Elasticsearch（ES）查询优化是提升系统性能的关键，以下是常见的优化手段，按优先级和实施难度排序：

一、索引优化（基础）

1. 合理设计分片与副本

• 分片数：避免分片过多（导致查询开销大）或过少（无法水平扩展），通常按 节点数 × 1.5~3 倍 估算。
• 副本数：生产环境至少 1 个副本，提升可用性，但需权衡资源消耗。

2. 选择合适的字段类型

• 避免使用 text 做聚合：text 字段默认分词，聚合结果不准确，改用 keyword 类型。
• 数值类型优选：如年龄用 integer 而非 long，节省内存。

3. 启用字段数据缓存（Field Data）

对频繁用于排序或聚合的 text 字段，启用缓存（但可能占用大量堆内存）：

json

PUT my_index/_mapping
{
  "properties": {
    "content": {
      "type": "text",
      "fielddata": true
    }
  }
}

二、查询优化（核心）

1. 避免深度分页（Deep Pagination）

• 问题：from + size 会导致全集群扫描，性能随页数增加急剧下降。
• 替代方案：Scroll API：适合大量数据导出（不支持实时搜索）。Search After：基于上一页的排序值继续查询，支持实时搜索。

2. 优化聚合查询

• 提前过滤数据：用 filter 子句减少参与聚合的数据量。

{
  "aggs": {
    "filtered_sales": {
      "filter": { "range": { "price": { "gte": 100 } } },
      "aggs": { "avg_price": { "avg": { "field": "price" } } }
    }
  }
}

• 限制聚合深度：避免多层嵌套聚合，优先在应用层处理。

3. 使用 Filter 替代 Query

• Filter 缓存：不计算相关性分数，结果可缓存，适合频繁使用的查询条件。

{
  "query": {
    "bool": {
      "filter": { "term": { "category": "electronics" } }
    }
  }
}

4. 避免复杂查询

• 减少 wildcard 和 regexp：改用 prefix 或分词器优化。
• 控制 bool 查询中的子句数量：过多 should/must 会导致性能下降。

三、集群配置优化

1. 调整 JVM 堆内存

• 黄金法则：堆内存不超过物理内存的 50%，且不超过 32GB（避免指针压缩失效）。

2. 冷热分离架构

• 将活跃数据（热数据）存于高性能节点，历史数据（冷数据）存于低成本节点。

3. 优化硬件配置

• 磁盘：SSD 显著提升随机 I/O 性能。
• 内存：确保有足够内存缓存索引段（Segment）。

四、索引生命周期管理（ILM）

1. 自动滚动索引

通过 ILM 自动管理索引生命周期，如：

PUT _ilm/policy/hot_warm_cold_policy
{
  "policy": {
    "phases": {
      "hot": { "actions": { "rollover": { "max_age": "30d" } } },
      "warm": { "min_age": "30d", "actions": { "shrink": 1 } },
      "cold": { "min_age": "90d", "actions": { "freeze": {} } }
    }
  }
}

2. 定期清理无用数据

通过 ILM 的 delete 操作自动删除过期数据。

五、查询性能监控与分析

1. 使用慢查询日志

在 elasticsearch.yml 中配置：

index.search.slowlog.threshold.query.warn: 10s
index.search.slowlog.threshold.fetch.warn: 1s

2. 分析查询耗时

通过 explain API 查看查询执行细节：

GET my_index/_explain/1
{
  "query": { "match": { "title": "elasticsearch" } }
}

3. 使用 Profile API

分析复杂查询的性能瓶颈：

json

GET my_index/_search
{
  "profile": true,
  "query": { "match": { "content": "optimization" } }
}

六、高级优化技巧

1. 预计算与物化视图

对固定维度的聚合结果，提前计算并存储，定期更新。

2. 缓存机制

• 节点本地缓存：对频繁查询的小索引，设置 request_cache: true。
• 分布式缓存：结合 Redis 缓存热门查询结果。

3. 分片感知路由

通过 routing 参数直接定位到特定分片，减少跨分片查询开销。

总结

ES 查询优化需从多维度入手：

1. 索引设计：合理分片、字段类型与映射。
2. 查询策略：避免深度分页、优先使用 Filter、优化聚合。
3. 集群配置：调整 JVM、硬件与冷热分离。
4. 生命周期管理：自动滚动与清理索引。
5. 监控分析：利用慢查询日志和 Profile API 定位瓶颈。

通过系统化优化，可显著提升 ES 查询性能，满足高并发场景需求。