在 Elasticsearch (ES) 中，常见的三种查询方式包括：
- 从头开始分页（
from+size） - 基于游标的分页（
search_after） - 滚动查询（Scroll）
1. 从头开始分页 (from + size)
这种方式是最常见的分页方法，from 表示跳过的结果集数量，size 表示每页返回的结果数量。它适用于小规模分页查询，但对于大规模数据集的分页查询会存在性能瓶颈。
问题：
- 性能下降：随着分页深度的增加，查询效率会逐渐下降。因为 Elasticsearch 每次都需要从头开始扫描索引，然后跳过前面的文档。这意味着当你需要获取第 10000 页或更高页时，Elasticsearch 需要扫描和跳过大量的文档，这会导致查询速度变慢。
- 高内存消耗：为了正确返回需要的数据，Elasticsearch 会加载大量的文档，造成内存消耗。
2. 基于游标的分页 (search_after)
这种方式是通过提供上次查询结果中的最后一条文档的某个字段（通常是排序字段）来继续查询。这意味着不再依赖 from 跳过数据，而是使用一个指向上一页最后一条文档的游标，从而直接进行下一页的查询。
优点：
- 避免深度分页的效率问题：
search_after的查询性能不会受到查询页数的影响。因为它不需要跳过前面的结果，只需要直接定位到上次查询的最后一条文档之后的结果。所以即使是大规模数据集，也可以快速查询后续的数据。 - 更低的内存消耗：因为不需要加载和跳过大量文档，内存消耗更小。
为什么 search_after 效率高？
- 游标查询：使用
search_after时，Elasticsearch 根据排序字段（比如时间戳、ID等）定位到上一页的最后一条文档，然后从这一点开始进行查询。这样做避免了每次都重新扫描和跳过大量不需要的数据，从而提高了效率。 - 适用于大规模分页：当你需要分页处理大量数据时，
search_after是非常合适的选择，因为它不会受from参数带来的性能下降影响。
3. 滚动查询（Scroll）
滚动查询通过维护一个“滚动上下文”（scroll context）来保证在长时间内能持续获取搜索结果。适用于需要遍历大量数据（比如导出或处理全部数据）的场景。
优点：
- 高效遍历大数据集：在滚动查询的情况下，Elasticsearch 会保持一个查询上下文，这样可以高效地处理大量数据，避免重新计算相同的搜索结果。
- 适合批量数据导出：当你需要导出大量数据而不关心实时更新时，滚动查询非常有用。
问题：
- 长时间占用资源：由于滚动查询会保持查询上下文，它可能会占用 Elasticsearch 集群的资源，因此不适合用于长时间不更新或交互式的查询场景。
总结：
from+size：适用于小规模分页查询，但对大数据集分页查询效率差，性能会随着查询深度增加而下降。search_after：非常适合大数据集的分页查询，通过游标优化了查询的效率，避免了深度分页的性能问题。- 滚动查询（Scroll）：适用于批量数据导出或长期处理数据，能够保持查询上下文，但占用资源较多，通常不用于交互式查询。
为什么 search_after 效率高：
search_after 高效的原因是它避免了每次查询都跳过大量不必要的文档（如 from + size）。通过使用排序字段作为游标，search_after 直接定位到上一条文档的后续位置，大大提高了查询效率，尤其是在进行大数据集分页查询时，性能更加稳定。
