ElasticSearch业务场景与面试题

以下是几个常见的 Elasticsearch 业务场景解决方案及面试题解析（含 Java 示例）：

一、业务场景解决方案

场景 1：商品搜索与过滤

需求：电商平台需要支持多条件搜索（关键词、价格区间、分类、品牌）并按相关性排序。

解决方案：

Bool Query：组合 must（必须匹配）、should（加分项）、filter（无评分过滤）。
Keyword 字段：分类/品牌等精确匹配字段使用 keyword 类型。
范围查询：价格区间使用 range 查询。
相关性排序：使用 TF-IDF 或 BM25 算法（ES 默认）。

// 使用 RestHighLevelClient（旧版）或 Java Client（新版）
SearchRequest request = new SearchRequest("products");
SearchSourceBuilder sourceBuilder = new SearchSourceBuilder();BoolQueryBuilder boolQuery = QueryBuilders.boolQuery().must(QueryBuilders.matchQuery("name", "手机")) // 关键词匹配.filter(QueryBuilders.rangeQuery("price").gte(1000).lte(5000)) // 价格过滤.filter(QueryBuilders.termQuery("category", "electronics")) // 分类精确匹配.should(QueryBuilders.matchQuery("brand", "Apple").boost(2.0f)); // 品牌加分sourceBuilder.query(boolQuery).sort(SortBuilders.scoreSort()) // 按相关性排序.from(0).size(10); // 分页request.source(sourceBuilder);
SearchResponse response = client.search(request, RequestOptions.DEFAULT);

场景 2：日志分析与聚合

需求：分析系统日志中不同错误级别的出现次数。

解决方案：

Date Histogram：按时间区间聚合。
Terms Aggregation：按错误级别分组统计。
索引设计：使用 @timestamp 字段记录日志时间。

SearchRequest request = new SearchRequest("logs");
SearchSourceBuilder sourceBuilder = new SearchSourceBuilder();// 按错误级别聚合
TermsAggregationBuilder termsAgg = AggregationBuilders.terms("error_levels").field("level");
// 子聚合：按小时统计
DateHistogramAggregationBuilder dateHistogram = AggregationBuilders.dateHistogram("per_hour").field("@timestamp").calendarInterval(DateHistogramInterval.HOUR);termsAgg.subAggregation(dateHistogram);
sourceBuilder.aggregation(termsAgg);request.source(sourceBuilder);
SearchResponse response = client.search(request, RequestOptions.DEFAULT);// 解析聚合结果
Terms terms = response.getAggregations().get("error_levels");
for (Terms.Bucket bucket : terms.getBuckets()) {String level = bucket.getKeyAsString();DateHistogram dateHistogramAgg = bucket.getAggregations().get("per_hour");for (DateHistogram.Bucket hourBucket : dateHistogramAgg.getBuckets()) {System.out.println(level + " - " + hourBucket.getKeyAsString() + ": " + hourBucket.getDocCount());}
}

场景 3：搜索自动补全

需求：实现类似 Google 的搜索框自动补全功能。

解决方案：

Completion Suggester：专为自动补全设计的字段类型。
N-gram 分词：支持部分匹配（如 “el” 匹配 “elasticsearch”）。

// 创建索引时定义补全字段
CreateIndexRequest request = new CreateIndexRequest("suggestions");
request.mapping("{\n" +"  \"properties\": {\n" +"    \"suggest\": {\n" +"      \"type\": \"completion\"\n" +"    }\n" +"  }\n" +"}",XContentType.JSON
);
client.indices().create(request, RequestOptions.DEFAULT);// 查询时使用 Suggest
SuggestBuilder suggestBuilder = new SuggestBuilder().addSuggestion("my_suggestion",new CompletionSuggestionBuilder("suggest").prefix("el").size(5));SearchSourceBuilder sourceBuilder = new SearchSourceBuilder().suggest(suggestBuilder);
SearchRequest searchRequest = new SearchRequest("suggestions").source(sourceBuilder);
SearchResponse response = client.search(searchRequest, RequestOptions.DEFAULT);// 解析补全结果
CompletionSuggestion suggestion = response.getSuggest().getSuggestion("my_suggestion");
for (CompletionSuggestion.Entry.Option option : suggestion.getOptions()) {System.out.println(option.getText().string());
}

二、高频面试题

问题 1：Elasticsearch 如何保证数据一致性？

答：ES 是近实时（NRT）系统，默认每秒刷新（refresh）一次。写入数据后需等待刷新或手动调用 refresh 才能搜索到。通过 wait_for 参数可强制等待变更可见：
```
IndexRequest request = new IndexRequest("index").source("field", "value").setRefreshPolicy(WriteRequest.RefreshPolicy.WAIT_UNTIL);
```

问题 2：如何处理深度分页的性能问题？

答：避免使用 from + size（如 from=10000），改用 search_after：

SearchSourceBuilder sourceBuilder = new SearchSourceBuilder().sort(SortBuilders.fieldSort("_id")) // 必须包含唯一排序字段.size(10);// 第一次查询
SearchResponse response = client.search(request, RequestOptions.DEFAULT);
SearchHit[] hits = response.getHits().getHits();// 后续分页使用 search_after
sourceBuilder.searchAfter(hits[hits.length - 1].getSortValues());