“搜索怎么又慢了？”
这是每一个后端工程师在大促期间最不想听到的来自产品经理的“灵魂拷问”。
Elasticsearch（ES）虽然是搜索界的扛把子，但它也是出了名的“资源吞噬者”。如果不懂底层原理，随意建索引、乱写 DSL，你的 ES 集群很快就会变成一个内存黑洞和CPU 绞肉机。
上一篇我们讲了《搜索原理与 DSL 查询实战》，解决了“怎么查”的问题。今天，我们要解决更致命的问题：怎么查得快？
结合我在生产环境踩过的无数坑，总结出这 5 个立竿见影的实战技巧，照着做，至少能让你的搜索性能提升一个数量级。
技巧一：彻底告别from + size，拥抱search_after
场景：你在做一个无限滚动的商品列表，用户滑到了第 100 页（from=1000, size=10）。
后果：ES 性能断崖式下跌，甚至直接 OOM。
原理：
传统的from + size是“分散-收集”模式。协调节点需要从每个分片获取from + size条数据，然后在内存中进行全局排序，最后截取出你要的那size条。
比如from=10000，协调节点需要从每个分片拉取 10010 条数据，网络开销巨大，且排序是 CPU 密集型操作。
实战方案：
使用search_after代替分页。它利用上一页的最后一条数据的排序值作为“游标”，告诉 ES：“从这个位置之后开始找”。
代码对比：
❌慢查询（深度分页）：
GET/products/_search{"from":10000,"size":10,"query":{"match_all":{}},"sort":[{"create_time":"desc"},{"_id":"asc"}]}✅快查询（游标分页）：
GET/products/_search{"size":10,"query":{"match_all":{}},"search_after":["2023-10-27T10:00:00Z","doc_id_12345"],"sort":[{"create_time":"desc"},{"_id":"asc"}]}注意：search_after的参数必须与sort顺序一致，且必须包含一个唯一值（如_id）防止漏数据。
效果：查询耗时从秒级降低到毫秒级，且不随页码加深而变慢。
技巧二：Query 是杀手，Filter 是救星
场景：查询“标题包含手机”且“状态为在售”的商品。
错误写法：把所有条件都放在must里。
原理：
- Query Context（如
match,bool must）：需要计算相关性评分（_score），涉及 TF-IDF 算法，消耗 CPU。 - Filter Context（如
term,bool filter）：只回答“是/否”，不计算分数。结果会被缓存（Bitset），后续同样的过滤直接命中缓存，速度极快。
实战方案：
黄金法则：能用 Filter 的，绝不用 Query！
❌低效写法：
"bool":{"must":[{"match":{"title":"手机"}},{"term":{"status":"on_sale"}}]}✅高效写法：
"bool":{"must":[{"match":{"title":"手机"}}],"filter":[{"term":{"status":"on_sale"}}]}先用filter砍掉 90% 的无关数据，再对剩下的 10% 做全文匹配评分，性能提升不是一点点。
技巧三：字段映射（Mapping）瘦身计划
场景：索引越来越大，查询越来越慢，磁盘告急。
原因：ES 默认很“大方”。一个text字段，它会自动生成多个子字段（keyword,text,_source等），还会存储norms（用于评分）和_all。
实战方案：
- 禁用不需要的特性：如果不需要对某字段做全文搜索评分（如 ID、状态码、标签），直接设为
keyword或match_only_text。 - 关闭
_source：对于日志类场景，如果原始 JSON 不需要存储（只需搜索），在 Mapping 中关闭_source，可节省 30%-40% 存储空间。 - 使用
match_only_text（ES 7.10+）：如果你只需要分词搜索，不需要词频统计（评分），用这个类型代替text，性能更好，体积更小。
示例：
"mappings":{"properties":{"log_message":{"type":"match_only_text"},"host_name":{"type":"keyword"}}}技巧四：索引生命周期管理（ILM）—— 热温冷架构
场景：半年前的订单数据还在占用宝贵的 SSD 资源，导致新数据写入变慢。
实战方案：
实施ILM（Index Lifecycle Management）策略，让数据“流动”起来：
- Hot（热）阶段：最近 7 天的数据。使用 SSD 硬盘，副本数设为 1，刷新间隔短（如 1s），保证写入和查询最快。
- Warm（温）阶段：7-30 天的数据。使用普通 HDD，副本数降为 0（或只读），合并 Segment，减少资源占用。
- Cold（冷）阶段：30 天以上的数据。甚至可以冻结索引（Freeze Index），将其从内存中卸载，查询时再加载。查询虽然慢一点，但几乎不耗资源。
- Delete：超过保留期直接删除。
效果：用最低的成本支撑海量数据，不再为“历史数据拖慢实时业务”而头疼。
技巧五：拒绝“小索引”迷信，合理设置分片
误区：“分片越多，并行度越高，查询越快？” ——大错特错！
原理：
每个分片都是一个独立的 Lucene 实例，占用固定的内存和文件句柄。分片过多会导致：
- 集群状态频繁更新：主节点忙于维护分片状态，导致集群不稳定。
- 查询分散开销：一个查询需要 scatter-gather 到几十个分片，网络延迟叠加。
实战建议：
- 控制分片大小：单个分片大小建议在20GB - 50GB之间。太小浪费资源，太大难迁移。
- 估算公式：
总分片数 = (预估总数据量 * 1.2) / 50GB。 - 副本策略：热数据保留 1 个副本（高可用），温/冷数据设为 0 副本（省空间）。
一句话总结：与其增加分片数量，不如增加单分片的硬件配置（CPU/IOPS）。
结语：优化是一场修行
Elasticsearch 的性能优化没有银弹，它是对数据结构、硬件资源、业务场景的综合权衡。
- 用
search_after解决深度分页； - 用
filter榨干缓存红利； - 用 Mapping 瘦身减少 IO；
- 用 ILM 分层存储降本增效；
- 用合理的分片策略避免资源碎片化。
把这 5 点做到位，你的 ES 集群至少能从“卡顿”变成“丝滑”。
)
)
