反范式与权衡 #

在关系型数据库中，规范化（范式）是黄金法则。但在 Easysearch 这样的搜索系统中，反范式（denormalization）往往是更好的选择。本页解释为什么，以及如何在一致性和性能之间做权衡。

搜索系统中的规范化与冗余 #

与传统数据库"强规范化"不同，面向搜索的文档往往会有适度冗余：

• 预先把常用的派生信息存进文档（如标准化后的地区名、拼音、缩写）
• 把查询高频的外键信息"带过来"，减少查询时的 join 需求

但冗余也要有边界：

• 冗余会放大存储与更新成本
• 冗余字段过多，会让 mapping 变得臃肿、难以维护

经验做法：

• 只冗余"确实会被高频查询/排序/聚合"的字段
• 对变动频率极高的冗余信息，要慎重评估更新成本

为什么需要反范式？ #

使用 Easysearch 得到最好搜索性能的方法是有目的地在索引时进行反范式。对每个文档保持一定数量的冗余副本可以在需要访问时避免进行关联操作。

示例：博客文章与用户 #

如果我们希望通过用户姓名找到他写的博客文章，可以在博客文档中包含这个用户的姓名：

PUT /my_index/_doc/1
{
  "name":     "John Smith",
  "email":    "john@smith.com",
  "dob":      "1970/10/24"
}

PUT /my_index/_doc/2
{
  "title":    "Relationships",
  "body":     "It's complicated...",
  "user":     {
    "id":       1,
    "name":     "John Smith"
  }
}

通过单次查询就能找到用户 John 的博客文章：

GET /my_index/_search
{
  "query": {
    "bool": {
      "must": [
        { "match": { "title":     "relationships" }},
        { "match": { "user.name": "John"          }}
      ]
    }
  }
}

数据反范式的优点是速度快——每个文档都包含了所需的所有信息，查询匹配时不需要进行昂贵的联接操作。

反范式的代价 #

1. 数据冗余 #

• 用户信息被复制到每篇博客文章中
• 如果用户信息更新，需要更新所有相关的博客文章
• 存储空间会增加

2. 更新成本 #

• 更新用户信息时，需要重新索引所有相关的博客文章
• 如果用户信息变化频繁，更新成本会很高

3. 一致性风险 #

• 如果更新失败或部分失败，可能导致数据不一致
• 需要设计好更新策略和错误处理机制

何时使用反范式？ #

反范式适合以下场景：

• 读多写少：文档被频繁查询，但很少更新
• 关联数据变化不频繁：例如用户姓名、产品类别等相对稳定的信息
• 查询性能优先：需要快速响应，不能接受 JOIN 操作的开销

不适合反范式的场景：

• 关联数据变化频繁：例如库存数量、价格等经常变化的数据
• 一致性要求极高：不能容忍任何数据不一致的情况
• 存储成本敏感：数据量巨大，冗余成本过高

实践建议 #

1. 识别稳定的关联数据：用户姓名、产品类别、地区信息等相对稳定的数据适合反范式
2. 识别变化频繁的数据：库存、价格、评分等变化频繁的数据不适合反范式
3. 设计更新策略：
   • 对于变化不频繁的数据，可以接受批量更新
   • 对于变化频繁的数据，考虑使用 Nested 或 Parent-Child 关系
4. 权衡存储和性能：在存储成本和查询性能之间找到平衡点

与 Nested 和 Parent-Child 的对比 #

选择依据：

• 如果关联数据很少变 → 反范式
• 如果需要精确匹配数组内的对象组合 → Nested
• 如果子元素很多、独立更新频繁 → Parent-Child

小结 #

• 反范式是搜索系统中常用的优化手段，可以显著提升查询性能
• 需要在一致性、更新成本和查询性能之间做权衡
• 适合读多写少、关联数据变化不频繁的场景
• 不适合变化频繁、一致性要求极高的场景

下一步可以继续阅读：

• Nested 建模
• Parent-Child 建模
• 时间序列建模