核心概念
ElasticSearch 是一个基于 Lucene 的分布式搜索和分析引擎，专为全文检索、日志分析、实时数据分析等场景设计。它与传统关系数据库（如 MySQL）在设计目标、数据模型、查询能力上有本质区别。
为什么使用 ElasticSearch
1. 全文检索能力强大
- 倒排索引：专为文本检索优化，支持分词、模糊匹配、相关性评分
- 多语言支持：内置多种语言分词器，支持中文分词（如 IK、jieba）
- MySQL 的
LIKE '%keyword%'无法使用索引，性能差
2. 近实时搜索
- 数据写入后 1 秒内（默认 refresh_interval）即可被搜索
- 适合实时日志分析、监控告警场景
3. 分布式架构
- 天然支持水平扩展，自动分片（Shard）和副本（Replica）
- 高可用性，节点故障自动恢复
4. 复杂查询和聚合
- 支持复杂的 Bool 查询、范围查询、地理位置查询
- 强大的聚合分析能力（类似 SQL 的 GROUP BY，但更灵活）
与 MySQL 的核心区别
| 维度 | ElasticSearch | MySQL |
|---|---|---|
| 数据模型 | 文档型（JSON）、Schema-free | 关系型、严格 Schema |
| 索引结构 | 倒排索引（全文检索） | B+Tree 索引（精确查询） |
| 查询能力 | 全文检索、模糊匹配、相关性评分 | 精确查询、JOIN、事务 |
| 事务支持 | 不支持 ACID 事务 | 完整 ACID 支持 |
| 写入性能 | 批量写入性能好，但有延迟 | 实时写入，强一致性 |
| 扩展性 | 天然分布式，易扩展 | 垂直扩展为主，分库分表复杂 |
| 适用场景 | 搜索、日志分析、BI | 交易系统、关系数据管理 |
典型使用场景
1. 站内搜索
// 商品搜索示例
SearchRequest searchRequest = new SearchRequest("products");
SearchSourceBuilder sourceBuilder = new SearchSourceBuilder();
sourceBuilder.query(QueryBuilders.multiMatchQuery("手机", "name", "description"));
sourceBuilder.aggregation(AggregationBuilders.terms("brands").field("brand.keyword"));
searchRequest.source(sourceBuilder);
SearchResponse response = client.search(searchRequest, RequestOptions.DEFAULT);
2. 日志分析（ELK Stack）
- Elasticsearch 存储和检索日志
- Logstash 收集和转换日志
- Kibana 可视化展示
3. 实时数据分析
- 电商实时销售统计
- 用户行为分析
- APM（应用性能监控）
架构选型建议
使用 ElasticSearch 的场景
- 需要全文检索功能（商品搜索、文档检索）
- 日志存储和分析（ELK）
- 需要复杂聚合分析（数据大盘）
- 读多写少，对强一致性要求不高
使用 MySQL 的场景
- 需要事务保证（订单、支付）
- 关系复杂，需要 JOIN 操作
- 数据强一致性要求高
- 成熟的 CRUD 业务
典型组合方案
MySQL（主数据库）+ ElasticSearch（搜索引擎）
- MySQL 存储核心业务数据，保证事务和一致性
- 通过 Canal、Logstash、Flink CDC 等将数据同步到 ES
- ES 负责搜索、统计、分析功能
总结
ElasticSearch 不是用来替代 MySQL 的，而是解决 MySQL 不擅长的全文检索和大数据量实时分析问题。在实际项目中，通常采用 MySQL + ElasticSearch 组合，MySQL 作为主数据存储保证数据一致性和事务，ES 作为搜索引擎提供高性能检索和分析能力。
面试要点：
- 突出倒排索引和全文检索优势
- 对比与 MySQL 在数据模型、事务、扩展性上的差异
- 说明典型的组合使用方案（MySQL + ES 双写或 CDC 同步）