一、为什么需要它们俩配合？
很多开发者都遇到过这样的问题：用PostgreSQL存数据挺方便，但一到全文检索就头疼。比如用户想搜索"高性能数据库"，PostgreSQL虽然能用LIKE或者pg_trgm扩展，但面对百万级数据时就慢得像老牛拉车。这时候Elasticsearch就派上用场了，它专为搜索而生，能毫秒级返回结果。
举个实际例子：一个电商网站，商品信息存在PostgreSQL里，用户想快速找到"男士纯棉T恤"。如果用PostgreSQL的LIKE '%男士%棉%T恤%'，数据库CPU直接飙到100%。而Elasticsearch可以轻松应对这种场景，还能支持同义词、拼音搜索等高级功能。
二、它们各自擅长什么？
PostgreSQL是个全能型选手，事务处理、复杂查询、数据一致性都很强。比如银行转账业务，必须用PostgreSQL保证ACID特性。它还支持JSON、GIS地理信息等高级功能。
Elasticsearch则是搜索专家，底层基于Lucene，特点就是快。它能对文本进行分词、建立倒排索引，还支持：
- 模糊搜索（搜"数据"能匹配到"数据库"）
- 高亮显示（把搜索结果中的关键词标红）
- 聚合统计（同时计算不同品牌商品数量）
但Elasticsearch不适合做事务处理，比如不能用它来记账，因为它的数据写入不是实时强一致的。
三、具体怎么配合使用？
技术栈：PostgreSQL 14 + Elasticsearch 8.x
方案1：定时同步
适合数据变更不频繁的场景，比如新闻网站。
-- PostgreSQL示例：创建新闻表
CREATE TABLE articles (
id SERIAL PRIMARY KEY,
title VARCHAR(200),
content TEXT,
publish_time TIMESTAMP,
-- 其他业务字段...
es_sync_flag BOOLEAN DEFAULT FALSE -- 同步标记位
);
-- 每小时同步一次未同步的数据
INSERT INTO elasticsearch索引
SELECT id, title, content
FROM articles
WHERE es_sync_flag = FALSE;
方案2：实时同步（推荐）
使用PostgreSQL的逻辑解码功能，通过Debezium等工具实时捕获变更。
// Java示例：使用Elasticsearch客户端写入数据
RestHighLevelClient client = new RestHighLevelClient(
RestClient.builder(new HttpHost("localhost", 9200, "http"))
);
IndexRequest request = new IndexRequest("products");
request.id("123"); // 与PostgreSQL的ID保持一致
request.source(
"name", "男士纯棉T恤",
"description", "100%纯棉材质...",
"price", 99.9,
"tags", new String[]{"男装", "上衣"} // 数组类型示例
);
IndexResponse response = client.index(request, RequestOptions.DEFAULT);
方案3：双写模式
在应用层同时写入两个数据库，适合简单场景。
# Python示例：Django中的双写
def save_product(request):
# 写入PostgreSQL
product = Product.objects.create(
name=request.POST['name'],
description=request.POST['desc']
)
# 同时写入Elasticsearch
es.index(
index='products',
id=product.id,
body={
'name': product.name,
'description': product.description
}
)
四、实际案例演示
假设我们开发一个博客平台，技术栈：Spring Boot + PostgreSQL + Elasticsearch
1. 数据库设计
-- PostgreSQL表结构
CREATE TABLE blog_posts (
id BIGSERIAL PRIMARY KEY,
author_id INT NOT NULL,
title VARCHAR(255) NOT NULL,
content TEXT NOT NULL,
tags VARCHAR(100)[],
created_at TIMESTAMP DEFAULT NOW()
);
-- 创建全文检索专用视图（可选）
CREATE VIEW blog_search_view AS
SELECT id, title, content,
to_tsvector('english', title || ' ' || content) AS search_vector
FROM blog_posts;
2. Elasticsearch映射
PUT /blog
{
"mappings": {
"properties": {
"title": { "type": "text", "analyzer": "ik_max_word" },
"content": { "type": "text", "analyzer": "ik_max_word" },
"tags": { "type": "keyword" },
"created_at": { "type": "date" }
}
}
}
3. 搜索接口实现
// Java搜索示例
public List<BlogPost> search(String keyword) {
// 构造ES查询
SearchRequest searchRequest = new SearchRequest("blog");
SearchSourceBuilder sourceBuilder = new SearchSourceBuilder();
// 多字段匹配查询
MultiMatchQueryBuilder query = QueryBuilders.multiMatchQuery(keyword, "title", "content");
sourceBuilder.query(query);
sourceBuilder.highlighter(new HighlightBuilder().field("content"));
searchRequest.source(sourceBuilder);
// 执行查询并处理结果
SearchResponse response = client.search(searchRequest, RequestOptions.DEFAULT);
return processSearchResponse(response);
}
五、性能优化技巧
索引设计：Elasticsearch中合理设置分片数（建议每个分片不超过30GB）
PUT /products { "settings": { "number_of_shards": 3, "number_of_replicas": 1 } }批量操作：使用批量API减少网络开销
# Python批量插入示例 actions = [ {"_index": "blogs", "_id": i, "_source": data} for i, data in enumerate(blogs_data) ] helpers.bulk(es, actions)查询优化：避免使用通配符查询，改用N-Gram
// 模糊查询优化示例 QueryBuilders.matchQuery("title", "数据库") .fuzziness(Fuzziness.AUTO);
六、常见问题解决方案
问题1：数据不一致怎么办？
- 解决方案：定期全量同步 + 实时增量同步结合
- 示例：每周日凌晨2点全量重建Elasticsearch索引
问题2：中文分词效果不好？
- 安装IK分词插件：
./bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v8.4.0/elasticsearch-analysis-ik-8.4.0.zip
问题3：字段类型变更怎么处理？
- Elasticsearch需要重建索引，建议流程：
- 创建新索引blog_v2
- 同步数据到新索引
- 创建别名blog指向新索引
- 删除旧索引
七、到底该选择哪种方案？
根据业务场景选择：
- 简单应用：直接双写（开发快但一致性难保证）
- 中等规模：定时同步（每天1-2次全量同步）
- 大型系统：CDC变更捕获（如Debezium）+ 消息队列
最后提醒几个注意事项：
- Elasticsearch的JVM堆内存不要超过物理内存的50%
- PostgreSQL逻辑复制槽要及时清理
- 生产环境一定要做压力测试
评论