ElasticSearch 在实现深度分页时会遇到性能问题，因为它需要遍历大量的数据。这种方式并不高效，因为它会消耗大量的资源。
解决方案：
使用 search\_after 方法：
search\_after 是一种分页方式，它依赖于上一次查询结果的最后一条记录的排序值（\_score或者指定的sort值）。下一次查询时，使用这个值作为 search\_after 参数的值，然后再请求 top N 条记录。
示例代码：
from elasticsearch import Elasticsearch es = Elasticsearch() # 第一次查询 first_query_response = es.search( index='your_index', size=10, body={ 'query': { 'match_all': {} }, 'sort': [ {'your_field': 'asc'} ] } ) # 获取下一次查询需要用到的排序字段值 search_after = first_query_response['hits']['hits'][-1]['sort'] # 第二次查询 second_query_response = es.search( index='your_index', size=10, body={ 'query': { 'match_all': {} }, 'sort': [ {'your_field': 'asc'} ], 'search_after': search_after } )使用 scroll 方法：
scroll API 用于保持一个搜索的状态，而这个状态可以在之后的任何时间进行查询，这样就可以进行深度分页。
示例代码：
from elasticsearch import Elasticsearch es = Elasticsearch() # 初始化 scroll res = es.search( index='your_index', size=1000, scroll='5m', # 保持 scroll 的时间 body={ 'query': { 'match_all': {} } } ) # 获取 scroll_id scroll_id = res['_scroll_id'] # 获取初始的数据 hits = res['hits']['hits'] # 在之后的查询中使用 scroll 来获取更多的数据 while len(hits) > 0: res = es.scroll( scroll_id=scroll_id, scroll='5m' # 保持 scroll 的时间 ) hits = res['hits']['hits'] # 处理 hits...
注意：
- 在使用 search\_after 或 scroll 时，尽量减少 size 的值，因为太大的 size 会占用更多的内存。
- 尽可能地减少每页的大小，只取所需数据。
- 使用 scroll 时，要注意设置合理的 scroll 参数，避免大量的内存占用。