Tìm hiểu Elastic Search

Elastic search là gì?

Elasticsearch là một hệ thống tìm kiếm và phân tích dữ liệu phân tán, xây dựng trên thư viện Lucene. Nó hoạt động theo mô hình cluster gồm nhiều node, lưu trữ dữ liệu dưới dạng document (tài liệu JSON) trong các index. Mỗi index được chia thành các shard (phân đoạn) để phân phối dữ liệu trên các nút. Mỗi shard chính (primary shard) có thể có một hoặc nhiều bản sao (replica) để dự phòng và tăng khả năng đọc/phục vụ truy vấn.

• Cụm (Cluster): Là tập hợp các nút Elasticsearch hoạt động chung. Ta có thể thêm hoặc bớt nút (servers) vào cụm để mở rộng quy mô, và Elasticsearch sẽ tự động cân bằng dữ liệu và tải truy vấn giữa các nút.
• Nút (Node): Là một tiến trình Elasticsearch chạy trên máy chủ. Mỗi node có thể đảm nhiệm các vai trò khác nhau (như master, data, ingest, v.v.), nhưng chúng cùng tham gia lưu trữ và xử lý dữ liệu của cụm.
• Chỉ mục (Index): Một namespace logic chứa tập hợp các tài liệu có cấu trúc JSON. Mỗi index được chia thành một hoặc nhiều shard vật lý. Ví dụ, index products có thể chia thành 5 primary shard, mỗi shard lưu một phần bộ sưu tập sản phẩm.
• Shard: Mỗi shard là một bản Lucene index độc lập chứa một phần dữ liệu của index. Vì vậy, một index lớn có thể được phân tán trên nhiều node (mỗi node có thể chứa một số shard). Nhờ vậy, Elasticsearch tăng khả năng song song cho cả việc đánh chỉ mục và truy vấn.
• Replica (Bản sao): Là bản sao của primary shard. Các replica cho phép phục hồi khi một shard chính gặp lỗi và tăng khả năng xử lý truy vấn (đọc) bởi vì có nhiều bản dữ liệu giống nhau trên các node khác nhau. Số replica có thể thay đổi sau khi tạo index mà không gián đoạn hoạt động.

Cơ chế đánh chỉ mục và tìm kiếm

Khi một tài liệu JSON được đưa vào Elasticsearch (đánh chỉ mục), nó sẽ được phân tích (analysis) trước khi lưu. Quá trình phân tích văn bản dùng một analyzer – một gói gồm bộ lọc ký tự, bộ tách từ và các bộ lọc token. Cụ thể:

• Trước hết, bộ tách từ (tokenizer) sẽ nhận luồng ký tự đầu vào và tách thành các token (thường là các từ). Ví dụ, bộ tách theo khoảng trắng (whitespace tokenizer) sẽ chia câu "Quick brown fox!" thành các token ["Quick","brown","fox!"]. Bộ tách cũng ghi nhận vị trí và độ dài của token để hỗ trợ truy vấn phân cụm (phrase queries) sau này.
• Sau khi tách từ, bộ lọc token sẽ xử lý các token vừa tạo ra: ví dụ chuyển thành chữ thường, loại bỏ các từ dừng (stop words), áp dụng stemming hoặc thêm từ đồng nghĩa. Ví dụ, bộ lọc lowercase sẽ chuyển tất cả token sang chữ thường, bộ lọc stop sẽ loại bỏ từ “và”, “the”, v.v. Kết quả là một luồng token cuối cùng đã được chuẩn hóa.

Sau khi phân tích xong, mỗi token sẽ được thêm vào chỉ mục đảo ngược (inverted index). Chỉ mục đảo ngược là cấu trúc dữ liệu cốt lõi cho tìm kiếm toàn văn: nó duy trì danh sách tất cả các từ (token) duy nhất xuất hiện trong các tài liệu, và với mỗi từ lưu danh sách các tài liệu chứa từ đó. Nhờ vậy, khi truy vấn một từ, Elasticsearch chỉ cần tra cứu trực tiếp vào inverted index, thay vì quét từng tài liệu một. Ví dụ, hai câu “the quick fox” và “quick dog fox” sau khi phân tích (loại bỏ stop-word “the”) sẽ lưu inverted index như:

Term Doc1 Doc2
quick X    X
fox   X    X
dog        X

Các tính năng chính

• Full-text search (Tìm kiếm toàn văn): Elasticsearch nổi tiếng với khả năng tìm kiếm văn bản mạnh mẽ. Tốc độ truy vấn cao đến từ inverted index, còn tính linh hoạt và độ chính xác đến từ bộ dò (scoring), các truy vấn phong phú (Query DSL) và khả năng tinh chỉnh phân tích ngôn ngữ. Người dùng có thể sử dụng cú pháp truy vấn JSON cho phép tìm kiếm cụm từ (phrase), boolean, fuzziness, proximity, v.v. Ví dụ, truy vấn tiếng Việt có thể dùng bộ phân tích tiếng Việt (analysis) để tách từ và so khớp chính xác theo ngữ cảnh.
• Distributed Search (Tìm kiếm phân tán): Elasticsearch tự động phân phối dữ liệu và tải truy vấn trên các node trong cụm. Khi một truy vấn được gửi đến cụm, nó sẽ được lan truyền đến các shard tương ứng trên từng node (giai đoạn query), sau đó thu thập và sắp xếp kết quả từ các shard (giai đoạn fetch). Cơ chế này cho phép mở rộng quy mô ngang: thêm node mới sẽ tăng khả năng xử lý truy vấn. Các bản sao (replica) cũng tham gia xử lý truy vấn đọc, giúp cân bằng tải.
• Aggregation (Tập hợp và phân tích số liệu): Elasticsearch hỗ trợ mạnh mẽ các phép tổng hợp (aggregation) để tính toán và nhóm dữ liệu. Thay vì chỉ trả về các tài liệu đơn lẻ, ta có thể yêu cầu Elasticsearch trả về các thông tin phân tích như tổng, trung bình, đếm, biểu đồ tần suất (histogram), phân nhóm (terms bucket), chuỗi (pipeline) trên tập kết quả tìm kiếm. Ví dụ, đếm số sản phẩm theo loại, hoặc tính giá trị trung bình của trường “giá” cho từng danh mục. Việc này rất hữu ích cho báo cáo và trực quan hóa dữ liệu (ví dụ Kibana sử dụng aggregation để vẽ biểu đồ từ dữ liệu Elasticsearch).
• RESTful API: Tất cả các chức năng của Elasticsearch đều được cung cấp qua giao diện RESTful API sử dụng JSON qua HTTP (mặc định cổng 9200). Người dùng và ứng dụng có thể tạo index, thêm sửa xóa tài liệu, tìm kiếm, và quản lý cluster bằng cách gọi các endpoint như PUT /index hay GET /index/_search với yêu cầu JSON.  API này giúp tích hợp dễ dàng với nhiều ngôn ngữ lập trình và công cụ qua các thư viện chính thức hoặc chỉ dùng curl.

So sánh Elastic Search, MySQL/PostgreSQL và MongoDB

Bài viết khác

Sử dụng Request/Response trong ứng dụng RESTful mô hình MVC

DTO là gì? DTO (Data Transfer Object) là một object trung gian dùng để truyền dữ liệu giữa client – server hoặc giữa các service trong ứng dụng web/API theo kiến trúc RESTful API. DTO chỉ chứa các thông tin cần thiết mà client hoặc service khác cần (ví dụ: Login Form chỉ cần thông […]

Đọc thêm

Docker

Docker là gì? Docker là một nền tảng mã nguồn mở cho phép bạn đóng gói, phân phối và chạy ứng dụng bên trong các “container” – những môi trường ảo nhẹ, cô lập nhưng vẫn chia sẻ nhân hệ điều hành của máy chủ. Khái niệm then chốt ở đây là “containerization”: thay vì […]

Đọc thêm

Kiểm thử phần mềm

Testing là gì? Quá trình kiểm thử phần mềm (software testing) là một chuỗi hoạt động có hệ thống nhằm đánh giá chất lượng, độ ổn định và tính đúng đắn của một ứng dụng so với yêu cầu ban đầu. Không đơn thuần chỉ là tìm ra lỗi, testing còn giúp đảm bảo rằng […]

Đọc thêm

Cache

Cache là gì? Cache là một bộ nhớ tạm (nhanh) được sử dụng để lưu trữ tạm thời dữ liệu thường xuyên được truy cập, nhằm giảm độ trễ và tăng hiệu suất của hệ thống. Cache thường được sử dụng ở Client, như CPU, applications, web browsers hoặc operating systems (OSes). Một số Cache phổ […]

Đọc thêm

Tìm hiểu Kafka

Kafka là gì? Apache Kafka là một nền tảng phân phối sự kiện phân tán mã nguồn mở được phát triển bởi Apache Software Foundation và được viết bằng Java và Scala. Kafka ban đầu được phát triển bởi LinkedIn và sau đó được mở nguồn cho Quỹ phần mềm Apache (Apache Software Foundation) vào đầu năm 2011. (đồng sáng lập […]

Đọc thêm

Tìm hiểu RabbitMQ

RabbitMQ là gì? RabbitMQ là một phần mềm trung gian giúp các hệ thống, server, ứng dụng có thể giao tiếp, trao đổi dữ liệu với nhau. Nhiệm vụ của RabbitMQ được hiểu đơn giản là: nhận message từ nhiều nguồn => lưu trữ, sắp xếp sao cho hợp lý => đẩy tới đích đến. Là […]

Đọc thêm