1. 电商商品搜索,为什么最终绕不开 ElasticSearch

黑马商城这个 Java 分布式项目,我前后带过好几拨人一起做,每次走到 ElasticSearch 这一章都会有人问同一个问题:商品搜索用 MySQL 的 LIKE 就能搞定,为什么非要引入一套搜索引擎,给分布式架构平添复杂度?

这个问题问得特别好。如果你只是做一个几百条商品数据的演示商城,MySQL 确实够用。但电商搜索业务一旦摆到真实场景里,需求会变成这样:用户输入“华为手机”,系统要能同时匹配商品标题、品牌、分类、卖点描述;要做分词,要把“华为”“手机”拆开;要过滤品牌、价格区间、促销标签;要按销量、价格、相关度多种方式排序;还要在结果里把命中的关键词高亮标红。

这些能力 MySQL 能做到吗?勉强能做,但代价极大。LIKE '%手机%' 这种写法索引基本失效,数据量过了百万级就是灾难;多个筛选条件叠加时 SQL 越来越长,调优无从下手;更别提中文分词、拼音纠错、同义词这类搜索体验,MySQL 根本没有原生方案。我在实际项目里见过有人用 LIKE 加 REGEXP 硬扛搜索,最后数据库 CPU 被打满,接口超时率逼近百分之四十,不得不连夜切 ElasticSearch。

ES 的核心是倒排索引,这个概念用大白话讲就是:MySQL 存的是“文档里有这些词”,ES 存的是“这些词在哪些文档里出现过”。用户搜“手机”,ES 直接定位到包含这个词的所有商品,不需要全表扫描,天生就是为搜索设计的。再加上 ES 的分词器、相关性打分、聚合分析、高亮,这一套组合下来,才是电商搜索该有的样子。

能力 MySQL LIKE ElasticSearch
中文分词 不支持 IK 分词器、拼音、同义词
相关性排序 基本靠手写 BM25 相关性算法
联合筛选 SQL 长且难优化 Bool 查询组合,天然支持
高亮显示 自己拼字符串 内置高亮返回片段
分布式扩展 主从、分库分表成本高 分片 + 副本,横向扩展简单

黑马商城项目选它,另一个重要原因是从教学角度它非常典型:既有分布式集群概念,又有索引设计和查询 DSL,还能锻炼数据同步思维。这套能力学完,你去看任何一家互联网公司的搜索架构,底层逻辑都相通。

我把话说得直白一点:不是你学不学 ES 的问题,而是 Java 后端走到分布式这一步,搜索这个词迟早会撞到你脸上。与其面试前临时背八股,不如跟着一个完整项目把它从开发到部署真正跑通。

提示:版本选型建议选 7.x 系列,比如 7.17.x。原因后面部署环节会说,8.x 的客户端 API 改动很大,网上资料和黑马商城项目本身都是围绕 7.x 写的,你用 8.x 复现会遇到大量不必要的坑。

2. 开发前的环境准备:本机启动 ES 比想象中多坑

2.1 Windows 启动 ES 的那些经典报错

黑马商城篇的很多学员用的是 Windows 环境,我先把本机启动 ES 的坑补齐,因为这一步卡住的人最多。

ES 7.x 内置了 JDK,但你需要单独配置 JAVA_HOME 的情况很多。官网下载的安装包解压后,进入 bin 目录双击 elasticsearch.bat,如果一闪而过,多半是内存参数或环境变量问题。我的做法是永远从命令行启动:

cd C:\elasticsearch-7.17.9\bin
elasticsearch.bat

保持终端窗口不关,看到 started 字样就算成功,然后浏览器访问 http://localhost:9200 ,返回带 cluster_name 的 JSON 就说明起来了。

下面是 Windows 下最容易踩的几个坑,我一个个说。

第一,内存不足直接启动失败。ES 默认堆内存 1GB,如果你的电脑内存只有 8GB,跑 IDEA、MySQL、Redis 再加 ES 很容易溢出。改 config 目录下的 jvm.options,把 -Xms 和 -Xmx 改成 512m:

-Xms512m
-Xmx512m

注意这两个值必须相等,ES 要求一致,否则启动时会警告甚至报错。

第二,路径必须全英文。我之前见过有人把安装包解压到 E:\软件\es-7.17 ,启动直接报非法路径。ES 对路径里的中文和特殊字符零容忍,这一点没得商量。

第三,JDK 版本冲突。ES 7.17 要求 JDK 11 及以上,如果你机器上装了 JDK 8 且 JAVA_HOME 配的是它,启动会报 could not find java in JAVA_HOME 或版本校验失败。可以在 bin/elasticsearch-env.bat 里临时指定,也可以下载 ES 自带的 JDK 目录来指向,最省事的办法是统一把 JAVA_HOME 切到 JDK 11。

2.2 索引、分片、副本:建立分布式直觉

单机跑起来只是第一步,要做黑马商城这种分布式项目,你必须有集群概念。

ES 的数据保存在索引里,索引相当于 MySQL 的表。一个索引会被拆成多个分片,每个分片是一个完整的 Lucene 索引;分片又有副本,副本天然承担高可用和读流量。拿图书馆打比方,分片就是把同一套书分成几批放到不同书架上,副本就是每批书再复印一份放到另一个房间,这样主书架着火了,备用书架还能顶上。

创建索引时指定分片和副本,例如:

PUT /product
{
  "settings": {
    "number_of_shards": 3,
    "number_of_replicas": 1
  }
}

分片数在索引创建后就改不了了,副本数可以随时调整。一个常见误区是分片越多越好,实际不然。分片过多会导致每个分片的数据太少,查询广播开销反而变大;分片过少又无法发挥多节点并行能力。我的经验是:单分片容量控制在 30GB 到 50GB 之间,先估数据量再定分片数,黑马商城这种演示规模,3 个分片 1 个副本足够。

分布式直觉里还有一个关键词叫路由。ES 写入和查询时会计算文档 id 的哈希,决定它落在哪个分片,所以同一篇文档只会在一个主分片上,不会重复散落在多个分片。这也是 ES 能水平扩展的根本——每增加一个节点,集群可以把分片迁移过去,分担压力。

2.3 IK 分词器和中文检索的排列组合

ES 原生分词对英文友好,对中文就是灾难。默认的 standard 分词器会把“华为手机”切成单个汉字,搜“手机”时相关度乱掉。黑马商城这种中文商品库必须上 IK 分词器。

安装 IK 很简单,从 GitHub 下载对应 ES 版本号的 zip 包,解压放到 plugins 目录下的 ik 文件夹,重启 ES 即可。注意版本必须严格一致,7.17.9 的 ES 就装 7.17.9 的 IK,装错会启动失败。

IK 提供两种分词模式:

  • ik_max_word :最细粒度拆分,“华为手机”会被拆成“华为 / 华 / 为 / 手机 / 机”,索引时用这个,保证查得全
  • ik_smart :最粗粒度拆分,只拆出“华为 / 手机”,搜索时用这个,保证查得准

索引和搜索用不同的分词器,这是很多新手不知道的细节。黑马商城的商品标题字段一般这么设计:

{
  "properties": {
    "title": {
      "type": "text",
      "analyzer": "ik_max_word",
      "search_analyzer": "ik_smart"
    },
    "brand": {
      "type": "keyword"
    },
    "price": {
      "type": "double"
    }
  }
}

text 类型用于分词搜索, keyword 类型用于精确匹配和排序,聚合也依赖 keyword 字段。把这两个类型分清楚,后面开发查询 DSL 时能少走一半弯路。

3. 让商品数据“跑”进 ES:数据同步方案演进

索引和 mapping 设计好之后,紧接着要解决的问题是:商品数据在 MySQL 里,怎么同步到 ES?这一步做不好,搜索到的就是残缺数据。

3.1 三种同步方案,选型逻辑是什么

业内常见四种方案,我按黑马商城的落地场景逐一对比。

方案一,业务代码双写。在商品新增、修改、删除时,Java 代码里同一事务内写 MySQL 再写 ES。优点是简单直接,缺点也致命:ES 写入失败会导致主流程失败,或 MySQL 已提交但 ES 没写成功造成数据不一致,而且对业务代码侵入性强。

方案二,MQ 异步通知。业务代码先写 MySQL,事务提交后发送一条 MQ 消息,消费端监听消息再写 ES。这是目前主流的折中方案,解耦效果最好,黑马商城用的就是这条路线。商品发布、下架、修改、删除都对应不同消息类型,消费端根据消息类型做索引的增删改。

方案三,监听 MySQL Binlog,典型实现是 Canal。Canal 伪装成 MySQL 从节点,解析 binlog 后把变更事件推送给消费端,业务代码完全不用改。这套方案最优雅,因为不管你怎么改数据库,哪怕 DBA 手动执行 SQL,ES 都能跟着同步。但需要额外维护一套 Canal 服务,学习成本和运维成本都高,教学项目通常不建议上来就搞,我会单独说。

方案四,Logstash 定时捞数据。Logstash 内置 JDBC 输入插件,可以每分钟、每小时执行一次 SQL 全量或增量同步。适合同步周期要求不高、数据量小的场景。它的优点是零编码,缺点是实时性差,黑马商城这种时时要看到最新商品上架的场景不太合适。

我最终给学这个项目的人推荐的是:方案二为主,方案四做兜底。

3.2 用 MQ 异步通知构建同步链路

黑马商城本身就是 Spring Cloud 架构,天然带了 RabbitMQ,直接把同步链路搭在既有组件上。

商品服务在商品写入 MySQL 成功后,发送一条消息,消费者根据操作类型处理。发送消息的代码事务问题要注意,数据库事务提交和 MQ 发送不是一个原子操作,不能简单写成“先 update 再 send”,这样事务回滚了消息也发出去了。正确做法有两种:

第一种,用 Spring 的事务同步机制,在事务提交后发送消息:

TransactionSynchronizationManager.registerSynchronization(new TransactionSynchronization() {
    @Override
    public void afterCommit() {
        rocketMQTemplate.convertAndSend("product-change", productId);
    }
});

第二种,本地消息表加定时任务补偿。核心思想是业务先写本地消息表,事务提交后由守护任务扫描未发送的消息,发送成功后再标记状态。我实际项目里偏向后一种,因为它在极端情况下更容易排查问题。黑马商城教学演示用第一种就够了,但原理要知道。

消费端拿到商品 id 后,怎么更新 ES?不能只更新一个字段,因为 ES 里存的是宽表,包含标题、品牌、分类、价格、图片、销量等一堆冗余信息。简单做法是直接删除索引里的旧文档,再根据商品 id 查一次 MySQL 的商品完整信息,然后写入 ES:

public void syncProduct(Long productId) {
    Product product = productClient.getById(productId);
    ProductDoc doc = convertToDoc(product);
    esClient.index(d -> d
        .index("product")
        .id(productId.toString())
        .source(toJson(doc)));
}

删除操作反过来,查不到商品数据就直接 delete。

3.3 定时任务兜底与一致性校验

MQ 链路跑久了,一定会出现消息丢失或消费失败的情况。网络抖动、ES 临时不可用、消费线程池满了,任何一个环节都可能漏数据。所以必须有一个兜底机制:分布式定时任务定期对账。

Spring Cloud 微服务里的定时任务很讲究。多个服务实例如果都跑同一个定时任务,就会重复执行。黑马商城项目里涉及分布式定时任务的解决方案,我会明确用 XXL-Job。理由有三:平台化调度可视化,失败任务能手动重跑;自带分片广播,可以把全量比对任务分片给不同节点并行;支持任务超时告警,生产环境遇到问题能第一时间发现。

对账逻辑不复杂:从 MySQL 查出商品 id 集合,从 ES 查出已存在的商品 id 集合,做差集。MySQL 有但 ES 没有的,触发补同步;MySQL 已删除但 ES 还存在的,触发删除。这个任务频率我建议一小时跑一次,数据量大了以后改成每半小时一次,配合 MQ 实时链路,基本能保证接近最终一致。

全量比对最忌讳一次捞全表。正确做法是传给 XXL-Job 的分片参数,按商品 id 取模分片,每个分片负责一部分数据的扫描和比对。商城商品几十万量级,这样设计足够跑,而且给以后数据量增长留了扩容空间。

4. 搜索核心开发:DSL 查询与 Java API 的实战对照

数据同步搞定,终于到重头戏:写搜索。

4.1 商品搜索的 DSL 设计思路

黑马商城的商品搜索页,业务需求拆开看其实很清晰:

  • 顶部是搜索框,输入关键词匹配商品标题
  • 左侧是聚合筛选,展示品牌列表、分类列表
  • 中间是商品列表,支持按相关度、销量、价格排序
  • 价格区间筛选,比如 1000 到 3000 元
  • 搜索结果要高亮显示关键词

对应到 ES 查询,我把 DSL 拆解成几个基础块,这个思路比背整段 JSON 重要得多。

核心查询用 bool 查询组合。must 表示必须满足,比如关键词匹配;filter 表示过滤,不参与相关度计算,价格区间、品牌、分类都放这里;should 表示加分项,淘宝京东的搜索页里,“品牌匹配的有额外权重”就是 should 实现。

关键词匹配部分:

{
  "bool": {
    "must": [
      {
        "multi_match": {
          "query": "华为",
          "fields": ["title", "brand", "category"]
        }
      }
    ],
    "filter": [
      { "term": { "brand": "华为" } },
      { "range": { "price": { "gte": 1000, "lte": 3000 } } }
    ]
  }
}

multi_match 的作用是同时在一个或多个字段里做匹配。和 match 的区别在于,match 只能指定单个字段。商品搜索这种需求,标题、品牌、分类都要参与匹配,multi_match 就是为此设计的。

如果你想让品牌命中的商品排序更靠前,可以在 bool 的 filter 之外再加 should:

"should": [
  { "match": { "brand": "华为" } }
]

should 查询命中会给文档加分,使品牌完全匹配的商品排在普通模糊匹配商品前面,这就是相关度调优的开始。更进一步,业务上要求销量好的、有活动的商品排在前面,可以用 function_score:

{
  "query": {
    "function_score": {
      "query": { ... },
      "field_value_factor": {
        "field": "sales",
        "modifier": "log1p",
        "factor": 0.1
      }
    }
  }
}

把销量作为评分因子,用 log1p 做平滑处理,避免销量差 100 倍导致分数爆炸。这种加分公式很常用,虽然黑马商城教学案例不一定会做这么深,但工作里领导就爱看这种“有业务思考”的查询。

聚合查询用来构建侧边栏的品牌和分类筛选项:

{
  "aggs": {
    "brandAgg": {
      "terms": { "field": "brand", "size": 20 }
    },
    "categoryAgg": {
      "terms": { "field": "category", "size": 10 }
    }
  }
}

一次请求既能拿到商品列表,又能拿到品牌分类聚合结果,避免前端再调两个接口。

4.2 Java 代码里怎么“翻译”DSL

黑马商城是 Spring Boot 项目,搜索服务用 RestHighLevelClient 构建查询请求。ES 7.17 的官方客户端写法偏向 builder 模式,整体结构跟 DSL 一一对应。

先初始化客户端:

@Configuration
public class ESConfig {
    @Bean
    public RestHighLevelClient restHighLevelClient() {
        RestClientBuilder builder = RestClient.builder(
            new HttpHost("127.0.0.1", 9200, "http")
        );
        return new RestHighLevelClient(builder);
    }
}

商品搜索的完整 Java 代码:

public PageResult searchProducts(String keyword, Long brandId,
        Long categoryId, Double minPrice, Double maxPrice,
        Integer page, Integer size) {

    SearchSourceBuilder sourceBuilder = new SearchSourceBuilder();
    BoolQueryBuilder boolQuery = QueryBuilders.boolQuery();

    // 关键词匹配标题、品牌、分类
    if (StringUtils.hasText(keyword)) {
        boolQuery.must(QueryBuilders.multiMatchQuery(keyword,
                "title", "brand", "category"));
    }

    // 品牌过滤
    if (brandId != null) {
        boolQuery.filter(QueryBuilders.termQuery("brandId", brandId));
    }

    // 价格区间过滤
    if (minPrice != null && maxPrice != null) {
        boolQuery.filter(QueryBuilders.rangeQuery("price")
                .gte(minPrice).lte(maxPrice));
    }

    sourceBuilder.query(boolQuery);

    // 排序:默认相关度,可选价格、销量
    if ("price".equals(sort)) {
        sourceBuilder.sort("price", SortOrder.ASC);
    } else if ("sales".equals(sort)) {
        sourceBuilder.sort("sales", SortOrder.DESC);
    }

    // 分页
    sourceBuilder.from((page - 1) * size);
    sourceBuilder.size(size);

    // 高亮
    HighlightBuilder highlight = new HighlightBuilder();
    highlight.field("title")
             .preTags("<font color='red'>")
             .postTags("</font>");
    sourceBuilder.highlighter(highlight);

    SearchRequest request = new SearchRequest("product");
    request.source(sourceBuilder);
    SearchResponse response = client.search(request, RequestOptions.DEFAULT);
    // 解析 hits 返回结果
}

写这段代码的时候有几个细节要提醒。第一, sort 的字段必须是 keyword 或数值类型。你的 ES mapping 里 title 是 text 类型,不能直接排序,要排序得额外加字段。第二,排序字段如果在分页查询里变化,会引起重复数据,这个坑我后文展开。第三,高亮的字段必须是 text 类型并配置了 analyzer,否则高亮结果为空。

4.3 深分页、高亮、排序:电商搜索的三个隐藏细节

先说分页。ES 默认 from + size 最多查询 10000 条,超过会报 Result window is too large 错误。黑马商城页面最多十几页,看起来没问题,但真实电商后台或者管理端翻页需求一旦超过 10000 条就炸。两个办法:调大 index.max_result_window ,治标不治本;改用 search_after 游标分页,这是专业做法。

搜索请求里先传一个 sort,比如按 id 排序,然后记录最后一条命中文档的排序值,下一页查询把 sort 值带给 search_after:

sourceBuilder.sort(SortBuilders.fieldSort("id"));
// 第一页不传 searchAfter
// 第二页以后,传入上一页最后一条的 id 值
if (searchAfter != null) {
    sourceBuilder.searchAfter(new Object[]{searchAfter});
}

search_after 天然不受 10000 条限制,而且翻页过程中如果有新数据进来也不会影响页码稳定性。它的缺点是只能一页一页往后翻,不支持直接跳转到第 N 页。电商前端搜索一般也不会跳页,所以这个限制无所谓。

再说排序。我见过项目里按 price 降序时,ES 返回结果出现重复商品。原因在于排序字段有相同值时,ES 会以 _score 作为次级排序,但相关度相同,顺序不稳定。解决办法是加一个唯一性兜底排序,比如在 price 排序后追加 _id 升序,保证每次结果顺序一致。这是一个非常实用的细节,面试时讲出来很加分。

最后说高亮。ES 返回的 highlight 字段默认会把整段 text 拿出来,商品标题短还好,如果是长描述就会返回一大段带标记的文本,前端还得自己截断。黑马商城搜索只对 title 做高亮,所以问题不大。但如果你扩展正文搜索,记得在构建高亮字段时配 fragment_size 和 number_of_fragments,控制返回片段的长度和数量。

5. 部署到服务器:先跑起来,再谈优化

开发写完了,本地跑得欢,不代表部署能顺利。部署一步我是踩坑最多的。

5.1 Docker 编排 ES 集群

黑马商城项目从开发到部署,我推荐用 Docker Compose 起 ES 集群,三节点起步,一台机器足够模拟生产形态。

先看你服务器的内存。至少 8GB,低于这个数跑三节点 ES 会很痛苦,因为每个节点的堆内存就得 1GB 起。官方推荐是 2GB 以下只允许单节点,启动时会报 bootstrap checks 错误,可以在 elasticsearch.yml 加一条 discovery.type: single-node 绕过,但集群模拟不建议用。

一个单机三节点的 docker-compose.yml,我简化一下核心内容:

version: "3.8"
services:
  es01:
    image: elasticsearch:7.17.9
    container_name: es01
    environment:
      - node.name=es01
      - cluster.name=black-mall-es
      - discovery.seed_hosts=es02,es03
      - cluster.initial_master_nodes=es01,es02,es03
      - bootstrap.memory_lock=false
      - "ES_JAVA_OPTS=-Xms1g -Xmx1g"
    ports:
      - "9200:9200"
    volumes:
      - es01-data:/usr/share/elasticsearch/data
  es02:
    image: elasticsearch:7.17.9
    container_name: es02
    environment:
      - node.name=es02
      - cluster.name=black-mall-es
      - discovery.seed_hosts=es01,es03
      - cluster.initial_master_nodes=es01,es02,es03
      - "ES_JAVA_OPTS=-Xms1g -Xmx1g"
  es03:
    image: elasticsearch:7.17.9
    container_name: es03
    environment:
      - node.name=es03
      - cluster.name=black-mall-es
      - discovery.seed_hosts=es01,es02
      - cluster.initial_master_nodes=es01,es02,es03
      - "ES_JAVA_OPTS=-Xms1g -Xmx1g"
volumes:
  es01-data:
  es02-data:
  es03-data:

启动后访问任意节点的 9200,用健康检查接口看集群状态:

curl http://localhost:9200/_cluster/health

返回的 status 字段三种颜色:green 表示主分片和副本都正常,yellow 表示主分片正常但副本缺失,red 表示有主分片未分配,需要马上排查。

我部署时这里踩过一个很经典的坑:es01 起来了,es02、es03 一直连不上集群,日志报 failed to resolve host es02 。原因是容器内节点之间通过容器网络互相访问,hosts 文件没有解析服务名。后来加了一个自定义 network,ES 三个容器都放到同一网络,才恢复正常。

5.2 JVM 堆内存与系统参数的坑

ES 是 Java 应用,JVM 配置不当是部署失败的常见原因。

堆内存设置的总原则:Xms 和 Xmx 要相等,总堆内存不要超过物理内存的一半。机器 16GB 内存,给 ES 分配 1GB 到 2GB 就够教学项目用了,给到 4GB 反而可能因为系统其它服务挤占而频繁 GC。生产环境的经验公式是:堆内存不要超过 30GB,因为超过后对象指针压缩就会失效,内存利用率大幅下降。

Linux 部署 ES 还要调两个内核参数,否则启动直接失败。

第一个是 vm.max_map_count ,ES 基于 Lucene 会使用大量 mmap,默认值太小会报 max virtual memory areas vm.max_map_count [65530] is too low 。执行:

sudo sysctl -w vm.max_map_count=262144

这个参数重启后失效,要永久生效就写进 /etc/sysctl.conf。

第二个是文件描述符限制。ES 需要打开大量文件,报错 max file descriptors [4096] 时,调整 /etc/security/limits.conf:

* soft nofile 65536
* hard nofile 65536

改完重新登录生效。这里分享一个小技巧:限流排错时可以先看 ES 日志启动过程的 bootstrap checks summarizing ,它会一次性列出所有不满足的自检项,不用逐个猜测。

5.3 上线后的常见故障:集群黄色、慢查询、磁盘水印

集群刚部署完,最容易见到的就是 yellow 状态。前面提到副本缺失就会 yellow,常见原因是只有一个 ES 节点却在创建索引时设置了副本数 1。主分片在其他节点没问题,但副本无处安放。解决:

PUT /product/_settings
{
  "number_of_replicas": 0
}

教学环境副本数设 0 完全没问题,单节点还减一半冗余写入。

还有一类高频问题:磁盘水位异常导致写入拒绝。ES 默认当磁盘使用率超过 85% 时会限制部分分片分配,超过 90% 会直接拒绝写入。黑马商城跑一段时间后,商品数据加日志数据把磁盘塞满,这时搜索接口返回 disk watermark exceeded 异常。

两个方向:清理陈旧的日志索引,或者调大水印阈值。前者是正道,后者只是临时止血。我经历过一次磁盘快满导致的分片无法迁移,教训是不能等到报警才处理,ES 的磁盘告警一定要提前到 75% 以下。

慢查询排查也是一个实操点。ES 的 9200 端口有 _search?slow 相关的日志配置,但教学项目最简单的是用 Kibana 的 Search Profiler 看每个查询子句的耗时。多数慢查询的根源不是 ES 慢,而是查询写法有问题:比如 wildcard 模糊查询或者 script 脚本去筛选数据。正常搜索遇到慢查询,第一反应应该是看有没有把计算密集的操作扔给 ES,而不是优化分词器。

部署阶段我还有一句忠告:上线前一定要给 ES 留快照备份。ES 内置的 snapshot 接口支持把索引备份到共享存储,黑马商城项目数据量不大,写个定时任务每晚手动调一次快照 API 就能救命。我见过有人跑了两周数据,索引被误删一夜回到解放前,那种心情希望你们永远不用体会。

6. 最后再聊几句项目落地心得

整套黑马商城 ES 项目我从头到尾实践下来的体会是:这个篇章的真正难点不是查询语法,也不是环境搭建,而是把整个数据链路和部署思维串起来。

开发期要理解索引 mapping 和分词器选型,数据同步期要处理消息可靠性和最终一致,开发期要琢磨 bool 查询和高亮的细节,部署期还要面对 JVM 参数、内核参数、集群状态的排查。任何一环断裂,搜索功能都只是“能跑”而不是“好用”。

有几个建议是踩过坑之后才总结出来的。第一,索引的 mapping 和 DSL 查询一定要先设计后编码,直接用代码写 create index 很容易给后面留坑。第二,数据同步必须留人工触发的管理接口,线上出了问题不能靠重启服务修复,有一个 POST /admin/es/sync?productId=xxx 的运维接口,比什么都管用。第三,能上 7.17 就别纠结 8.x,黑马商城配套的 IK 分词器、客户端依赖、教程资料整体都围绕 7.x,学通版本差异之后再升级并不难。

如果你正在学这个项目,建议按我的顺序来:先花半小时看懂倒排索引原理,再本地把 ES 跑起来,然后照着商品搜索需求写一版 DSL,再回来看服务端 Java 代码你会豁然开朗。部署环节有条件就用 Docker 起一个三节点集群,亲手把 yellow 状态修复一遍,比看十遍文档都值。

Logo

电商企业物流数字化转型必备!快递鸟 API 接口,72 小时快速完成物流系统集成。全流程实战1V1指导,营造开放的API技术生态圈。

更多推荐