先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7
深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！
因此收集整理了一份《2024年最新Java开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Java开发知识点，真正体系化！
由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新
如果你需要这些资料，可以添加V获取：vip1024b （备注Java）
正文
}
这次的score_stats聚合是在brandAgg的聚合内部嵌套的子聚合。因为我们需要在每个桶分别计算。
另外，我们还可以给聚合结果做个排序，例如按照每个桶的酒店平均分做排序：
1.2.5 总结
aggs代表聚合，与query同级，此时query的作用是？
- 限定聚合的的文档范围
聚合必须的三要素：
-
聚合名称
-
聚合类型
-
聚合字段
聚合可配置属性有：
-
size：指定聚合结果数量 -
order：指定聚合结果排序方式 -
field：指定聚合字段
1.3 RestAPI实现聚合
聚合条件与query条件同级别，因此需要使用request.source()来指定聚合条件。
聚合条件的语法：
聚合的结果也与查询结果不同，API也比较特殊。不过同样是JSON逐层解析：
代码如下：
//聚合
@Test
void testAggregation() throws IOException {
//1.准备Request
SearchRequest request = new SearchRequest(“hotel”);
//2.准备DSL
request.source().size(0);
request.source().aggregation(AggregationBuilders
.terms(“brandAgg”)
.field(“brand”)
.size(20)
);
//3.发出请求
SearchResponse response = client.search(request, RequestOptions.DEFAULT);
//4.解析结果
Aggregations aggregations = response.getAggregations();
//4.1根据聚合名称获取聚合结果
Terms brandTerms = aggregations.get(“brandAgg”);
//4.2获取buckets
List<? extends Terms.Bucket> buckets = brandTerms.getBuckets();
//4.3遍历
for (Terms.Bucket bucket : buckets) {
//4.4获取key
String key = bucket.getKeyAsString();
System.out.println(key);
}
}
当用户在搜索框输入字符时，我们应该提示出与该字符有关的搜索项，如图：
![[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-uKEANYwe-1637384192176)(C:\Users\30287\Desktop\Java学习视频\day03-Docker\day07-Elasticsearch03\讲义\assets\image-20210723204936367.png)]](https://i-blog.csdnimg.cn/blog_migrate/a068702505cced041d6b1a428107e64d.png)
这种根据用户输入的字母，提示完整词条的功能，就是自动补全了。
因为需要根据拼音字母来推断，因此要用到拼音分词功能。
2.1 拼音分词器
要实现根据字母做补全，就必须对文档按照拼音分词。插件地址：https://github.com/medcl/elasticsearch-analysis-pinyin
使用 docker volume inspect es-plugins 查看插件目录，将下载的文件解压上传，重启 Elasticsearch
测试用法如下：
POST /_analyze
{
“text”: “如家酒店还不错”,
“analyzer”: “pinyin”
}
结果：
2.2 自定义分词器
默认的拼音分词器会将每个汉字单独分为拼音，而我们希望的是每个词条形成一组拼音，需要对拼音分词器做个性化定制，形成自定义分词器。
elasticsearch中分词器（analyzer）的组成包含三部分：
-
character filters：在tokenizer之前对文本进行处理。例如删除字符、替换字符 -
tokenizer：将文本按照一定的规则切割成词条（term）。例如keyword，就是不分词；还有ik_smart -
tokenizer filter：将tokenizer输出的词条做进一步处理。例如大小写转换、同义词处理、拼音处理等
文档分词时会依次由这三部分来处理文档：
声明自定义分词器的语法如下：
PUT /test
{
“settings”: {
“analysis”: {
“analyzer”: { // 自定义分词器
“my_analyzer”: { // 分词器名称
“tokenizer”: “ik_max_word”,
“filter”: “py”
}
},
“filter”: { // 自定义tokenizer filter
“py”: { // 过滤器名称
“type”: “pinyin”, // 过滤器类型，这里是pinyin
“keep_full_pinyin”: false,
“keep_joined_full_pinyin”: true,
“keep_original”: true,
“limit_first_letter_length”: 16,
“remove_duplicated_term”: true,
“none_chinese_pinyin_tokenize”: false
}
}
}
},
“mappings”: {
“properties”: {
“name”: {
“type”: “text”,
“analyzer”: “my_analyzer”,
“search_analyzer”: “ik_smart”
}
}
}
}
测试：
总结：
如何使用拼音分词器？
-
①下载pinyin分词器
-
②解压并放到elasticsearch的plugin目录
-
③重启即可
如何自定义分词器？
-
①创建索引库时，在settings中配置，可以包含三部分
-
②character filter
-
③tokenizer
-
④filter
拼音分词器注意事项？
- 为了避免搜索到同音字，搜索时不要使用拼音分词器
![[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-QFtqHpTM-1637384192189)(C:\Users\30287\AppData\Roaming\Typora\typora-user-images\image-20211119082432872.png)]](https://i-blog.csdnimg.cn/blog_migrate/388f80391ef209dd4071b3c68b089be0.png)
2.3 自动补全查询
elasticsearch 提供了 Completion Suggester 查询来实现自动补全功能。这个查询会匹配以用户输入内容开头的词条并返回；为了提高补全查询的效率，对于文档中字段的类型有一些约束
-
参与补全查询的字段必须是
completion类型。 -
字段的内容一般是用来补全的多个词条形成的数组。
比如，一个这样的索引库：
// 创建索引库
PUT test
{
“mappings”: {
“properties”: {
“title”:{
“type”: “completion”
}
}
}
}
然后插入下面的数据：
// 示例数据
POST test/_doc
{
“title”: [“Sony”, “WH-1000XM3”]
}
POST test/_doc
{
“title”: [“SK-II”, “PITERA”]
}
POST test/_doc
{
“title”: [“Nintendo”, “switch”]
}
查询的DSL语句如下：
// 自动补全查询
GET /test/_search
{
“suggest”: {
“title_suggest”: {
“text”: “s”, // 关键字
“completion”: {
“field”: “title”, // 补全查询的字段
“skip_duplicates”: true, // 跳过重复的
“size”: 10 // 获取前10条结果
}
}
}
}
2.4 自动补全查询的JavaAPI
之前我们学习了自动补全查询的DSL，而没有学习对应的JavaAPI，这里给出一个示例：
而自动补全的结果也比较特殊，解析的代码如下：
代码如下：
//补全
@Test
void testSuggest() throws IOException {
//1.准备Reequest
SearchRequest request = new SearchRequest(“hotel”);
//2.准备DSL
request.source().suggest(new SuggestBuilder().addSuggestion(
“suggestions”,
SuggestBuilders.completionSuggestion(“suggestion”)
总目录展示
该笔记共八个节点（由浅入深），分为三大模块。
高性能。 秒杀涉及大量的并发读和并发写，因此支持高并发访问这点非常关键。该笔记将从设计数据的动静分离方案、热点的发现与隔离、请求的削峰与分层过滤、服务端的极致优化这4个方面重点介绍。
一致性。 秒杀中商品减库存的实现方式同样关键。可想而知，有限数量的商品在同一时刻被很多倍的请求同时来减库存，减库存又分为“拍下减库存”“付款减库存”以及预扣等几种，在大并发更新的过程中都要保证数据的准确性，其难度可想而知。因此，将用一个节点来专门讲解如何设计秒杀减库存方案。
高可用。 虽然介绍了很多极致的优化思路，但现实中总难免出现一些我们考虑不到的情况，所以要保证系统的高可用和正确性，还要设计一个PlanB来兜底，以便在最坏情况发生时仍然能够从容应对。笔记的最后，将带你思考可以从哪些环节来设计兜底方案。
篇幅有限，无法一个模块一个模块详细的展示（这些要点都收集在了这份《高并发秒杀顶级教程》里），麻烦各位转发一下（可以帮助更多的人看到哟！）
由于内容太多，这里只截取部分的内容。
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注Java）
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
此，将用一个节点来专门讲解如何设计秒杀减库存方案。
高可用。 虽然介绍了很多极致的优化思路，但现实中总难免出现一些我们考虑不到的情况，所以要保证系统的高可用和正确性，还要设计一个PlanB来兜底，以便在最坏情况发生时仍然能够从容应对。笔记的最后，将带你思考可以从哪些环节来设计兜底方案。
篇幅有限，无法一个模块一个模块详细的展示（这些要点都收集在了这份《高并发秒杀顶级教程》里），麻烦各位转发一下（可以帮助更多的人看到哟！）
[外链图片转存中…(img-llI9Zgw4-1713436177528)]
[外链图片转存中…(img-T22cMNFG-1713436177529)]
由于内容太多，这里只截取部分的内容。
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注Java）
[外链图片转存中…(img-qUSTqP38-1713436177530)]
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
