Elasticsearch：使用中文分词器及简单操作示例

爱写代码的July

于 2024-09-04 02:00:28 发布

阅读量357

点赞数 9

分类专栏：项目必备文章标签： elasticsearch 中文分词 java

本文链接：https://blog.csdn.net/Liu_y_xin/article/details/141863655

版权

项目必备专栏收录该内容

22 篇文章 0 订阅

订阅专栏

一 Elasticsearch介绍

Elaticsearch，简称为es，是一个开源的高扩展的分布式全文检索引擎，它可以近乎实时的存储、检索数据；本身扩展性很好，可以扩展到上百台服务器，处理PB级别的数据。es也使用Java开发并使用Lucene作为其核心来实现所有索引和搜索的功能，但是它的目的是通过简单的RESTful API来隐藏Lucene的复杂性，从而让全文搜索变得简单。

概括的讲，ES主要负责了两件事情：分布式搜索引擎和数据分析引擎+海量数据的实时处理。在百度、维基百科、新闻、电商、数据挖掘等多个领域都能见到ES的使用。

Elasticsearch 的特点包括：

分布式设计：能够横向扩展，支持大规模集群和数据量。
全文搜索：基于反向索引，可以进行快速的全文检索。
实时搜索：数据一旦被索引，几乎可以立即搜索到。
RESTful API：通过 HTTP 接口和 JSON 进行交互，使用简单且与多种编程语言兼容。
高可用性：支持自动分片和复制，具备强大的容错性和高可用性。

二常用术语

Document（文档）：Elasticsearch 中的最小数据单元，类似于关系型数据库中的一行数据。每个文档是一个 JSON 对象，存储着结构化或半结构化的数据。

Index（索引）：一个索引类似于关系型数据库中的表，包含了一系列具有相同结构的文档。通过索引可以对文档进行快速查询和检索。

Type（类型）（已弃用）：Elasticsearch 7.0 之前，一个索引可以包含多种类型的文档，每个文档都有不同的结构。每个文档的类型通过 _type 字段来区分。之后的版本中已逐渐弃用 type 概念，一个索引只能包含一种文档类型。

Field（字段）：每个文档由多个字段组成，类似于关系型数据库中的列。字段包含不同的数据类型（如文本、数字、日期、布尔值等）。

Shards（分片）：分片是将一个大索引分割成多个小的子集。Elasticsearch 自动将数据分片，这样可以提高数据的处理能力，并且能够在多个节点上平衡负载。每个索引在创建时会被划分为多个主分片（Primary Shard）。

Replica（副本）：副本是分片的一个拷贝，用于提高查询性能和数据冗余。主分片出现故障时，副本分片可以代替它继续服务，从而保证系统的高可用性。

Cluster（集群）：集群是一组 Elasticsearch 节点组成的系统，每个集群都有一个唯一的名字。集群中的每个节点协同工作，分担数据存储、查询和索引操作。

Node（节点）：节点是集群中的一个单独服务器或实例，每个节点存储索引数据并参与集群的搜索和索引操作。节点之间通过共享数据和任务进行协调。

三 Elasticsearch及中文分词器的下载安装

在官网Download Elasticsearch | Elastic下载我们需要的版本，我这里由于项目需要，下载的是6.4.3版本。

下载好后，应该是一个压缩包，我们把它解压缩到任意目录下，找到config目录下的elasticsearch.yml文件，修改以下配置信息：

接下来，打开GitHub下载中文分词器，注意版本要对应。把下载好的文件夹粘贴到Elasticsearch安装目录的plugins目录下。

我们找到bin目录下的elasticsearch.bat文件，双击启动。

Ps：这时可能会出现双击无法启动的问题，我们用cmd进行启动，查看报错信息如下：

也就是nrecognized VM option 'UseConcMarkSweepGC错误。我们找到config目录下的jvm.options文件，将

-XX:+UseConcMarkSweepGC
-XX:CMSInitiatingOccupancyFraction=75
-XX:+UseCMSInitiatingOccupancyOnly

这几行代码注释掉：

再次启动即可成功启动了。在浏览器中访问127.0.0.1:9200验证是否启动成功。

四 Elasticsearch的使用示例

1.验证启动是否成功

打开一个新的cmd窗口（不要关闭刚才的窗口），输入命令

curl -X GET "localhost:9200/"

2.查看集群状态（使用v显示表头）

>curl -X GET "localhost:9200/_cat/health?v"

基于status来判断集群集群状态 green、yellow、red。green：每个索引的primary shard 和replica shard 都是active 状态的；yellow: 每个索引的primary shard 是active状态的，但部分replica shard不是active状态的。（当只有一个Node, replica shard 没有第二台机器进行分配）；red: 不是所有primary shard 都是active状态，说明部分数据丢失了。

3. 使用postman进行使用测试——增