快速检索与存储系统——Elasticsearch

亦凉 2023-02-28 11:22 104阅读 0赞

## 一、什么是Elasticsearch？ ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center]

ELASTICSEARCH（弹性搜索）：是一款开源的分布式、RESTful风格的搜索和数据分析引擎，它底层基于[Apache Lucene][]开源库进行封装，其不仅仅提供分布式多用户能力的全文搜索引擎，还可以被准确形容为：

1、一个分布式的实时文档存储，每个字段可以被索引与搜索；

2、一个分布式实时分析搜索引擎；

3、能胜任上百个节点的扩展，并支持PB级别额结构化和非结构化数据。

## 二、Elasticsearch基本概念 ##

## 全文搜索(Full-text Search) ##

全文检索是指计算机索引程序通过扫描文档中的每一个词，并对每一个词建立一个索引，指明该词在文档中出现的次数和相对位置，当用户查询时，检索程序就根据事先建立的索引进行查找，并将查找的结果反馈给用户的检索方式。

在全文搜索的世界中，目前主流的工具包括：

Apache Lucene

Elasticsearch

[Solr][]

[Ferret][]

## 节点&集群 ##

Elasticsearch 本质上是一个分布式数据库，允许多台服务器协同工作，每台服务器可以运行多个Elasticsearch实例。单个Elasticsearch实例称为一个节点（Node），一组节点构成一个集群（Cluster）。

## 索引&文档&类型&字段 ##

**什么是index**

（1）存储在一系列分片中，底层即Lucene index。所以使用新索引应该注意：Lucene索引在**磁盘空间**，**内存使用**和使用的**文件描述符**方面有一个小而固定的开销。因此，**单个大index效率高于多个小的index**，使Lucene index的固定开销均摊在多个文档中。

（2）其次，数据搜索在每个分片都是独立的，但ES最终需要合并所有搜索分片的结果。例如，搜索10个index，每个index有5个分片，则协调搜索请求执行的节点将需要合并5x10 = 50个分片结果。如果有太多的分片结果要合并，或者运行了一个产生大量分片响应的大量请求，合并这些分片结果的任务会非常消耗CPU和内存资源。因此，尽量**复用已有index**。  
**什么是type**

在一个index里允许使用type存储多种类型的数据，以此减少index的数量了。在使用时，向每个文档加入\_type 字段，在指定type搜索时就会被用于过滤。type的一个好处是：**搜索一个index下的多个type，和只搜索一个type相比没有额外的开销** —— 需要合并结果的分片数量是一样的。但是type使用需要注意：

（1）不同type里的相同字段的类型和配置必须一致；

（2）只在某个type里存在的字段，其它没有该字段的 type 也会消耗资源；

（3）得分是由index内的统计数据来决定的，一个 type 中的文档会影响另一个 type 中的文档的得分。

类比于MySQL如表所示：

<table> 
 <thead> 
  <tr> 
   <th>Elasticsearch(ES)</th> 
   <th>Index</th> 
   <th>Document</th> 
   <th>Type</th> 
   <th>Field</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>MySQL</td> 
   <td>Database</td> 
   <td>Row</td> 
   <td>Table</td> 
   <td>Column</td> 
  </tr> 
 </tbody> 
</table>

## 分片 ##

ES是面向文档的，意味着它存储整个对象或文档，同时索引每个文档内容，使之可以被检索。索引实际上是指向一个或多个物理分片的逻辑命名空间，分片是一个底层的工作单元，他保存了全部数据中的一部分，一个分片是一个Lucene的实例，本身就是一个完整的搜索引擎。ES利用分片来实现分布式。分片是数据的容器，文档保存在分片内，分片又被分配到集群内的各个节点里。 当集群规模扩大或者缩小时， ES会自动在各节点中迁移分片，使得数据仍然均匀分布在集群里。一个分片可以是主分片或者副本分片。 索引内任意一个文档都归属于一个主分片，所以主分片的数目决定着索引能够保存的最大数据量。一个副本分片只是一个主分片的拷贝。 副本分片为保护数据不丢失的冗余备份，并为搜索和返回文档等读操作提供服务。我们如何得知一个文档应该被分片到什么位置呢？则利用如下公式：

***shard = hash (routing) % number\_of\_primary\_shards***

**routing**是一个可变值，默认为文档的\_id，也可以自定义值。routing通过hash函数生成一个数字，然后这个数字在除以**number\_of\_primary\_shards**（主分片的数量）得到的余数，这个分布到0到**number\_of\_primary\_shards**\-1之间的余数，就是所求文档的分片位置。

## 三、倒排索引 ##

Elasticsearch索引表中每一项包含一个属性值和该属性值的各记录地址（非记录确定属性值），即倒排索引原理。1）用户将数据提交到Elasticsearch数据库中，通过分词控制器将对应的语句分词，将权重和分词结果一并存入数据库；2）搜索时，根据权重将结果排名，打分，再将返回结果呈现给用户。索引建立过程需要向主节点发出建立请求，主节点根据负载情况以及分片规则将请求分发给对应主slave，主slave执行完成后，信息同步至所有备份slave。数据写入根据Routing规则可以在任意slave执行。

建立索引（请求）——>master——>主slave（信息同步）——>备份slave

数据写入（Routing规则）——>任意slave

## ES快速索引策略 ##

如需要存储如下几条数据：

<table> 
 <thead> 
  <tr> 
   <th>ID</th> 
   <th>Name</th> 
   <th>Age</th> 
   <th>Sex</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>1</td> 
   <td>Kate</td> 
   <td>24</td> 
   <td>Female</td> 
  </tr> 
  <tr> 
   <td>2</td> 
   <td>John</td> 
   <td>24</td> 
   <td>Male</td> 
  </tr> 
  <tr> 
   <td>3</td> 
   <td>Bill</td> 
   <td>25</td> 
   <td>Male</td> 
  </tr> 
 </tbody> 
</table>

则ES根据倒排索引原理为Name，Sex两个Field建立如下索引：

<table> 
 <thead> 
  <tr> 
   <th>1</th> 
   <th>Term</th> 
   <th>Posting List</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>2</td> 
   <td>Kate</td> 
   <td>1</td> 
  </tr> 
  <tr> 
   <td>3</td> 
   <td>John</td> 
   <td>2</td> 
  </tr> 
  <tr> 
   <td>4</td> 
   <td>Bill</td> 
   <td>3</td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <thead> 
  <tr> 
   <th>1</th> 
   <th>Term</th> 
   <th>Posting List</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>2</td> 
   <td>Female</td> 
   <td>1</td> 
  </tr> 
  <tr> 
   <td>3</td> 
   <td>Male</td> 
   <td>2,3</td> 
  </tr> 
 </tbody> 
</table>

其中，Kate，John，Female，Male叫Term，\[1，2，3\]为Posting List，存储符合某个Term的文档Id，通过Posting List很快定位到查询文档。（1）但当数据量很大时，为快速找到某个Term，将所有的Term排序，利用二分查找，即通过字典查找，生成**Term Dictionary**。（2）为进一步加快查找速度，通过内存查找，不读磁盘，减少磁盘寻道次数。但Term太多，无法全部读入内存，建立如字典的索引页，如A开头有哪些Term，通过**Term Index**快速定位**Term Dictionary**的位置。（3）最后利用**FST**，利用字节的方式存储所有的Term Index。

同样对Posting List也运用相关压缩技术，例如（1）**增量编码压缩技术**，如：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center 1]

（2）**位图压缩（Roaring bitmap）**，其中**bitmap**是一种数据结构，例如Posting List为\[1,3,4,7,10\]，则利用**Roaring bitmap**技术压缩后为\[1,0,1,1,0,0,1,0,0,1\]，对应位置0/1表示某值是否存在，压缩前20字节，压缩后10位，2字节。

## 四、读写原理 ##

## 写操作（Write）：针对文档的CRUD操作 ##

**索引新文档（Create）**  
  当用户向一个节点提交了一个索引新文档的请求，节点会计算新文档应该加入到哪个分片（shard）中。每个节点都存储有每个分片存储在哪个节点的信息，因此协调节点会将请求发送给对应的节点。注意这个请求会发送给主分片，等主分片完成索引，会并行将请求发送到其所有副本分片，保证每个分片都持有最新数据。

每次写入新文档时，都会先写入内存中，并将这一操作写入一个translog文件（transaction log）中，此时如果执行搜索操作，这个新文档还不能被索引到。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center 2]

图1、新文档被写入内存，操作被写入translog

ES会每隔1秒时间（这个时间可以修改）进行一次刷新操作（refresh），此时在这1秒时间内写入内存的新文档都会被写入一个文件系统缓存（filesystem cache）中，并构成一个分段（segment）。此时这个segment里的文档可以被搜索到，但是尚未写入硬盘，即如果此时发生断电，则这些文档可能会丢失。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center 3]

图2、在执行刷新后清空内存，新文档写入文件系统缓存

不断有新的文档写入，则这一过程将不断重复执行。每隔一秒将生成一个新的segment，而translog文件将越来越大。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center 4]

图3、translog不断加入新文档记录

每隔30分钟或者translog文件变得很大，则执行一次fsync操作。此时所有在文件系统缓存中的segment将被写入磁盘，而translog将被删除（此后会生成新的translog）。  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center 5][]

图4、执行fsync后segment写入磁盘，清空内存和translog

由上面的流程可以看出，在两次fsync操作之间，存储在内存和文件系统缓存中的文档是不安全的，一旦出现断电这些文档就会丢失。所以ES引入了translog来记录两次fsync之间所有的操作，这样机器从故障中恢复或者重新启动，ES便可以根据translog进行还原。

当然，translog本身也是文件，存在于内存当中，如果发生断电一样会丢失。因此，ES会在每隔5秒时间或是一次写入请求完成后将translog写入磁盘。可以认为一个对文档的操作一旦写入磁盘便是安全的可以复原的，因此只有在当前操作记录被写入磁盘，ES才会将操作成功的结果返回发送此操作请求的客户端。

此外，由于每一秒就会生成一个新的segment，很快将会有大量的segment。对于一个分片进行查询请求，将会轮流查询分片中的所有segment，这将降低搜索效率。因此ES会自动启动合并segment的工作，将一部分相似大小的segment合并成一个新的大segment。合并的过程实际上是创建了一个新的segment，当新segment被写入磁盘，所有被合并的旧segment被清除。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center 6]

图5、合并segment

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center 7]

图6、合并完成后删除旧segment，新segment可供搜索

## 更新（Update）和删除（Delete）文档 ##

ES的索引是不能修改的，因此更新和删除操作并不是直接在原索引上直接执行。

每一个磁盘上的segment都会维护一个del文件，用来记录被删除的文件。每当用户提出一个删除请求，文档并没有被真正删除，索引也没有发生改变，而是在del文件中标记该文档已被删除。因此被删除的文档依然可以被检索到，只是在返回检索结果时被过滤掉了。每次在启动segment合并工作时，那些被标记为删除的文档才会被真正删除。

更新文档会首先查找原文档，得到该文档的版本号。然后将修改后的文档写入内存，此过程与写入一个新文档相同。同时，旧版本文档被标记为删除，同理，该文档可以被搜索到，只是最终被过滤掉。

**读操作（Read）：查询过程**  
  查询的过程大体上分为查询（query）和取回（fetch）两个阶段。这个节点的任务是广播查询请求到所有相关分片，并将它们的响应整合成全局排序后的结果集合，这个结果集合会返回给客户端。

**查询阶段**

当一个节点接收到一个搜索请求，则这个节点就变成了协调节点。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center 8]

图7、查询过程分布式搜索

第一步是广播请求到索引中每一个节点的分片拷贝。 查询请求可以被某个主分片或某个副本分片处理，协调节点将在之后的请求中轮询所有的分片拷贝来分摊负载。

每个分片将会在本地构建一个优先级队列。如果客户端要求返回结果排序中从第from名开始的数量为size的结果集，则每个节点都需要生成一个from+size大小的结果集，因此优先级队列的大小也是from+size。分片仅会返回一个轻量级的结果给协调节点，包含结果集中的每一个文档的ID和进行排序所需要的信息。

协调节点会将所有分片的结果汇总，并进行全局排序，得到最终的查询排序结果。此时查询阶段结束。

**取回阶段**

查询过程得到的是一个排序结果，标记出哪些文档是符合搜索要求的，此时仍然需要获取这些文档返回客户端。

协调节点会确定实际需要返回的文档，并向含有该文档的分片发送get请求；分片获取文档返回给协调节点；协调节点将结果返回给客户端。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center 9]

图8、分布式搜索的取回阶段

## 四、Elasticsearch API ##

ES的API分为*REST Client API*（Representational state transfer，表述性状态转移，即http请求形式）以及*Java API*（即transportClient）两种。相比*transportClient API*效率更高，通过ES内部的RPC调用形式进行请求，连接可以是一个长连接，相当于是把客户端的请求当成ES 集群的一个节点。ES 7中移除transportClient，主要原因是难以向下兼容，改为*High-Level Rest Client*和*Low-Level Rest* Client。

**REST Client API**命令的格式如下：

curl –X<VERB> ‘<PROTOCOL>://<HOST>:<PORT>/<PATH>?<QUERY_STRING>’ –d  ‘<BODY>’

部件说明：

<table> 
 <thead> 
  <tr> 
   <th>VERB</th> 
   <th>适当的HTTP方法（GET、PUT、POST、DELETE、HEAD</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>PROTOCOL</td> 
   <td>http或https</td> 
  </tr> 
  <tr> 
   <td>HOST</td> 
   <td>ES集群中任意节点的主机名</td> 
  </tr> 
  <tr> 
   <td>PORT</td> 
   <td>运行服务端口，默认9200</td> 
  </tr> 
  <tr> 
   <td>PATH</td> 
   <td>API的终端路径</td> 
  </tr> 
  <tr> 
   <td>QUERY_STRING</td> 
   <td>任意可选的查询字符串参数</td> 
  </tr> 
  <tr> 
   <td>BODY</td> 
   <td>一个JSON格式的请求体</td> 
  </tr> 
 </tbody> 
</table>

对于HTTP方法，具体作用：

<table> 
 <thead> 
  <tr> 
   <th>HTTP方法</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>GET</td> 
   <td>获取请求对象的当前状态</td> 
  </tr> 
  <tr> 
   <td>POST</td> 
   <td>改变对象的当前状态</td> 
  </tr> 
  <tr> 
   <td>PUT</td> 
   <td>创建一个对象</td> 
  </tr> 
  <tr> 
   <td>DELETE</td> 
   <td>销毁对象</td> 
  </tr> 
  <tr> 
   <td>HEAD</td> 
   <td>获取请求对象的当前状态</td> 
  </tr> 
 </tbody> 
</table>

eg：curl –X PUT ‘localhost:9200/weather’ //新建一个名叫weather的Index

**JAVA API**操作：

ES 7.0版本弃用**TransportClient**对Elasticsearch进行操作，并在8.0版本过后彻底删除，在新版本中通过创建**Java Low Level REST Client**和**Java High Level REST Client**，其中High Level基于Low Level进行了更上层的封装，Low Level本身不负责数据的编解码，需用户编解码，而High Level直接调用相应API，两者都基于http协议。

ES常用的API分类如下：

1）文档Document API：提供对文档的增删改查操作；

2）搜索Search API：提供对文档进行某个字段的查询；

3）索引Index API：提供对索引进行操作，查看索引信息等；

4）查看Watcher API：提供更加直观的形式返回数据，适合控制台请求展示；

5）集群Cluster API：对集群进行查看和操作的API。

接下来将对ES 5.x和ES 7.x版本下利用Java API对ES操作讲解：

（1）Client初始化：

ES 5.X：

//on startup
    TransportClient client = new PreBuiltTransportClient(Settings.EMPTY)
            .addTransportAddress(new InetSocketTransportAddress(InetAddress.getByName("host1"), 9300));
    .addTransportAddress(new InetSocketTransportAddress(InetAddress.getByName("host2"), 9300));
    
    //on shutdown
    client.close();

ES 7.X：

//on startup
    RestHighLevelClient client = new RestHighLevelClient(
            RestClient.builder(
                    new HttpHost("host1",9200,"http"),
                    new HttpHost("host2",9200,"https")
            )
    );
    
    //on shutdown
    client.close();

所有操作都提供同步和异步两种操作，同步方法客户端等待结果返回，异步方法后添加Async后缀，该过程客户端直接返回，通过侦听器传递异步结果。其中，侦听器listen：

ActionListener listener = new ActionListener<IndexResponse>() {
        
    
        @Override
        public void onResponse(IndexResponse indexResponse) {
        
            //执行成功
        }
    
        @Override
        public void onFailure(Exception e) {
        
            //执行失败
        }
    };

（2）Index API  
ES 5.X：

IndexResponse response = client.prepareIndex("twitter", "tweet", "1")
            .setSource(builder).get(); // builder可以替换为json
          //.setSource(json,XContentType.JSON).get();      
          //.setSource(jsonMap).get();

ES 7.X：

IndexRequest indexRequest = new IndexRequest().index("posts")
    	.id("1")
    	.source( "user","kimchy",
           	 "postDate",new Date(),
            "message","trying out Elasticsearch");
    //.source(builder)
    //.source(jsonMap)
    
    //异步请求
    IndexResponse indexResponse = client.indexAsync(indexRequest, RequestOptions.DEFAULT,listener);
    
    //同步请求
    IndexResponse indexResponse1 = client.index(indexRequest,RequestOptions.DEFAULT);

## 五、典型应用场景 ##

通常日志由服务器生成，输出到不同的文件中，一般会有系统日志、 应用日志、安全日志。这些日志分散地存储在不同的机器上。在没有日志系统的情况下，若系统发生故障，首先需要定位处理请求的服务器，如果这台服务器部署了多个实例，则需要去每个应用实例的日志目录下查找日志文件。每个应用实例还会设置日志滚动策略（如：每天生成一个文件），还有日志压缩归档策略等。整个流程相对比较繁琐，因此，如果我们能把这些日志集中管理，并提供集中检索功能，不仅可以提高诊断的效率，同时对系统情况有个全面的理解。

针对这些问题，为了提供分布式的实时日志搜集和分析的监控系统，提出**ELK**，实践之后进而优化为**EFK**，即[**ELK**（Elasticsearch+Logstash+Kibana）优化—> **EFK**（Elasticsearch+Beat+Kibana）][ELK_Elasticsearch_Logstash_Kibana_ _EFK_Elasticsearch_Beat_Kibana]

**Elasticsearch**——>存储数据；**Logstash/ Beat**——>数据处理引擎/轻量级数据收集引擎（针对 不同的数据有Filebeat，Packetbeat，Functiongbeat etc）；**Kibana**——>可视化平台。

为解决大并发情况的数据丢失，利用**Redis/Kafka**，其中**Redis**保证高实时性，低可靠性（队列容 量取决于内存）；**Kafka**保证高可靠性，有延迟（队列容量取决于磁盘）。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center]: /images/20230209/5da5e4fb2ca447a68c34b4e466011539.png
[Apache Lucene]: https://baike.baidu.com/item/Lucene/6753302?fr=aladdin
[Solr]: https://baike.baidu.com/item/Solr
[Ferret]: https://baike.baidu.com/item/ferret
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center 1]: https://img-blog.csdnimg.cn/20200722100825503.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center 2]: https://img-blog.csdnimg.cn/2020072213360262.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center 3]: https://img-blog.csdnimg.cn/20200722134015384.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center 4]: https://img-blog.csdnimg.cn/20200722134133545.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center 5]: https://img-blog.csdnimg.cn/20200722134501589.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center 6]: https://img-blog.csdnimg.cn/20200722134533106.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center 7]: https://img-blog.csdnimg.cn/2020072213454179.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center 8]: https://img-blog.csdnimg.cn/20200722134727662.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5_size_16_color_FFFFFF_t_70_pic_center 9]: https://img-blog.csdnimg.cn/20200722134910785.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1MDYyMjk5,size_16,color_FFFFFF,t_70#pic_center
[ELK_Elasticsearch_Logstash_Kibana_ _EFK_Elasticsearch_Beat_Kibana]: https://www.cnblogs.com/panchanggui/p/10697548.html