全文搜索引擎ElasticSearch新手实战教程

全文搜索 属于最常见的需求，开源的 ElasticSearch (以下简称 Elastic)是目前全文搜索引擎的首选。 它可以快速地储存、搜索和分析海量数据。维基百科、Stack Overflow、Github 都采用它。 Elastic 的底层是开源库 Lucene 。但是，你没法直接用 Lucene，必须自己写代码去调用它的接口。Elastic 是 Lucene 的封装，提供了 REST API 的操作接口，开箱即用。 本文从零开始，讲解如何使用 Elastic 搭建自己的全文搜索引擎。每一步都有详细的说明，大家跟着做就能学会。 一、安装 Elastic 需要 Java 8 环境。如果你的机器还没安装 Java，可以参考 这篇文章 ，注意要保证环境变量 JAVA_HOME 正确设置。 安装完 Java，就可以跟着 官方文档 安装 Elastic。直接下载压缩包比较简单。 $ wget https://artifacts.elastic.co/downloads/elasticsearch/elasticsearch-5.5.1.zip  $ unzip elasticsearch-5.5.1.zip  $ cd elasticsearch-5.5.1/ 接着，进入解压后的目录，运行下面的命令，启动 Elastic。 $ ./bin/elasticsearch 如果这时 报错 "max virtual memory areas vm.max map count [65530] is too low"，要运行下面的命令。 $ sudo sysctl -w vm.max_map_count=262144 如果一切正常，Elastic 就会在默认的9200端口运行。这时，打开另一个命令行窗口，请求该端口，会得到说明信息。 $ curl localhost:9200  {   "name" : "atntrTf",   "cluster_name" : "elasticsearch",   "cluster_uuid" : "tf9250XhQ6ee4h7YI11anA",   "version" : {     "number" : "5.5.1",     "build_hash" : "19c13d0",     "build_date" : "2017-07-18T20:44:24.823Z",     "build_snapshot" : false,     "lucene_version" : "6.6.0"   },   "tagline" : "You Know, for Search" } 上面代码中，请求9200端口，Elastic 返回一个 JSON 对象，包含当前节点、集群、版本等信息。 按下 Ctrl + C，Elastic 就会停止运行。 默认情况下，Elastic 只允许本机访问，如果需要远程访问，可以修改 Elastic 安装目录的 config/elasticsearch.yml 文件，去掉 network.host 的注释，将它的值改成 0.0.0.0 ，然后重新启动 Elastic。 network.host: 0.0.0.0 上面代码中，设成 0.0.0.0 让任何人都可以访问。线上服务不要这样设置，要设成具体的 IP。 二、基本概念 2.1 Node 与 Cluster Elastic 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 Elastic 实例。 单个 Elastic 实例称为一个节点(node)。一组节点构成一个集群(cluster)。 2.2 Index Elastic 会索引所有字段，经过处理后写入一个反向索引(Inverted Index)。查找数据的时候，直接查找该索引。 所以，Elastic 数据管理的顶层单位就叫做 Index(索引)。它是单个数据库的同义词。每个 Index (即数据库)的名字必须是小写。 下面的命令可以查看当前节点的所有 Index。 $ curl -X GET 'http://localhost:9200/_cat/indices?v' 2.3 Document Index 里面单条的记录称为 Document(文档)。许多条 Document 构成了一个 Index。 Document 使用 JSON 格式表示，下面是一个例子。 {   "user": "张三",   "title": "工程师",   "desc": "数据库管理" } 同一个 Index 里面的 Document，不要求有相同的结构(scheme)，但是最好保持相同，这样有利于提高搜索效率。 2.4 Type Document 可以分组，比如 weather 这个 Index 里面，可以按城市分组(北京和上海)，也可以按气候分组(晴天和雨天)。这种分组就叫做 Type，它是虚拟的逻辑分组，用来过滤 Document。 不同的 Type 应该有相似的结构(schema)，举例来说， id 字段不能在这个组是字符串，在另一个组是数值。这是与关系型数据库的表的 一个区别 。性质完全不同的数据(比如 products 和 logs )应该存成两个 Index，而不是一个 Index 里面的两个 Type(虽然可以做到)。 下面的命令可以列出每个 Index 所包含的 Type。 $ curl 'localhost:9200/_mapping?pretty=true' 根据 规划 ，Elastic 6.x 版只允许每个 Index 包含一个 Type，7.x 版将会彻底移除 Type。 三、新建和删除 Index 新建 Index，可以直接向 Elastic 服务器发出 PUT 请求。下面的例子是新建一个名叫 weather 的 Index。 $ curl -X PUT 'localhost:9200/weather' 服务器返回一个 JSON 对象，里面的 acknowledged 字段表示操作成功。 {   "acknowledged":true,   "shards_acknowledged":true } 然后，我们发出 DELETE 请求，删除这个 Index。 $ curl -X DELETE 'localhost:9200/weather' 四、中文分词设置 首先，安装中文分词插件。这里使用的是 ik ，也可以考虑其他插件(比如 smartcn )。 $ ./bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v5.5.1/elasticsearch-analysis-ik-5.5.1.zip 上面代码安装的是5.5.1版的插件，与 Elastic 5.5.1 配合使用。 接着，重新启动 Elastic，就会自动加载这个新安装的插件。 然后，新建一个 Index，指定需要分词的字段。这一步根据数据结构而异，下面的命令只针对本文。基本上，凡是需要搜索的中文字段，都要单独设置一下。 $ curl -X PUT 'localhost:9200/accounts' -d ' {   "mappings": {     "person": {       "properties": {         "user": {           "type": "text",           "analyzer": "ik_max_word",           "search_analyzer": "ik_max_word"         },         "title": {           "type": "text",           "analyzer": "ik_max_word",           "search_analyzer": "ik_max_word"         },         "desc": {           "type": "text",           "analyzer": "ik_max_word",           "search_analyzer": "ik_max_word"         }       }     }   } }' 上面代码中，首先新建一个名称为 accounts 的 Index，里面有一个名称为 person 的 Type。 person 有三个字段。 user title desc 这三个字段都是中文，而且类型都是文本(text)，所以需要指定中文分词器，不能使用默认的英文分词器。 Elastic 的分词器称为 analyzer 。我们对每个字段指定分词器。 "user": {   "type": "text",   "analyzer": "ik_max_word",   "search_analyzer": "ik_max_word" } 上面代码中， analyzer 是字段文本的分词器， search_analyzer 是搜索词的分词器。 ik_max_word 分词器是插件 ik 提供的，可以对文本进行最大数量的分词。 五、数据操作 5.1 新增记录 向指定的 /Index/Type 发送 PUT 请求，就可以在 Index 里面新增一条记录。比如，向 /accounts/person 发送请求，就可以新增一条人员记录。 $ curl -X PUT 'localhost:9200/accounts/person/1' -d ' {   "user": "张三",   "title": "工程师",   "desc": "数据库管理" }' 服务器返回的 JSON 对象，会给出 Index、Type、Id、Version 等信息。 {   "_index":"accounts",   "_type":"person",   "_id":"1",   "_version":1,   "result":"created",   "_shards":{"total":2,"successful":1,"failed":0},   "created":true } 如果你仔细看，会发现请求路径是 /accounts/person/1 ，最后的 1 是该条记录的 Id。它不一定是数字，任意字符串(比如 abc )都可以。 新增记录的时候，也可以不指定 Id，这时要改成 POST 请求。 $ curl -X POST 'localhost:9200/accounts/person' -d ' {   "user": "李四",   "title": "工程师",   "desc": "系统管理" }' 上面代码中，向 /accounts/person 发出一个 POST 请求，添加一个记录。这时，服务器返回的 JSON 对象里面， _id 字段就是一个随机字符串。 {   "_index":"accounts",   "_type":"person",   "_id":"AV3qGfrC6jMbsbXb6k1p",   "_version":1,   "result":"created",   "_shards":{"total":2,"successful":1,"failed":0},   "created":true } 注意，如果没有先创建 Index(这个例子是 accounts )，直接执行上面的命令，Elastic 也不会报错，而是直接生成指定的 Index。所以，打字的时候要小心，不要写错 Index 的名称。 5.2 查看记录 向 /Index/Type/Id 发出 GET 请求，就可以查看这条记录。 $ curl 'localhost:9200/accounts/person/1?pretty=true' 上面代码请求查看 /accounts/person/1 这条记录，URL 的参数 pretty=true 表示以易读的格式返回。 返回的数据中， found 字段表示查询成功， _source 字段返回原始记录。 {   "_index" : "accounts",   "_type" : "person",   "_id" : "1",   "_version" : 1,   "found" : true,   "_source" : {     "user" : "张三",     "title" : "工程师",     "desc" : "数据库管理"   } } 如果 Id 不正确，就查不到数据， found 字段就是 false 。 $ curl 'localhost:9200/weather/beijing/abc?pretty=true'  {   "_index" : "weather",   "_type" : "beijing",   "_id" : "abc",   "found" : false } 5.3 删除记录 删除记录就是发出 DELETE 请求。 $ curl -X DELETE 'localhost:9200/accounts/person/1' 这里先不要删除这条记录，后面还要用到。 5.4 更新记录 更新记录就是使用 PUT 请求，重新发送一次数据。 $ curl -X PUT 'localhost:9200/accounts/person/1' -d ' {     "user" : "张三",     "title" : "工程师",     "desc" : "数据库管理，软件开发" }'   {   "_index":"accounts",   "_type":"person",   "_id":"1",   "_version":2,   "result":"updated",   "_shards":{"total":2,"successful":1,"failed":0},   "created":false } 上面代码中，我们将原始数据从"数据库管理"改成"数据库管理，软件开发"。 返回结果里面，有几个字段发生了变化。 "_version" : 2, "result" : "updated", "created" : false 可以看到，记录的 Id 没变，但是版本(version)从 1 变成 2 ，操作类型(result)从 created 变成 updated ， created 字段变成 false ，因为这次不是新建记录。 六、数据查询 6.1 返回所有记录 使用 GET 方法，直接请求 /Index/Type/_search ，就会返回所有记录。 $ curl 'localhost:9200/accounts/person/_search'  {   "took":2,   "timed_out":false,   "_shards":{"total":5,"successful":5,"failed":0},   "hits":{     "total":2,     "max_score":1.0,     "hits":[       {         "_index":"accounts",         "_type":"person",         "_id":"AV3qGfrC6jMbsbXb6k1p",         "_score":1.0,         "_source": {           "user": "李四",           "title": "工程师",           "desc": "系统管理"         }       },       {         "_index":"accounts",         "_type":"person",         "_id":"1",         "_score":1.0,         "_source": {           "user" : "张三",           "title" : "工程师",           "desc" : "数据库管理，软件开发"         }       }     ]   } } 上面代码中，返回结果的 took 字段表示该操作的耗时(单位为毫秒)， timed_out 字段表示是否超时， hits 字段表示命中的记录，里面子字段的含义如下。 total ：返回记录数，本例是2条。 max_score ：最高的匹配程度，本例是 1.0 。 hits ：返回的记录组成的数组。 返回的记录中，每条记录都有一个 _score 字段，表示匹配的程序，默认是按照这个字段降序排列。 6.2 全文搜索 Elastic 的查询非常特别，使用自己的 查询语法 ，要求 GET 请求带有数据体。 $ curl 'localhost:9200/accounts/person/_search'  -d ' {   "query" : { "match" : { "desc" : "软件" }} }' 上面代码使用 Match 查询 ，指定的匹配条件是 desc 字段里面包含"软件"这个词。返回结果如下。 {   "took":3,   "timed_out":false,   "_shards":{"total":5,"successful":5,"failed":0},   "hits":{     "total":1,     "max_score":0.28582606,     "hits":[       {         "_index":"accounts",         "_type":"person",         "_id":"1",         "_score":0.28582606,         "_source": {           "user" : "张三",           "title" : "工程师",           "desc" : "数据库管理，软件开发"         }       }     ]   } } Elastic 默认一次返回10条结果，可以通过 size 字段改变这个设置。 $ curl 'localhost:9200/accounts/person/_search'  -d ' {   "query" : { "match" : { "desc" : "管理" }},   "size": 1 }' 上面代码指定，每次只返回一条结果。 还可以通过 from 字段，指定位移。 $ curl 'localhost:9200/accounts/person/_search'  -d ' {   "query" : { "match" : { "desc" : "管理" }},   "from": 1,   "size": 1 }' 上面代码指定，从位置1开始(默认是从位置0开始)，只返回一条结果。 6.3 逻辑运算 如果有多个搜索关键字， Elastic 认为它们是 or 关系。 $ curl 'localhost:9200/accounts/person/_search'  -d ' {   "query" : { "match" : { "desc" : "软件 系统" }} }' 上面代码搜索的是 软件 or 系统 。 如果要执行多个关键词的 and 搜索，必须使用 布尔查询 。 $ curl 'localhost:9200/accounts/person/_search'  -d ' {   "query": {     "bool": {       "must": [         { "match": { "desc": "软件" } },         { "match": { "desc": "系统" } }       ]     }   } }' 七、参考链接 ElasticSearch 官方手册 A Practical Introduction to Elasticsearch