Seite 10 - Elasticsearch

Elasticsearch-Mappings lassen sich nach dem Anlegen eines Index nicht mehr grundlegend aendern, ein neuer Datentyp oder ein anderes Analyzer-Setup erfordert immer einen komplett neuen Index. Reindexing ohne Downtime kombiniert die _reindex API mit einem Write-Alias und einem Read-Alias, sodass Clients dauerhaft denselben Namen ansprechen, waehrend im Hintergrund Daten kopiert und am Ende atomar auf den neuen Index umgeschaltet wird.

Für ein einfaches Autocomplete auf Marken- oder Kategorienamen ist ein vollwertiger Completion-Suggester mit eigenem Suggest-Index und dediziertem Mapping häufig überdimensioniert. Die Terms-Enum-API bietet dafür eine deutlich leichtgewichtigere Alternative: Sie liest die im Termindex eines Feldes bereits vorhandenen, eindeutigen Werte direkt aus und liefert Präfix-Treffer, ohne eine vollständige Suchanfrage mit Scoring, Relevanzberechnung oder Dokumentabruf auszuführen. Damit eignet sie sich hervorragend für schnelle Vorschlagslisten auf niedrig-kardinalen keyword-Feldern wie Marken- oder Kategorienamen. Wie die Terms-Enum-API technisch funktioniert, worin sie sich vom Completion-Suggester unterscheidet und wie sich ein praktisches Marken-Autocomplete damit umsetzen lässt, zeigt dieser Artikel.

Wenn ein Elasticsearch- oder OpenSearch-Cluster ploetzlich langsam wird, hilft planloses Ausprobieren selten weiter. Diese Checkliste kombiniert Slow Log, Hot Threads API, Pending Tasks und Queue Rejections zu einem systematischen Diagnoseweg, der die tatsaechliche Ursache eines Performance-Problems findet, statt nur an Symptomen zu kurieren.

Ein Elasticsearch-Cluster besteht in den meisten Einführungen nur aus zwei Rollen: Master-Nodes, die den Cluster-Zustand verwalten, und Data-Nodes, die Shards speichern und Anfragen beantworten. Sobald ein Cluster wächst oder zusätzliche Arbeitslasten wie Ingest-Pipelines, Machine-Learning-Jobs oder kontinuierliche Transforms hinzukommen, reicht diese einfache Aufteilung nicht mehr aus. Elasticsearch kennt eine ganze Reihe weiterer, spezialisierter Node-Rollen, die jeweils eine bestimmte Aufgabe übernehmen und sich gezielt von der restlichen Cluster-Last isolieren lassen. Wer versteht, was Ingest-, Coordinating-Only-, Machine-Learning- und Transform-Nodes tatsächlich leisten und ab welcher Cluster-Größe eine dedizierte Trennung sinnvoll wird, kann Ressourcen gezielter zuweisen, Ausfälle besser eingrenzen und die Suchperformance eines Magento-Shops auch bei wachsendem Traffic stabil halten.