Elasticsearch 实战面试题，每个题目都会单独解析

Elasticsearch 在 Java 中最常用的客户端是什么？如何初始化一个 RestHighLevelClient？如何用 Spring Boot 快速集成 Elasticsearch？Spring Data Elasticsearch 如何定义实体类与索引的映射？

ES的倒排索引和正排索引的区别及适用场景？为什么倒排索引适合全文搜索？

Elasticsearch 分页查询的 from+size 有什么缺陷？如何优化深度分页？比较scroll API与search_after的差异

如何通过 Spring Data Elasticsearch 实现复杂查询（如多条件聚合）？商品搜索场景下，如何设计索引映射？说明字段类型选择依据（text/keyword/nested等）？

Elasticsearch 写入性能优化有哪些常见手段？

如何保证 Kafka 数据实时同步到 Elasticsearch？

ES分片（Shard）和副本（Replica）的作用？如何合理分配？

ES的Refresh、Flush、Merge操作对性能的影响？

ES如何实现近实时（NRT）搜索？

ES聚合查询的Terms和Cardinality区别？

ES的深分页（Deep Pagination）性能问题如何优化？

如何设计ES的冷热数据分离架构？

Elasticsearch 集群如何实现高可用？如何避免脑裂问题？如果出现脑裂如何恢复？

ES的向量检索（Vector Search）如何实现？

如何通过ES实现SQL风格的查询？

如何设计一个支持千万级数据量的搜索系统（结合 MySQL 和 ES）？ES与关系型数据库（MySQL）数据同步方案？如何保证数据库与Elasticsearch的双写一致性？对比采用事务日志与CDC方案的优劣

Elasticsearch 如何实现跨数据中心的数据同步？

ES 在大查询场景下导致 GC 频繁，如何定位和解决？

慢查询分析，如何通过_profile API分析查询性能瓶颈？解释返回结果中的各阶段耗时含义

集群恢复，当节点离线导致分片状态为UNASSIGNED时，如何进行分片重分配？

当出现Elasticsearch bulk写入性能瓶颈时，可以从哪些方面进行优化

---

Elasticsearch 架构图

+-------------------------------------------------------------------------------------------+
|                                          Elasticsearch Cluster                           |
|                                                                                           |
|  +----------------+       +----------------+       +----------------+       +----------------+  
|  |    Node 1      |       |    Node 2      |       |    Node 3      |       |    Node N      |  
|  |  (Master)      |       |  (Data-Hot)    |       |  (Data-Cold)   |       |  (Coordinator) |  
|  +----------------+       +----------------+       +----------------+       +----------------+  
|  | - 主节点       |       | - 热数据节点   |       | - 冷数据节点   |       | - 协调节点     |  
|  | - 管理集群状态 |       | - SSD 存储     |       | - HDD 存储     |       | - 路由查询请求 |  
|  +----------------+       +----------------+       +----------------+       +----------------+  
|          ▲                      ▲  ▲                      ▲                          ▲          
|          |                      |  |                      |                          |          
|          | 写入/查询请求        |  | 数据分片（Shard）    | 副本分片（Replica）      |          
|          |                      |  |                      |                          |          
|  +----------------+             |  |             +----------------+                  |          
|  |   Client       |-------------+  +-------------|   Client       |------------------+          
|  +----------------+                              +----------------+                             
|         | 写入数据到协调节点                                | 发起查询请求                         
|         |                                                   |                                    
|  +----------------+                                  +----------------+                         
|  |  数据源        |                                  |  可视化工具    |                         
|  |  (MySQL/Logs)  |                                  |  (Kibana)      |                         
|  +----------------+                                  +----------------+                         
|                                                                                           |
+-------------------------------------------------------------------------------------------+

---

核心组件说明

1. 节点角色

节点类型	功能描述
主节点（Master）	管理集群状态（索引创建/删除、节点加入/退出），不处理数据读写，避免单点故障需配置多个。
数据节点（Data）	存储分片数据，分为热节点（SSD，处理实时写入）和冷节点（HDD，存储历史数据）。
协调节点（Coordinator）	接收客户端请求，路由到相关分片，聚合结果返回（可独立或由数据节点兼任）。
Ingest 节点	预处理数据（如解析日志、富化字段），非必需角色，可由其他节点兼任。

2. 分片与副本

概念	描述
分片（Shard）	索引的横向拆分单元（如一个索引拆分为3个主分片），支持分布式存储和并行计算。
副本（Replica）	分片的副本，保障高可用（主分片故障时副本提升为主分片）和负载均衡（副本处理读请求）。

3. 数据流

1. 写入流程

   客户端 → 协调节点 → 路由到主分片 → 同步副本分片 → 返回写入成功
   

2. 查询流程

   客户端 → 协调节点 → 广播查询到相关分片 → 聚合结果 → 返回最终结果
   

4. 冷热数据分离架构

• 热节点集群：处理实时写入和频繁查询（如近7天日志），使用高性能硬件（SSD、高CPU）。
• 冷节点集群：存储历史数据（如30天前日志），使用大容量HDD和低功耗硬件。
• ILM（索引生命周期管理）：自动滚动索引（hot → warm → cold → delete）。

---

关键特性

1. 分布式扩展：通过分片实现水平扩展，支持PB级数据。
2. 近实时（NRT）：数据写入后1秒（默认Refresh间隔）可被搜索。
3. 高可用：副本分片保障数据冗余，主节点选举避免单点故障。
4. 多租户：通过索引和别名机制隔离不同业务数据。

---

典型集成场景

+----------------+     +----------------+     +-------------------+
|  数据源        |     |  消息队列       |     |  可视化与分析      |
|  (MySQL/日志)  | →   |  (Kafka)      | →   |  (Kibana)         |
+----------------+     +----------------+     +-------------------+↓                     ↓
+----------------+     +----------------+
|  数据同步工具   |     |  Elasticsearch  |
|  (Logstash/Canal)| → |  Cluster       |
+----------------+     +----------------+

此架构图可用于面试中解释 ES 的核心设计理念，或在实际项目中指导集群规划和性能优化。