ElasticSearch-全文检索简介
https://www.elastic.co/cn/what-is/elasticsearch
全文搜索属于最常见的需求,开源的
Elasticsearch
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。
REST API
:天然的跨平台。
官方文档:
https://www.elastic.co/guide/en/elasticsearch/reference/current/index.html
官方中文:
https://www.elastic.co/guide/cn/elasticsearch/guide/current/foreword_id.html
社区中文:
https://es.xiaoleilu.com/index.html
http://doc.codingdict.com/elasticsearch/0/
一、基本概念
1
、
Index
(索引)
动词,相当于
MySQL
中的
insert
;
名词,相当于
MySQL
中的
Database
2
、
Type
(类型)
在
Index
(索引)中,可以定义一个或多个类型。
类似于
MySQL
中的
Table
;每一种类型的数据放在一起;
3
、
Document
(文档)
保存在某个索引(
Index
)下,某种类型(
Type
)的一个数据(
Document
),文档是
JSON
格
式的,
Document
就像是
MySQL
中的某个
Table
里面的内容;
4
、倒排索引机制
二、Docker 安装 Es
1、下载镜像文件
docker pull elasticsearch:7.4.2
存储和检索数据
docker pull kibana:7.4.2
可视化检索数据
2、创建实例
1、ElasticSearch
mkdir -p /mydata/elasticsearch/configmkdir -p /mydata/elasticsearch/dataecho "http.host: 0.0.0.0" >> /mydata/elasticsearch/config/elasticsearch.ymlchmod -R 777 /mydata/elasticsearch/ 保证权限docker run --name elasticsearch -p 9200:9200 -p 9300:9300 \-e "discovery.type=single-node" \ -e ES_JAVA_OPTS="-Xms64m -Xmx512m" \-v /mydata/elasticsearch/config/elasticsearch.yml:/usr/share/elasticsearch/config/elasticsearch.yml \-v /mydata/elasticsearch/data:/usr/share/elasticsearch/data \-v /mydata/elasticsearch/plugins:/usr/share/elasticsearch/plugins \-d elasticsearch: 7.4.2
以后再外面装好插件重启即可;
特别注意:
-e ES_JAVA_OPTS="-Xms64m -Xmx256m" \
测试环境下,设置
ES
的初始内存和最大内存,否则导
致过大启动不了
ES
2、Kibana
docker run --name kibana -e ELASTICSEARCH_HOSTS=
http://192.168.56.10:9200
-p 5601:5601 \
-d kibana:7.4.2
http://192.168.56.10:9200
一定改为自己虚拟机的地址
三、初步检索
1、_cat
GET /_cat/nodes
:查看所有节点
GET /_cat/health
:查看
es
健康状况
GET /_cat/master
:查看主节点
GET /_cat/indices
:查看所有索引
show databases;
2、索引一个文档(保存)
保存一个数据,保存在哪个索引的哪个类型下,指定用哪个唯一标识
PUT customer/external/1
;在
customer
索引下的
external
类型下保存
1
号数据为
PUT customer/external/1
{
"name": "John Doe"
}
PUT
和
POST
都可以,
POST
新增。如果不指定
id
,会自动生成
id
。指定
id
就会修改这个数据,并新增版本号
PUT
可以新增可以修改。
PUT
必须指定
id
;由于
PUT
需要指定
id
,我们一般都用来做修改
操作,不指定
id
会报错。
3、查询文档
GET customer/external/1结果:{"_index": "customer",// 在哪个索引"_type": "external",// 在哪个类型"_id": "1",// 记录 id"_version": 2,// 版本号"_seq_no": 1,// 并发控制字段,每次更新就会 +1 ,用来做乐观锁"_primary_term": 1,// 同上,主分片重新分配,如重启,就会变化"found": true,"_source": {// 真正的内容"name": "John Doe"}}
更新携带
?if_seq_no=0&if_primary_term=1
4、更新文档
POST customer/external/1/_update{"doc":{"name": "John Doew"}}或者POST customer/external/1{"name": "John Doe2"}或者 PUT customer/external/1{"name": "John Doe"}
不同:
POST
操作会对比源文档数据,如果相同不会有什么操作,文档
version
不增加
PUT
操作总会将数据重新保存并增加
version
版本;
带
_update
对比元数据如果一样就不进行任何操作。
看场景;
对于大并发更新,不带
update
;
对于大并发查询偶尔更新,带
update
;对比更新,重新计算分配规则。
更新同时增加属性
POST customer/external/1/_update
{
"doc": { "name": "Jane Doe", "age": 20 }
}
PUT
和
POST
不带
_update
也可以
5、删除文档&索引
DELETE customer/external/1
DELETE customer
6、bulk 批量 API
POST customer/external/_bulk{"index":{"_id":"1"}}{"name": "John Doe" }{"index":{"_id":"2"}}{"name": "Jane Doe" }语法格式:{ action: { metadata }}\n{ request body}\n{ action: { metadata }}\n{ request body}\n复杂实例:POST /_bulk{ "delete": { "_index": "website", "_type": "blog", "_id": "123" }}{ "create": { "_index": "website", "_type": "blog", "_id": "123" }} { "title":"My first blog post" }{ "index": { "_index": "website", "_type": "blog" }}{ "title":"My second blog post" }{ "update": { "_index": "website", "_type": "blog", "_id": "123", "_retry_on_conflict" : 3} }{ "doc" : {"title" : "My updated blog post"} }
bulk API
以此按顺序执行所有的
action
(动作)。如果一个单个的动作因任何原因而失败,
它将继续处理它后面剩余的动作。当
bulk API
返回时,它将提供每个动作的状态(与发送
的顺序相同),所以您可以检查是否一个指定的动作是不是失败了。
7、样本测试数据
准备了一份顾客银行账户信息的虚构的
JSON
文档样本。每个文档都有下列的
schema
(模式)
:
{"account_number": 0,"balance": 16623,"firstname": "Bradshaw","lastname": "Mckenzie","age": 29,"gender": "F","address": "244 Columbus Place","employer": "Euron","email": "bradshawmckenzie@euron.com","city": "Hobucken","state": "CO"}https://github.com/elastic/elasticsearch/blob/master/docs/src/test/resources/accounts.json?raw=true 导入测试数据POST bank/account/_bulk
测试数据
四、进阶检索
1、SearchAPI
ES
支持两种基本方式检索
:
一个是通过使用
REST request URI
发送搜索参数(
uri+
检索参数)
另一个是通过使用
REST request body
来发送它们(
uri+
请求体)
1
)、检索信息
一切检索从
_search
开始
GET bank/_search
检索
bank
下所有信息,包括
type
和
docs
GET bank/_search?q=*&sort=account_number:asc
请求参数方式检索
响应结果解释:
took - Elasticsearch
执行搜索的时间(毫秒)
time_out -
告诉我们搜索是否超时
_shards -
告诉我们多少个分片被搜索了,以及统计了成功
/
失败的搜索分片
hits -
搜索结果
hits.total -
搜索结果
hits.hits -
实际的搜索结果数组(默认为前
10
的文档)
sort -
结果的排序
key
(键)(没有则按
score
排序)
score
和
max_score –
相关性得分和最高得分(全文检索用)
uri+
请求体进行检索
GET bank/_search{"query": {"match_all": {}},"sort": [{"account_number": {"order": "desc"}}]}
HTTP
客户端工具(
POSTMAN
),
get
请求不能携带请求体,我们变为
post
也是一样的
我们
POST
一个
JSON
风格的查询请求体到
_search API
。
需要了解,一旦搜索的结果被返回,
Elasticsearch
就完成了这次请求,并且不会维护任何
服务端的资源或者结果的
cursor
(游标)
2、Query DSL
1
)、基本语法格式
Elasticsearch
提供了一个可以执行查询的
Json
风格的
DSL
(
domain-specific language
领域特
定语言)。这个被称为
Query DSL
。该查询语言非常全面,并且刚开始的时候感觉有点复杂,
真正学好它的方法是从一些基础的示例开始的。
一个查询语句 的典型结构
{
QUERY_NAME: {ARGUMENT: VALUE,ARGUMENT: VALUE,...}}
如果是针对某个字段,那么它的结构如下:
{QUERY_NAME: {FIELD_NAME: {ARGUMENT: VALUE,ARGUMENT: VALUE,...}}}GET bank/_search{"query": {"match_all": {}},"from": 0,"size": 5,"sort": [{"account_number": {"order": "desc"}}]}
query
定义如何查询,
match_all
查询类型【代表查询所有的所有】,
es
中可以在
query
中组合非常多的查
询类型完成复杂查询
除了
query
参数之外,我们也可以
传递其它的参数以改变查询结果
。如
sort
,
size
from+size
限定,完成分页功能
sort
排序,多字段排序,会在前序字段相等时后续字段内部排序,否则以前序为准
2
)、返回部分字段
GET bank/_search{"query": { "match_all": {}},"from": 0,"size": 5,"_source": ["age","balance"]}
3
)、
match
【匹配查询】
基本类型(非字符串),精确匹配
GET bank/_search{"query": {"match": {"account_number": "20"}}}
match
返回
account_number=20
的
字符串,全文检索
GET bank/_search{"query": {"match": {"address": "mill"}}}
最终查询出
address
中包含
mill
单词的所有记录
match
当搜索字符串类型的时候,会进行全文检索,并且每条记录有相关性得分。
字符串,多个单词(分词
+
全文检索)
GET bank/_search{"query": {"match": {"address": "mill road"}}}
最终查询出
address
中包含
mill
或者
road
或者
mill road
的所有记录,并给出相关性得分
4
)、
match_phrase
【短语匹配】
将需要匹配的值当成一个整体单词(不分词)进行检索
GET bank/_search{"query": {"match_phrase": {"address": "mill road"}}}查出 address 中包含 mill road 的所有记录,并给出相关性得分5 )、 multi_match 【多字段匹配】GET bank/_search{"query": {"multi_match": {"query": "mill","fields": ["state","address"]}}}
state
或者
address
包含
mill
6
)、
bool
【复合查询】
bool
用来做复合查询:
复合语句可以合并 任何 其它查询语句,包括复合语句,了解这一点是很重要的。这就意味
着,复合语句之间可以互相嵌套,可以表达非常复杂的逻辑。
must
:必须达到
must
列举的所有条件
GET bank/_search{"query": {"bool": {"must": [{ "match": { "address": "mill" } }, { "match": { "gender": "M" } }]}}}
should
:应该达到
should
列举的条件,如果达到会增加相关文档的评分
,并不会改变
查询的结果。如果
query
中只有
should
且只有一种匹配规则,那么
should
的条件就会
被作为默认匹配条件而去改变查询结果
GET bank/_search{"query": {"bool": {"must": [{ "match": { "address": "mill" } },{ "match": { "gender": "M" } }],"should": [{"match": { "address": "lane" }}]}}}must_not 必须不是指定的情况GET bank/_search{"query": {"bool": {"must": [{ "match": { "address": "mill" } },{ "match": { "gender": "M" } }],"should": [{"match": { "address": "lane" }}],"must_not": [{"match": { "email": "baluba.com" }}]}} }
address
包含
mill
,并且
gender
是
M
,如果
address
里面有
lane
最好不过,但是
email
必
须不包含
baluba.com
7
)、
filter
【结果过滤】
并不是所有的查询都需要产生分数,特别是那些仅用于
“
filtering
”
(过滤)的文档。为了不
计算分数
Elasticsearch
会自动检查场景并且优化查询的执行。
GET bank/_search{"query": {"bool": {"must": [{"match": { "address": "mill"}}],"filter": {"range": {"balance": {"gte": 10000,"lte": 20000}}}}}}
8
)、
term
和 match 一样。匹配某个属性的值。 全文检索字段用 match , 其他非 text 字段匹配用 term 。 GET bank/_search{"query": {"bool": {"must": [{"term": {"age": {"value": "28"}}},{"match": {"address": "990 Mill Road"}}]}}}
9
)、
aggregations
(执行聚合)
聚合提供了从数据中分组和提取数据的能力。最简单的聚合方法大致等于
SQL GROUP
BY
和
SQL
聚合函数。在
Elasticsearch
中,您有执行搜索返回
hits
(命中结果),并且同时返
回聚合结果,把一个响应中的所有
hits
(命中结果)分隔开的能力。这是非常强大且有效的,
您可以执行查询和多个聚合,并且在一次使用中得到各自的(任何一个的)返回结果,使用
一次简洁和简化的
API
来避免网络往返。
搜索
address
中包含
mill
的所有人的年龄分布以及平均年龄,但不显示这些人的详情。
GET bank/_search{"query": {"match": {"address": "mill"}},"aggs": {"group_by_state": {"terms": {"field": "age"}},"avg_age": {"avg": { "field": "age"}}},"size": 0}size : 0 不显示搜索数据aggs :执行聚合。聚合语法如下"aggs": {"aggs_name 这次聚合的名字,方便展示在结果集中 ": {"AGG_TYPE 聚合的类型(avg,term,terms ) ": {}}},
复杂:
按照年龄聚合,并且请求这些年龄段的这些人的平均薪资
GET bank/account/_search{"query": {"match_all": {}},"aggs": {"age_avg": {"terms": {"field": "age","size": 1000},"aggs": {"banlances_avg": {"avg": {"field": "balance"}}}}},"size": 1000}
复杂:查出所有年龄分布,并且这些年龄段中
M
的平均薪资和
F
的平均薪资以及这个年龄
段的总体平均薪资
GET bank/account/_search {"query": {"match_all": {}},"aggs": {"age_agg": {"terms": {"field": "age","size": 100},"aggs": {"gender_agg": {"terms": {"field": "gender.keyword","size": 100},"aggs": {"balance_avg": {"avg": {"field": "balance"}}}},"balance_avg":{"avg": {"field": "balance"}}}}},"size": 1000
}
3
、
Mapping
1
)、字段类型
2
)、映射
Mapping
(映射)
Mapping
是用来定义一个文档(
document
),以及它所包含的属性(
field
)是如何存储和
索引的
。比如,使用
mapping
来定义:
哪些字符串属性应该被看做全文本属性(
full text fields
)。
哪些属性包含数字,日期或者地理位置。
文档中的所有属性是否都能被索引(
_all
配置)。
日期的格式。
自定义映射规则来执行动态添加属性。
查看
mapping
信息:
GET bank/_mapping
修改
mapping
信息
https://www.elastic.co/guide/en/elasticsearch/reference/current/mapping.html
自动猜测的映射类型
3
)、新版本改变
Es7
及以上移除了
type
的概念。
关系型数据库中两个数据表示是独立的,即使他们里面有相同名称的列也不影响使用,
但
ES
中不是这样的。
elasticsearch
是基于
Lucene
开发的搜索引擎,而
ES
中不同
type
下名称相同的
filed
最终在
Lucene
中的处理方式是一样的。
两个不同
type
下的两个
user_name
,在
ES
同一个索引下其实被认为是同一个
filed
,
你必须在两个不同的
type
中定义相同的
filed
映射。否则,不同
type
中的相同字段
名称就会在处理中出现冲突的情况,导致
Lucene
处理效率下降。
去掉
type
就是为了提高
ES
处理数据的效率。
Elasticsearch 7.x
URL
中的
type
参数为可选。比如,索引一个文档不再要求提供文档类型。
Elasticsearch 8.x
不再支持
URL
中的
type
参数。
解决:
1
)、将索引从多类型迁移到单类型,每种类型文档一个独立索引
2
)、将已存在的索引下的类型数据,全部迁移到指定位置即可。详见数据迁移
1
、创建映射
1
、创建索引并指定映射
PUT /my-index{"mappings": {"properties": { "age":{ "type": "integer" },"email": { "type": "keyword" },"name":{ "type": "text" }}}}2 、添加新的字段映射PUT /my-index/_mapping{"properties": {"employee-id": {"type": "keyword","index": false}}}
3
、更新映射
对于已经存在的映射字段,我们不能更新。更新必须创建新的索引进行数据迁移
4
、数据迁移
先创建出
new_twitter
的正确映射。然后使用如下方式进行数据迁移
POST _reindex [ 固定写法 ]{"source": {"index": "twitter"},"dest": {"index": "new_twitter"}}将旧索引的 type 下的数据进行迁移POST _reindex{"source": { "index": "twitter","type": "tweet"},"dest": {"index": "tweets"}}
4
、分词
一个
tokenizer
(分词器)接收一个字符流,将之分割为独立的
tokens
(词元,通常是独立
的单词),然后输出
tokens
流。
例如,
whitespace
tokenizer
遇到空白字符时分割文本。它会将文本
"
Quick brown fox!
"
分割
为
[
Quick
,
brown
,
fox!
]
。
该
tokenizer
(分词器)还负责记录各个
term
(词条)的顺序或
position
位置(用于
phrase
短
语和
word proximity
词近邻查询),以及
term
(词条)所代表的原始
word
(单词)的
start
(起始)和
end
(结束)的
character offsets
(字符偏移量)(用于高亮显示搜索的内容)。
Elasticsearch
提供了很多内置的分词器,可以用来构建
custom analyzers
(自定义分词器)。
1
)、安装
ik
分词器
注意:
不能用默认
elasticsearch-plugin install xxx.zip
进行自动安装
https://github.com/medcl/elasticsearch-analysis-ik/releases?after=v6.4.2
对应
es
版本安装
进入
es
容器内部
plugins
目录
docker exec -it 容器 id /bin/bashwgethttps://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.4.2/elasticsearch-analysis-ik-7.4.2.zipunzip 下载的文件rm –rf *.zipmv elasticsearch/ ik可以确认是否安装好了分词器cd ../binelasticsearch plugin list :即可列出系统的分词器
2
)、测试分词器
使用默认
POST _analyze{"text": " 我是中国人 "}请观察结果使用分词器POST _analyze{ "analyzer": "ik_smart","text": " 我是中国人 "}请观察结果另外一个分词器ik_max_wordPOST _analyze{ "analyzer": "ik_max_word","text": " 我是中国人 "}
请观察结果
能够看出不同的分词器,分词有明显的区别,所以以后定义一个索引不能再使用默
认的
mapping
了,要手工建立
mapping,
因为要选择分词器。
3
)、自定义词库
修改
/usr/share/elasticsearch/plugins/ik/config/
中的
IKAnalyzer.cfg.xml
/usr/share/elasticsearch/plugins/ik/config<?xml version="1.0" encoding="UTF-8"?><!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd"><properties><comment>IK Analyzer 扩展配置 </comment><!-- 用户可以在这里配置自己的扩展字典 --><entry key="ext_dict"></entry><!-- 用户可以在这里配置自己的扩展停止词字典 --><entry key="ext_stopwords"></entry><!-- 用户可以在这里配置远程扩展字典 --><entry key="remote_ext_dict"> http://192.168.128.130/fenci/myword.txt </entry><!-- 用户可以在这里配置远程扩展停止词字典 --><!-- <entry key="remote_ext_stopwords">words_location</entry> --></properties>原来的 xml<?xml version="1.0" encoding="UTF-8"?><!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd"><properties><comment>IK Analyzer 扩展配置 </comment> <!-- 用户可以在这里配置自己的扩展字典 --><entry key="ext_dict"></entry><!-- 用户可以在这里配置自己的扩展停止词字典 --><entry key="ext_stopwords"></entry><!-- 用户可以在这里配置远程扩展字典 --><!-- <entry key="remote_ext_dict">words_location</entry> --><!-- 用户可以在这里配置远程扩展停止词字典 --><!-- <entry key="remote_ext_stopwords">words_location</entry> --></properties>
按照标红的路径利用
nginx
发布静态资源
,
按照请求路径,创建对应的文件夹以及文件,放在
nginx
的
html
下
然后重启
es
服务器,重启
nginx
。
在
kibana
中测试分词效果
更新完成后,
es
只会对新增的数据用新词分词。历史数据是不会重新分词的。如果想要历
史数据重新分词。需要执行:
POST my_index/_update_by_query?conflicts=proceed
五、
Elasticsearch-Rest-Client
1
)、
9300
:
TCP
spring-data-elasticsearch:transport-api.jar
;
springboot
版本不同,
transport-api.jar
不同,不能适配
es
版本
7.x
已经不建议使用,
8
以后就要废弃
2
)、
9200
:
HTTP
JestClient
:非官方,更新慢
RestTemplate
:模拟发
HTTP
请求,
ES
很多操作需要自己封装,麻烦
HttpClient
:同上
Elasticsearch-Rest-Client
:官方
RestClient
,封装了
ES
操作,
API
层次分明,上手简单
最终选择
Elasticsearch-Rest-Client
(
elasticsearch-rest-high-level-client
)
https://www.elastic.co/guide/en/elasticsearch/client/java-rest/current/java-rest-high.html
1
、
SpringBoot
整合
<dependency><groupId>org.elasticsearch.client</groupId><artifactId>elasticsearch-rest-high-level-client</artifactId><version>7.4.2</version></dependency>
2
、配置
@BeanRestHighLevelClient client() {RestClientBuilder builder = RestClient.builder(new HttpHost("192.168.56.10", 9200,"http"));return new RestHighLevelClient(builder);}
3
、使用
参照官方文档:
@Testvoid test1() throws IOException {Product product = new Product();product.setSpuName(" 华为 ");product.setId(10L);IndexRequest request = new IndexRequest("product").id("20").source("spuName"," 华为 ","id",20L);try {IndexResponse response = client.index(request, RequestOptions.DEFAULT);System.out.println(request.toString()); IndexResponse response2 = client.index(request, RequestOptions.DEFAULT);} catch (ElasticsearchException e) {if (e.status() == RestStatus.CONFLICT) {}}}
六、附录
-
安装
nginx
随便启动一个
nginx
实例,只是为了复制出配置
docker run -p 80:80 --name nginx -d nginx:1.10
将容器内的配置文件拷贝到当前目录:
docker container cp nginx:/etc/nginx .
别忘了后面的点
修改文件名称:
mv nginx conf
把这个
conf
移动到
/mydata/nginx
下
终止原容器:
docker stop nginx
执行命令删除原容器:
docker rm $ContainerId
创建新的
nginx
;执行以下命令
docker run -p 80:80 --name nginx \-v /mydata/nginx/html:/usr/share/nginx/html \-v /mydata/nginx/logs:/var/log/nginx \-v /mydata/nginx/conf:/etc/nginx \-d nginx:1.10
给
nginx
的
html
下面放的所有资源可以直接访问;