的订单数据特别慢。原来，默认情况下ES根据文档ID的哈希值分配分片，导致同一个商家的数据分散在不同分片上。
优化方案：使用商家 ID 作为 routing key，存储和查询数据时指定routing key。这样，同一个商家的所有数据都会存储在同一个分片上。
效果对比：

• 优化前：查询要扫描所有分片（比如3个分片都要查）
  
• 优化后：只需要查1个分片
  
• 结果：查询速度直接翻倍，资源消耗还更少
  

3. 分片拆分：应对数据增长

当单个索引数据量持续增长时，单纯增加分片数并不是最佳方案。
我的经验是：

• 业务索引：单个分片控制在 10-30GB
  
• 搜索索引：10GB 以内更合适
  
• 日志索引：可以放宽到 20-50GB
  

对于 SaaS 系统，ES单索引数据较大，且存在“超级大商户”，导致数据倾斜严重时，可以按商家ID%64取模进行索引拆分，比如 orders_001 到 orders_064，每个索引包含部分商家的数据，然后再根据商户ID指定routing key。

请根据业务数据量和业务要求，选择最适合的分片拆分规则 和routing key路由算法，同时不要因为拆分不合理，导致ES节点中存在大量分片。
ES默认单节点分片最大值为1000(7.0版本后)，可以参考ES官方建议，堆内存分片数量维持大约1:20的比例

字段类型：选择比努力重要

4. Text vs Keyword：理解它们的本质区别

曾经有个坑：用户手机号用 text 类型存储，结果搜索完整的手机号却搜不到。原来 text 类型会被分词，13800138000 可能被拆成 138、0013、8000 等片段。
正确做法：

• 需要分词搜索的用 text（如商品描述）
  
• 需要精确匹配的用 keyword（如订单号、手机号），适合 term、terms 等精确查询
  
• 效果：keyword 类型的 term 查询速度更快，存储空间更小
  

5. 多字段映射（multi-fields）：按需使用不浪费

ES 默认会为 text 字段创建 keyword 子字段，但这并不总是必要的。
我的选择：

• 确定字段需要精确匹配和聚合时：启用 multi-fields
  
• 只用于全文搜索时：禁用 multi-fields
  
• 好处：节省存储空间，提升写入速度
  

6. 排序字段：选对类型提升性能

用 keyword 字段做数值排序是个常见误区。比如价格排序，100 会排在 99 前面，因为它是按字符串顺序比较的。
推荐做法：

• 数值排序：用 long、integer 类型
  
• 时间排序：用 date 类型
  
• 提升效果：排序速度提升明显，内存占用也更少
  

查询优化：平衡速度与精度

7. 模糊查询：了解正确的打开方式

在 ES 7.9 之前，wildcard 查询是个性能陷阱。它基于正则表达式引擎，前导通配符会导致全量词项扫描。
现在的方案：

• ES7.9+：使用 wildcard 字段类型
  
• 优势：底层使用优化的 n-gram + 二进制 doc value 机制，性能提升显著
  

提示：ES7.9前后版本wildcard的具体介绍，可以参考我的上一篇文章
《与产品经理的“模糊”对决：Elasticsearch实现MySQL LIKE '%xxx%'》

8. 分页查询：避免深度分页的坑

产品经理曾要求实现"无限滚动"，我展示了深度分页的性能数据后，大家达成共识：业务层面避免深度分页才是根本解决方案。就像淘宝、Google 这样的大厂，也都对分页做了限制，这不仅是技术考量，更是用户体验的最优选择。
技术方案（仅在确实无法避免时考虑）：

• 浅分页：使用 from/size，适合前几页的常规分页
  
• Scroll：适合大数据量导出，但需要维护 scroll_id 和历史快照，对服务器资源消耗较大
  
• search_after：基于上一页最后一条记录进行分页，但无法跳转任意页面，且频繁查询会增加服务器压力
  

需要强调的是，这些技术方案都存在各自的局限性，业务设计上的规避始终是最佳选择。
集群管理：保障稳定运行

9. 索引生命周期：自动化运维

日志数据的特点是源源不断，如果不加管理，磁盘很快就会被撑满。
我的做法：

• 按天创建索引（如 log_20231201）
  
• 设置保留策略（保留7天或30天）
  
• 结合模板自动化管理
  

10. 准实时性：理解刷新机制

很多新手会困惑：为什么数据写入后不能立即搜索？
原理：ES 默认 1 秒刷新一次索引，这是为了在实时性和写入性能之间取得平衡。
调整建议：

• 实时性要求高：保持 1s
  
• 写入量大：适当调大 refresh_interval
  

补充说明：如果需要更新后立即能查询到，通常有两种方案：

• 让前端直接展示刚提交的数据，等下一次调用接口时再查询 ES
  
• 更新完后，前端延迟 1.5 秒后再查询
  

关键点：业务需求不一定都要后端实现，可以结合前端一起考虑解决方案。

11. 内存配置：32G 限制的真相

为什么 ES 官方建议不要超过 32G 内存？
技术原因：Java 的压缩指针技术在 32G 以内有效，超过这个限制会浪费大量内存。
实践建议：单个节点配置约50%内存，留出部分给操作系统。
架构设计：合理的分工协作

12. ES 与数据库：各司其职

曾经试图在 ES 里存储完整的业务数据，结果遇到数据一致性问题。
现在的方案：

• ES：存储搜索条件和文档 ID
  
• 数据库：存储完整业务数据
  
• 查询：ES 找 ID，数据库取详情
  

好处：既享受 ES 的搜索能力，又保证数据的强一致性。
13. 嵌套对象：保持数据关联性

处理商品规格这类数组数据时，用普通的 object 类型会导致数据扁平化，破坏对象间的关联。
解决方案：使用 nested 类型，保持数组内对象的独立性，确保查询结果的准确性。
14. 副本配置：读写平衡的艺术

副本可以提升查询能力，但也不是越多越好。
经验值：

• 大多数场景：1 个副本足够
  
• 高查询压力：可适当增加
  
• 注意：副本越多，写入压力越大
  

写在最后

这些经验都是在解决实际问题中慢慢积累的。就像修路一样，开始可能只是简单铺平，随着车流量的增加，需要不断优化——设置红绿灯、划分车道、建立立交桥。使用 ES 也是同样的道理，随着业务的发展，需要不断调整和优化。
最大的体会是：理解原理比记住命令更重要。只有明白了为什么这样设计，才能在遇到新问题时找到合适的解决方案。

如果有人问我："ES 怎么才能用得更好？"我的回答是："先理解业务场景，再选择技术方案。就像我们之前做的模糊搜索，不是简单地用 wildcard，而是根据 ES 版本选择最优解。"

技术的价值不在于多复杂，而在于能否优雅地解决实际问题。与大家共勉。

掘金原文（个人技术文章优先在掘金发布）：https://juejin.cn/post/7569959427879567370

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！

很好很强大  我过来先占个楼 待编辑