Elasticsearch5.20 基本语法之查询

Elasticsearch5.20 基本语法之查询

这里我们先导入测试数据accounts.json( 下载地址:http://download.csdn.net/detail/taoshujian/9766616 )

Elasticsearch导入json数据的语法如下：

curl -XPOST localhost:9200/bank/account/_bulk?pretty  --data-binary "@E:/programme/_backups/accounts.json"

@后面为文件路径，也可是相对路径

如果你的windows下没有curl命令，可以看看这里: http://blog.csdn.net/taoshujian/article/details/60147463

Elasticsearch查询有两种基本方式：URI和request body

下面先看一个查询示例：

通过URI方式查询执行如下命令：

#REST request URI
GET /bank/_search?q=*&sort=account_number:asc&pretty

返回结果如下：

这里q=*参数表示匹配所有文档。sort=account_number:asc参数表示按account_number对结果进行升序排序。pretty参数表示格式化JSON结果。

至于响应，我们看到以下部分：

took - Elasticsearch执行搜索的时间（以毫秒为单位）

timed_out - 告诉我们搜索是否超时

_shards - 告诉我们搜索了多少分片，以及成功/失败的搜索分片的计数

hits - 搜索结果

hits.total - 符合我们的搜索条件的文档总数

hits.hits - 搜索结果的实际数组（默认为前10个文档）

hits.sort - 结果排序键（如果按分数排序，则缺少）

同样的查询规则通过request body方式查询时语法如下：

#REST request body
GET /bank/_search
{
  "query": { "match_all": {} },
  "sort": [
    { "account_number": "asc" }
  ]
}

Elasticsearch提供了一种JSON风格的语言，可用于执行查询。这被称为Query DSL。查询语言相当全面，实际学习它还是要从几个基本的例子开始。

#查询所有  
GET /bank/_search
{
  "query": { "match_all": {} }
}
#查询一条  注: 默认情况下查询的就是所有数据，所以示例中"query": { "match_all": {} }不是必写的
GET /bank/_search
{
  "query": { "match_all": {} },
  "size": 1
}
#查询第11至第20条数据 注:from默认从0开始的
GET /bank/_search
{
  "query": { "match_all": {} },
  "from": 10,
  "size": 10
}
#按balance降序
GET /bank/_search
{
  "query": { "match_all": {} },
  "sort": { "balance": { "order": "desc" } }
}
#只查询account_number和balance
GET /bank/_search
{
  "query": { "match_all": {} },
  "_source": ["account_number", "balance"]
}

可以将match查询视为基本的字段化搜索查询（即针对特定字段或字段集进行的搜索）。

#查询account_number=20的帐户
GET /bank/_search
{
  "query": { "match": { "account_number": 20 } }
}
#查询在address中包含术语“mill”的所有帐户
GET /bank/_search
{
  "query": { "match": { "address": "mill" } }
}
#查询在address中包含“mill”或“lane”一词的所有帐户：
GET /bank/_search
{
  "query": { "match": { "address": "mill lane" } }
}
#此示例是match（match_phrase）的变体，查询在address中包含短语“mill lane”的所有帐户：
GET /bank/_search
{
  "query": { "match_phrase": { "address": "mill lane" } }
}

bool查询允许我们撰写较小的查询到使用布尔逻辑更大的查询

#此示例编写两个match查询，即查询address中包含“mill”和“lane”的所有帐户。bool must子句表示所有条件必须满足 类似于判断条件中的&&。
GET /bank/_search
{
  "query": {
    "bool": {
      "must": [
        { "match": { "address": "mill" } },
        { "match": { "address": "lane" } }
      ]
    }
  }
}
#相比之下，此示例中两个match则是查询并address中包含“mill”或“lane”的所有帐户。bool should类似于判断条件中的||
GET /bank/_search
{
  "query": {
    "bool": {
      "should": [
        { "match": { "address": "mill" } },
        { "match": { "address": "lane" } }
      ]
    }
  }
}
#此示例的两个match查询，则是查询address中既不包含“mill”也不包含“lane”的所有帐户。
GET /bank/_search
{
  "query": {
    "bool": {
      "must_not": [
        { "match": { "address": "mill" } },
        { "match": { "address": "lane" } }
      ]
    }
  }
}
#我们可以在查询中同时合并must，should和must_not子句bool。此外，我们可以bool在任何这些bool子句中组合查询来模拟任何复杂的多级布尔逻辑。此示例返回任何age=40但state!=ID的所有帐户：
GET /bank/_search
{
  "query": {
    "bool": {
      "must": [
        { "match": { "age": "40" } }
      ],
      "must_not": [
        { "match": { "state": "ID" } }
      ]
    }
  }
}

关于过滤器filters的查询

#range查询，它允许我们通过一定范围的值来过滤文档。这通常用于数字或日期过滤。
#使用bool查询返回余额介于20000和30000（含）之间的所有帐户。换句话说，我们想要找出余额大于或等于20000且小于或等于30000的帐户。
GET /bank/_search
{
  "query": {
    "bool": {
      "must": { "match_all": {} },
      "filter": {
        "range": {
          "balance": {
            "gte": 20000,
            "lte": 30000
          }
        }
      }
    }
  }
}
#解析上面的查询，bool查询包含一个match_all查询（查询部分）和一个range查询（过滤器部分）。我们可以将任何其他查询替换为查询和过滤器部分。

关于分组聚合查询

#这个例子按状态分组所有的帐户，然后返回前10（默认）状态，按照count递减排序（也是默认）
GET /bank/_search
{
  "size": 0,
  "aggs": {
    "group_by_state": {
      "terms": {
        "field": "state.keyword"
      }
    }
  }
}
#与SQL语法相识：SELECT state, COUNT(*) FROM bank GROUP BY state ORDER BY COUNT(*) DESC
#注：设置size=0为不显示搜索匹配。你可以不写size=0看看返回结果

#下面示例计算按州(state)的平均帐户余额（仅针对按降序排序的前10个州）
GET /bank/_search
{
  "size": 0,
  "aggs": {
    "group_by_state": {
      "terms": {
        "field": "state.keyword"
      },
      "aggs": {
        "average_balance": {
          "avg": {
            "field": "balance"
          }
        }
      }
    }
  }
}

#注意我们如何在average_balance聚合中嵌套group_by_state聚合。这是所有聚合的常见模式。您可以任意嵌套聚合中的聚合，以提取您需要从数据中获得的透视摘要。基于之前的聚合，现在我们以降序对平均余额进行排序
GET /bank/_search
{
  "size": 0,
  "aggs": {
    "group_by_state": {
      "terms": {
        "field": "state.keyword",
        "order": {
          "average_balance": "desc"
        }
      },
      "aggs": {
        "average_balance": {
          "avg": {
            "field": "balance"
          }
        }
      }
    }
  }
}

#这个例子演示了我们如何根据年龄段（20-29，30-39和40-49），然后按性别分组，然后最终得到每个年龄段的每个性别的平均帐户余额：
GET /bank/_search
{
  "size": 0,
  "aggs": {
    "group_by_age": {
      "range": {
        "field": "age",
        "ranges": [
          {
            "from": 20,
            "to": 30
          },
          {
            "from": 30,
            "to": 40
          },
          {
            "from": 40,
            "to": 50
          }
        ]
      },
      "aggs": {
        "group_by_gender": {
          "terms": {
            "field": "gender.keyword"
          },
          "aggs": {
            "average_balance": {
              "avg": {
                "field": "balance"
              }
            }
          }
        }
      }
    }
  }
}

到这里我们会发现ElasticSearch的语法和SQL其实是异曲同工的。它因为功能强大而简单，亦因为功能强大而复杂。

事实上我这几篇关于Elasticsearch的笔记都是根据它的官网来的，自己并没增加什么东西，因为官方文档很清晰了，而且我也没有删减什么内容，因为这些都是必要的。看过这些后，基本的增删改查已经没什么问题，算是上手了，那么后续将会看看它的理论基础部份。