索引设计是查询性能的基础，需结合业务场景精准配置Mapping和Settings：
category、price、user_id）务必映射为keyword类型；仅用于全文搜索的字段（如product_name、description）使用text类型，并通过fields子句添加.keyword子字段（如"product_name": {"type": "text", "fields": {"keyword": {"type": "keyword"}}}），兼顾全文检索与精确查询需求。_all字段（旧版ES默认开启，会消耗额外存储和计算资源），仅索引需要检索的字段（通过"index": false禁用无关字段）。查询语句的写法直接影响资源消耗，需遵循以下原则：
filter子句不计算_score（相关性评分），结果可被bitset缓存（重复查询直接读取缓存，性能提升数倍）；而must子句需要计算评分，适合需要相关性排序的场景。例如，过滤status=published且price>=100的文档时，应使用bool+filter组合：{
"query": {
"bool": {
"filter": [
{"term": {"status": "published"}},
{"range": {"price": {"gte": 100}}}
]
}
}
}
text类型字段需用match查询（触发分词和倒排索引）；keyword/number/boolean类型字段用term查询（精确匹配，避免分词开销）。例如，查询category="electronics"应使用term而非match。wildcard（通配符，如*phone）、regexp（正则表达式）查询（无法利用倒排索引，全扫描导致性能极差）；限制fuzzy（模糊搜索）的fuzziness参数（建议设为1，避免AUTO导致的过高编辑距离计算）；对自动补全需求，使用completion suggester（专门优化前缀搜索，性能远高于wildcard）。分页和聚合是查询性能的“重灾区”，需针对性解决：
from+size深分页（如from=10000&size=20），此时ES需要收集所有前10000条结果再截取，消耗大量内存和CPU。替代方案：
_sort值获取下一页（适合深度分页，无性能瓶颈）；keyword类型（text类型需开启fielddata，消耗大量堆内存，易导致OOM）；size参数控制聚合桶的数量（如terms聚合的size: 10，避免size: 10000导致内存溢出）；composite聚合（支持after参数，分批拉取结果，避免一次性加载所有桶）：{
"aggs": {
"my_buckets": {
"composite": {
"sources": [
{"brand": {"terms": {"field": "brand.keyword"}}},
{"category": {"terms": {"field": "category.keyword"}}}
],
"size": 10
}
}
}
}
合理利用缓存可显著提升查询性能：
filter子句的结果会被自动缓存（bitset格式），高频查询尽量使用filter（如status=published、create_time>2023-01-01等确定性条件），避免在filter中使用脚本或动态值（如range: {"timestamp": {"gte": "now-1h"}}，动态值无法缓存）。request_cache（默认关闭），适合聚合类查询（如terms、avg），相同的查询可直接读取缓存（需设置"size": 0，避免返回大量数据）。search_thread_pool.size，适应高并发查询）。持续监控是优化的前提，需建立常态化机制：
index.search.slowlog.threshold.query.warn: 5s、index.search.slowlog.threshold.fetch.warn: 1s），记录超过阈值的查询（日志示例：[WARN ][index.search.slowlog.query] took[8.2s] reason[...]]），定位慢查询原因（如全表扫描、复杂脚本）。profile参数分析查询性能（GET /_search {"profile": true, "query": {...}}），查看每个查询子句的执行时间（如term、range、aggs），精准定位瓶颈（如某wildcard查询消耗了80%的时间）。bool+filter组合过滤（status=published、price>=100），使用term查询精确匹配category，开启request_cache提升聚合性能（如销量统计），将95分位延迟从2.3s降至450ms。completion suggester实现实时搜索建议（如输入“ip”返回“iPhone 15 Pro Max”），通过IK分词器（ik_smart/ik_max_word）优化中文分词（召回率提升15%），调整refresh_interval为30s（减少索引刷新次数，提升写入性能）。免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
