ES的倒排索引和正排索引的区别及适用场景？为什么倒排索引适合全文搜索？
Elasticsearch 分页查询的 from+size 有什么缺陷？如何优化深度分页？比较scroll API与search_after的差异
如何通过 Spring Data Elasticsearch 实现复杂查询（如多条件聚合）？商品搜索场景下，如何设计索引映射？说明字段类型选择依据（text/keyword/nested等）？
Elasticsearch 写入性能优化有哪些常见手段？
如何保证 Kafka 数据实时同步到 Elasticsearch？
ES分片（Shard）和副本（Replica）的作用？如何合理分配？
ES的Refresh、Flush、Merge操作对性能的影响？
ES如何实现近实时（NRT）搜索？
ES聚合查询的Terms和Cardinality区别？
ES的深分页（Deep Pagination）性能问题如何优化？
如何设计ES的冷热数据分离架构？
Elasticsearch 集群如何实现高可用？如何避免脑裂问题？如果出现脑裂如何恢复？
ES的向量检索（Vector Search）如何实现？
如何通过ES实现SQL风格的查询？
如何设计一个支持千万级数据量的搜索系统（结合 MySQL 和 ES）？ES与关系型数据库（MySQL）数据同步方案？如何保证数据库与Elasticsearch的双写一致性？对比采用事务日志与CDC方案的优劣
Elasticsearch 如何实现跨数据中心的数据同步？
ES 在大查询场景下导致 GC 频繁，如何定位和解决？
慢查询分析，如何通过_profile API分析查询性能瓶颈？解释返回结果中的各阶段耗时含义
集群恢复，当节点离线导致分片状态为UNASSIGNED时，如何进行分片重分配？
当出现Elasticsearch bulk写入性能瓶颈时，可以从哪些方面进行优化
Elasticsearch 架构图
+-------------------------------------------------------------------------------------------+
| Elasticsearch Cluster |
| |
| +----------------+ +----------------+ +----------------+ +----------------+
| | Node 1 | | Node 2 | | Node 3 | | Node N |
| | (Master) | | (Data-Hot) | | (Data-Cold) | | (Coordinator) |
| +----------------+ +----------------+ +----------------+ +----------------+
| | - 主节点 | | - 热数据节点 | | - 冷数据节点 | | - 协调节点 |
| | - 管理集群状态 | | - SSD 存储 | | - HDD 存储 | | - 路由查询请求 |
| +----------------+ +----------------+ +----------------+ +----------------+
| ▲ ▲ ▲ ▲ ▲
| | | | | |
| | 写入/查询请求 | | 数据分片（Shard） | 副本分片（Replica） |
| | | | | |
| +----------------+ | | +----------------+ |
| | Client |-------------+ +-------------| Client |------------------+
| +----------------+ +----------------+
| | 写入数据到协调节点 | 发起查询请求
| | |
| +----------------+ +----------------+
| | 数据源 | | 可视化工具 |
| | (MySQL/Logs) | | (Kibana) |
| +----------------+ +----------------+
| |
+-------------------------------------------------------------------------------------------+
核心组件说明
1. 节点角色
| 节点类型 | 功能描述 |
|---|---|
| 主节点（Master） | 管理集群状态（索引创建/删除、节点加入/退出），不处理数据读写，避免单点故障需配置多个。 |
| 数据节点（Data） | 存储分片数据，分为热节点（SSD，处理实时写入）和冷节点（HDD，存储历史数据）。 |
| 协调节点（Coordinator） | 接收客户端请求，路由到相关分片，聚合结果返回（可独立或由数据节点兼任）。 |
| Ingest 节点 | 预处理数据（如解析日志、富化字段），非必需角色，可由其他节点兼任。 |
2. 分片与副本
| 概念 | 描述 |
|---|---|
| 分片（Shard） | 索引的横向拆分单元（如一个索引拆分为3个主分片），支持分布式存储和并行计算。 |
| 副本（Replica） | 分片的副本，保障高可用（主分片故障时副本提升为主分片）和负载均衡（副本处理读请求）。 |
3. 数据流
- 写入流程
客户端 → 协调节点 → 路由到主分片 → 同步副本分片 → 返回写入成功 - 查询流程
客户端 → 协调节点 → 广播查询到相关分片 → 聚合结果 → 返回最终结果
4. 冷热数据分离架构
- 热节点集群：处理实时写入和频繁查询（如近7天日志），使用高性能硬件（SSD、高CPU）。
- 冷节点集群：存储历史数据（如30天前日志），使用大容量HDD和低功耗硬件。
- ILM（索引生命周期管理）：自动滚动索引（
hot → warm → cold → delete）。
关键特性
- 分布式扩展：通过分片实现水平扩展，支持PB级数据。
- 近实时（NRT）：数据写入后1秒（默认Refresh间隔）可被搜索。
- 高可用：副本分片保障数据冗余，主节点选举避免单点故障。
- 多租户：通过索引和别名机制隔离不同业务数据。
典型集成场景
+----------------+ +----------------+ +-------------------+
| 数据源 | | 消息队列 | | 可视化与分析 |
| (MySQL/日志) | → | (Kafka) | → | (Kibana) |
+----------------+ +----------------+ +-------------------+
↓ ↓
+----------------+ +----------------+
| 数据同步工具 | | Elasticsearch |
| (Logstash/Canal)| → | Cluster |
+----------------+ +----------------+
此架构图可用于面试中解释 ES 的核心设计理念，或在实际项目中指导集群规划和性能优化。