Elasticsearch 搜索引擎核心

学习目标：从"会用 ES 查询"升级到"理解原理 → 能设计索引方案 → 能排查性能问题"

检验标准：学完每个模块后，能口述"这个技术解决了什么问题？不用它会怎样？工作中有哪些坑？"

---

整体知识地图

mindmap
    root((Elasticsearch 知识体系))
        基础概念
            Index / Document / Field
            Mapping / Shard / Replica
            与关系型数据库的对应关系
        核心原理
            倒排索引
                正排 vs 倒排
                构建过程
                FST 与压缩算法
            分词器
                Analyzer 组成
                IK 中文分词
        查询与聚合
            查询 DSL
                query / filter context
                bool 查询
            聚合查询
                Bucket / Metric / Pipeline
        Mapping 设计
            字段类型
            text vs keyword
            动态 Mapping 的坑
        集群与架构
            集群架构
            分片机制
            集群健康状态
        性能与运维
            写入优化
            查询优化
            深度分页与 search_after
            数据一致性

---

知识点导航

#	知识点	核心一句话	详细文档
01	引入与背景	ES 解决全文搜索和复杂聚合问题，MySQL LIKE 全表扫描无法胜任	引入与背景
02	核心概念	Index≈数据库，Document≈行，Field≈列，Shard 实现水平扩展	核心概念
03	倒排索引	正排按文档找词，倒排按词找文档，比 LIKE 快几个数量级	倒排索引
04	Mapping 设计	text 分词可搜索，keyword 精确匹配可聚合，动态 Mapping 需谨慎	Mapping映射设计
05	查询 DSL	query 计算相关性得分，filter 只过滤不评分且可缓存，性能更优	查询语法DSL
06	集群架构与分片	主分片数创建后不可修改，副本分片提供高可用和读扩展	集群架构与分片机制
07	性能优化	写入用 bulk 批量，查询用 filter 缓存，深分页用 search_after	性能优化
08	数据一致性	MySQL 与 ES 同步方案：Canal 监听 binlog 最可靠，双写有一致性风险	数据一致性
09	聚合查询	Bucket 分桶 + Metric 计算 + Pipeline 二次分析，类似 SQL GROUP BY 但更强大	聚合查询
10	分词器与中文分词	Analyzer = Char Filter + Tokenizer + Token Filter，中文用 IK 分词器	分词器与中文分词

---

高频问题索引

问题	详见
倒排索引和 B+ 树索引的区别？	倒排索引
text 和 keyword 有什么区别？	Mapping映射设计
query 和 filter 有什么区别？	查询DSL
写入数据后为什么不能立即查到？	性能优化
如何保证 MySQL 和 ES 的数据一致性？	数据一致性
为什么主分片数创建后不可修改？	集群架构与分片机制
深度分页怎么优化？	性能优化
ES 聚合和 SQL GROUP BY 有什么区别？	聚合查询
为什么 standard 分词器对中文效果差？	分词器与中文分词
ik_max_word 和 ik_smart 怎么选？	分词器与中文分词

---

一句话口诀

ES 靠倒排索引做全文检索，靠 Mapping 定义字段类型，靠 bool 查询组合条件，靠 filter 提升性能，靠分片水平扩展，靠 search_after 解决深度分页。