5）ElasticSearch

🌱 第 1 题（基础认知）

Q1：Elasticsearch 是什么？它的主要应用场景有哪些？

📝 标准答案：

Elasticsearch 是一个基于 Apache Lucene 构建的开源、分布式搜索和分析引擎，用于处理结构化和非结构化数据，具备强大的全文搜索、实时数据分析能力。

主要特点：

• 高速全文检索；
• 实时数据写入与查询；
• 分布式架构，支持水平扩展；
• RESTful API 接口；
• 强大的聚合分析（类似 SQL 的 Group By + 聚合函数）；
• 与 Kibana、Logstash 等组成 Elastic Stack。

应用场景：

• 日志/监控系统（如 ELK Stack：Elasticsearch + Logstash + Kibana）；
• 网站搜索引擎（电商搜索、文档搜索）；
• 实时数据分析（如用户行为分析、热点词趋势）；
• 异常检测（如安全预警）；
• 多字段模糊匹配查询。

🌿 第 2 题（核心概念）

Q2：请解释 Elasticsearch 中的 Index、Type、Document、Field 的关系？

📝 标准答案：

概念	解释
Index	相当于传统数据库中的数据库名，是逻辑上的集合（如：user_index、product_index）。
Type（已废弃）	旧版本中的概念，相当于数据库中的表；从 7.x 开始不推荐使用，一个 Index 仅支持一个 Type。
Document	相当于数据库中的行数据，是 Elasticsearch 存储的基本单位，一个 JSON 格式的对象。
Field	文档中的键值对，相当于数据库中的列，比如 title、price、description 等。

例子：

{
  "id": 1,
  "title": "iPhone 14",
  "price": 6999
}

• 这个 JSON 是一个 Document；
• title、price 是 Field；
• 它属于一个名为 products 的 Index。

🌳 第 3 题（查询与 DSL）

Q3：Elasticsearch 如何实现模糊搜索？请举例说明 Term 查询和 Match 查询的区别。

📝 标准答案：

Elasticsearch 提供两类主要查询方式：

1. Term 查询：用于精确匹配（不会进行分词）；
2. Match 查询：用于全文匹配（会进行分词）。

✅ Term 查询： 用于 keyword 类型字段（不分词的字段）

{
  "query": {
    "term": {
      "status": "active"
    }
  }
}

• 查询字段的值必须与 "active" 完全一致。

✅ Match 查询： 用于 text 类型字段（会自动分词）

{
  "query": {
    "match": {
      "title": "iPhone 14 Pro"
    }
  }
}

• 分词后查询 "iPhone"、"14"、"Pro"；
• 更适合模糊匹配、搜索建议等。

总结：

区别	Term 查询	Match 查询
分词	否	是
精确匹配	是	否
使用字段	keyword	text
用途	过滤/筛选	模糊搜索

🌲 第 4 题（性能优化）

Q4：如何优化 Elasticsearch 的搜索性能？请从索引设计和查询优化两个角度回答。

📝 标准答案：

✅ 索引设计优化：

• 控制字段数量与索引类型（避免无用字段进行索引）；
• 设置字段类型合理（如 text / keyword 分清楚）；
• 使用合适的分词器（如 ik 分词、n-gram）；
• 减少 index/shard 数量过多导致的资源浪费；
• 设置 refresh_interval 适当延迟，减少频繁刷新（默认 1s）；
• 使用 doc_values 关闭不需要排序/聚合的字段的倒排索引。

✅ 查询优化：

• 使用 filter 而非 must 查询进行缓存加速；
• 尽量避免使用通配符（如 "*phone"），使用 EdgeNGram 分词替代；
• 使用 search_after 替代 from + size 分页大数据集；
• 控制返回字段 _source 字段内容（只要需要的字段）；
• 开启并合理使用缓存（query cache、field data cache）；
• 合理分片（不要过多或过少）；
• 对查询频繁字段设置 keyword，避免分词带来误差。

🪵 第 5 题（业务实践）

Q5：你如何设计一个支持商品搜索、筛选、排序的电商搜索系统？用 Elasticsearch 设计整体方案。

📝 标准答案：

✅ 基本设计目标：

• 支持商品名模糊匹配；
• 支持价格区间、品牌、分类等筛选；
• 支持销量、价格等排序；
• 高可用、高性能响应；

✅ 索引结构设计（mapping）

{
  "mappings": {
    "properties": {
      "title": { "type": "text", "analyzer": "ik_max_word" },
      "brand": { "type": "keyword" },
      "category": { "type": "keyword" },
      "price": { "type": "float" },
      "sales": { "type": "integer" },
      "updated_at": { "type": "date" }
    }
  }
}

✅ 查询方案：

• 关键词搜索（模糊匹配）：

{ "match": { "title": "iphone 14" } }

• 精确筛选（品牌、分类）：

{
  "bool": {
    "filter": [
      { "term": { "brand": "Apple" } },
      { "term": { "category": "phone" } },
      { "range": { "price": { "gte": 4000, "lte": 8000 } } }
    ]
  }
}

• 排序（销量、价格）：

{ "sort": [{ "sales": "desc" }, { "price": "asc" }] }

✅ 额外优化：

• 分页使用 search_after；
• 推荐系统使用 more_like_this 查询；
• 同步数据库与 ES 的商品数据使用 MQ（如 Kafka）进行异步同步；
• 可用 ElasticSearch 的 alias 做版本切换零中断；