ES

业务数据通常存储在支持事务的关系型数据库中，当在面对复杂查询场景时捉襟见肘，可将数据通过binlog异构到ES中，ES支持复杂场景的查询并且有较高的性能，轻松突破数据库单表数据量大及多表关联查询瓶颈。

文件源指的是数据源来源于文本文件，适合中等数据的同步。ECP和对象存储进行了对接，用户可以上传文件至对象存储，在任务执行时，ECP会读取对象存储中的文本数据。

在倒排索引构建过程中，首先是将文档原始内容分割为词项（Term）。Elasticsearch 默认采用标准分析器（Standard Analyzer）进行分词处理。

ES Modules 在文件顶层可以使用 Top-Level Await，该方法看之前的介绍，是在使用 esm 加载器加载的 .mjs 文件上使用 require 的功能时，使用了与 esm Top-Level Await 相同的权衡。

Kafka 是一个分布式流处理平台，由 LinkedIn 公司开发和维护，之后成为 Apache 软件基金会的一部分。它主要是为处理实时数据而设计的，是一个高吞吐量的分布式发布订阅消息系统。

ES 一旦创建好索引后，就无法调整分片的设置，而在 ES 中，一个分片实际上对应一个 lucene 索引，而 lucene 索引的读写会占用很多的系统资源，因此，分片数不能设置过大；

各位大佬，同版本的es集群间数据迁移，假设两个集群节点数相同，是不是可以通过直接拷贝数据文件来进行啊？

随着数据量的不断增加，Mysql在处理模糊搜索时可能面临性能瓶颈。因此，引入Elasticsearch（ES）作为搜索引擎，以提高搜索性能和用户体验成为一种合理的选择。

ES 是一款高性能的分布式搜索引擎，当然里面出现的高性能、分布式已经是见怪不怪了，因此我们的重点是在搜索引擎上面。提到搜索引擎肯定不陌生，像百度、谷歌，它们都提供了自己的搜索引擎，我们每天都会在上面查找各种各样的信息。

虽然版本发布，有严谨的执行步骤，依然避不开个别老六灵光乍现的骚操作；结果就是，和手搓的BUG正面对线。

相比 ES 在精确查询场景优秀的性能表现（即 term keyword 的高效，平稳在毫秒级的返回），wildcard 字段在模糊查询场景下的使用还是需要研发人员根据实际场景测试选择。

ElasticSearch集群由于业务压力过大，有时会OOM，导致集群节点crash掉，在无主机资源增加时，该脚本解决了在收到告警而手工拉起ES节点的困惑，对业务用户来说也相对透明，通过该脚本受到一定的启发，在对于现网环境，可以不断的对特殊场景进行自愈，以保障运维的稳定性。

QS版CPU与在ES类似，但各方面都更接近正式版，甚至有些高级的QS版在稳定性上超过正式版。然而，QS版的价格与散片相近，比ES要贵，不会更便宜。在我看来，QS版可被视为“稳定性稍逊，价格稍优”的散片，也具有一定的购买价值。

Elaticsearch，简称为ES， ES是一个开源的高扩展的分布式全文搜索引擎，是整个Elastic Stack技术栈的核心。它可以近乎实时的存储、检索数据；本身扩展性很好，可以扩展到上百台服务器，处理PB级别的数据。

基本是手把手教你如何将 MySQL 同步到 ES，不仅是增量同步，还包括全量同步，如果你的项目也需要用到该场景，基本可以直接照搬。