Elasticsearch中父子文档的关联：利用Join类型赋予文档的层级关系

前言

在Elasticsearch的实际应用中，嵌套文档是一个常见的需求，尤其是当我们需要对对象数组进行独立索引和查询时。在Elasticsearch中，这类嵌套结构被称为父子文档，它们能够“彼此独立地进行查询”。实现这一功能主要有两种方式：

1. 父子关系文档

在Elasticsearch 5.x版本中，这种关系是通过parent-child父子type来实现的，允许一个索引对应多个type。
但从6.x版本开始，由于Elasticsearch不再支持单个索引对应多个type，因此父子索引的实现方式转变为使用Join数据类型。

2. Nested嵌套类型

这是一种更为紧凑和高效的方式来处理嵌套文档，允许在单个文档中直接嵌套其他文档，并保持它们之间的关联性，便于进行复杂的查询操作。

3. Nested类型和父子类型的差异

Nested类型：

数据结构：Nested类型用于索引和查询对象数组，其中每个对象都可以看作是一个独立的文档。这些对象在内部被视为独立的文档，可以独立地进行索引和查询。
查询性能：由于Nested类型的每个嵌套对象都是独立索引的，因此查询性能相对较高。你可以直接针对嵌套对象的特定字段进行查询，而无需扫描整个文档。
使用场景：当你有一个文档，其中包含多个与主文档相关联的子对象时，例如一个订单文档中包含多个商品项，每个商品项都有自己的一组属性，这时使用Nested类型是非常合适的。
更新限制：更新Nested类型中的一个嵌套对象通常需要重新索引整个主文档，这可能会影响性能。

父子类型：

数据结构：父子Join类型允许你将两个独立的文档（父文档和子文档）通过关系字段连接起来。每个文档都是单独存储的，但它们之间通过特定的join字段来建立关联。
查询性能：查询性能可能略低于Nested类型，因为父子文档是分开存储的，查询时可能需要进行额外的连接操作。
使用场景：当你需要处理具有一对多关系的文档时，例如博客文章（父文档）和评论（子文档），或者用户和他们的订单等场景，父子Join类型是一个很好的选择。
更新灵活性：与Nested类型不同，使用父子Join类型时，你可以独立地更新父文档或子文档，而无需重新索引与其相关联的文档。这提供了更大的灵活性，特别是在需要频繁更新或添加新关联数据的情况下。

Nested类型和父子Join类型在处理关联数据时各有优势。Nested类型更适合处理静态的、紧密关联的嵌套数据，而父子Join类型则更适合处理需要动态更新或具有一对多关系的文档。

一、使用对象数组存在的问题

对象数组的默认存储方式：

Elasticsearch内部并不直接支持对象的层次结构，而是将对象层次结构扁平化为一个字段名和字段值的简单列表。这种处理方式可能导致数据关联性的丢失。例如，考虑以下文档：

PUT user/user_info/1
{
  "group": "man",
  "userName": [ 
    {
      "first": "张",
      "last": "三"
    },
    {
      "first": "李",
      "last": "四"
    }
  ]
}

如果我们尝试查询first为“张”且last为“四”的数据，按照常理，这样的数据应该不存在。然而，使用以下查询：

GET /user/user_info/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "userName.first": "张"
          }
        },
        {
          "match": {
            "userName.last": "四"
          }
        }
      ]
    }
  }
}

意外地，我们可能会得到结果。这是因为Lucene（Elasticsearch的底层库）没有内部对象的概念，它将内部对象扁平化处理了。在内部，文档实际上被存储为：

{
  "group": "man",
  "userName.first": ["张", "李"],
  "userName.last": ["三", "四"]
}

可以看到，userName.first和userName.last被扁平化为多值字段，它们之间的关联性已经丢失，因此查询结果可能不符合我们的预期。

二、父子索引类型join的工作原理和作用

在Elasticsearch中，父子索引类型join是通过特殊的字段类型来实现的，该字段类型被称为“join”。这个字段允许我们定义文档之间的父子关系。当我们创建一个包含join字段的索引时，我们需要指定哪些文档类型是父文档，哪些是子文档。

在底层，Elasticsearch使用特殊的路由机制来确保父子文档存储在同一个分片上。这是非常重要的，因为这样可以提高查询性能并确保数据的一致性。当我们索引一个子文档时，需要使用routing参数来指定其父文档的ID，以便Elasticsearch可以将它们路由到相同的分片。

父子join关联解决的问题

数据层级关系的表示：在实际应用中，很多数据天然具有层级或关联关系。例如，一个博客系统可能包含博客文章和对应的评论，其中博客文章是父级数据，而评论是与文章相关联的子级数据。父子索引类型允许在Elasticsearch中明确地表示这种数据之间的层级关系。
关联查询的优化：当数据之间存在关联关系时，我们经常需要进行跨层级的查询。比如，我们可能想要找到所有包含特定评论的博客文章，或者查找某篇博客文章下的所有评论。通过使用父子索引类型，Elasticsearch可以高效地处理这类关联查询，因为它内部优化了父子文档之间的关联访问。
数据聚合和分析：在数据分析场景下，我们可能需要对具有层级关系的数据进行聚合操作。父子索引类型使得这类聚合更加直观和高效。例如，可以很容易地统计每篇博客文章有多少评论，或者分析不同类型的博客文章下评论的分布情况。
文档间的引用完整性：在某些情况下，确保文档间的引用完整性是很重要的。通过使用父子关系，可以更容易地管理和维护这种完整性。例如，当删除一个父文档时，可以方便地找到并处理所有相关的子文档。
简化数据模型：在某些情况下，使用父子关系可以简化数据模型的设计。通过将相关联的数据组织在同一个索引中，并明确它们的层级关系，可以减少数据冗余和提高数据的一致性。

虽然父子索引类型提供了解决上述问题的有效手段，但它也带来了一些额外的复杂性和性能考虑。因此，在使用之前需要仔细评估数据模型和查询需求，以确定是否适合使用父子索引类型。

使用join字段的优势

join字段提供了一种在索引中明确定义父子文档之间关系的方法。使用join字段的优势在于：

独立操作：可以独立地对子文档进行增加、删除和修改操作，而不需要对整个数组进行操作。
性能优化：父子文档位于同一索引，减少了查询时的网络开销，因为不需要跨索引进行搜索。
特殊搜索方式：支持以父搜子、以子搜父等特殊搜索方式，使得查询更加灵活和高效。
聚集操作：join字段还支持children和parent聚集操作，用于对父子文档进行统计分析。

三、父子join关联的使用

3.1 创建带join字段的索引

创建一个新的索引，并定义好父子文档的映射关系。在映射中加入join字段，并设置好父子关系的名称。例如，我们可以定义一个订单索引，其中包含商品子文档。

PUT order-join
{
  "settings": {
    "number_of_shards": 5,
    "number_of_replicas": 1
  },
  "mappings": {
    "properties": {
      "orderid": { "type": "integer" },
      "buyer": { "type": "keyword" },
      "order_time": { "type": "date", "format": "yyyy-MM-dd HH:mm:ss" },
      "goodsid": { "type": "integer" },
      "goods_name": { "type": "keyword" },
      "price": { "type": "double" },
      "produce_time": { "type": "date", "format": "yyyy-MM-dd HH:mm:ss" },
      "my_join_field": {
        "type": "join",
        "relations": {
          "order": "goods"
        }
      }
    }
  }
}

3.2 添加父子文档

在添加文档时，需要明确指定文档的父子关系。父文档只需指定join字段的关系名称，而子文档则需指定父文档的主键和关系名称。

PUT order-join/_doc/1
{
  "orderid": "1",
  "buyer": "tom",
  "order_time": "2020-11-04 00:00:00",
  "my_join_field": {
    "name": "order"
  }
}

PUT order-join/_doc/2?routing=1
{
  "goodsid": "1",
  "goods_name": "milk",
  "price": 5.2,
  "produce_time": "2020-10-04 00:00:00",
  "my_join_field": {
    "name": "goods",
    "parent": "1"
  }
}

3.3 特殊搜索方式

利用join字段，可以实现一些特殊的搜索操作：

以父搜子：通过父文档的属性来查询子文档。例如，我们可以查询所有属于特定买家的商品。

POST order-join/_search
{
  "query": {
    "has_parent": {
      "parent_type": "order",
      "query": {
        "term": {
          "buyer": {
            "value": "tom"
          }
        }
      }
    }
  }
}

以子搜父：通过子文档的属性来查询父文档。例如，我们可以查询所有包含特定商品的订单。

POST order-join/_search
{
  "query": {
    "has_child": {
      "type": "goods",
      "query": {
        "match_all": {}
      }
    }
  }
}

父文档主键搜索：通过父文档的主键值来查询所有关联的子文档。例如，我们可以查询订单号为1的所有商品。

POST order-join/_search
{
  "query": {
    "parent_id": {
      "type": "goods",
      "id": "1"
    }
  }
}

3.4 聚集操作

join字段还支持children和parent聚集操作，用于对父子文档进行统计分析。

children聚集：统计每个父文档的子文档数据。例如，我们可以统计每个买家购买的商品名称和数量。

POST order-join/_search
{
  "query": {
    "match_all": {}
  },
  "aggs": {
    "orders": {
      "terms": {
        "field": "buyer",
        "size": 10
      },
      "aggs": {
        "goods_data": {
          "children": {
            "type": "goods"
          },
          "aggs": {
            "goods_name": {
              "terms": {
                "field": "goods_name",
                "size": 10
              }
            }
          }
        }
      }
    }
  }
}

parent聚集：统计每个子文档的父文档数据。例如，我们可以统计每种商品的购买者信息。

POST order-join/_search
{
  "aggs": {
    "goods": {
      "terms": {
        "field": "goods_name",
        "size": 10
      },
      "aggs": {
        "goods_data": {
          "parent": {
            "type": "goods"
          },
          "aggs": {
            "orders": {
              "terms": {
                "field": "buyer",
                "size": 10
              }
            }
          }
        }
      }
    }
  }
}

四、应用层关联数据

除了使用join字段，还可以在应用层通过外键字段来实现父子关联。这种方法需要为父文档和子文档分别建立索引，并在查询时进行多次请求。虽然这种方法在处理父子关系时可能不如join字段高效，但它提供了更多的灵活性。

五、注意事项和性能考虑

性能影响：由于父子文档必须存储在同一个分片上，这可能会对索引的性能产生影响。当数据量非常大时，单个分片上的文档数量可能会增加，从而影响查询和索引性能。因此，在设计数据模型时需要谨慎考虑父子关系的使用。
数据一致性：当更新或删除父子文档时，需要确保数据的一致性。Elasticsearch不会自动处理父子文档之间的一致性，因此需要应用程序逻辑来确保数据同步。

结语

Elasticsearch中的父子索引类型join是一个强大的工具，它允许我们在同一索引中创建具有层级关系的文档。通过正确使用join字段和相关的查询DSL，我们可以有效地表示和查询具有父子关系的数据模型。然而，在使用时需要注意性能影响和数据一致性等问题，并确保与当前Elasticsearch版本的兼容性。