ES经过20多个小节介绍，虽然只讲解了部分内容，但是我们这里暂时先做个总结吧。

Elasticsearch 的运维命令主要集中在使用其 RESTful API 上。这些命令可以通过任何 HTTP 客户端（如 curl、Kibana Dev Tools、Postman 等）来执行。

前面我们介绍了Cerebro，我们这里就来部署和使用他。

Cerebro 的核心价值在于它将许多需要通过 Elasticsearch REST API 执行的复杂命令，转化为了简单易用的图形化操作

​本文章源自我2019年写过的一篇文章：es备份，经过阿里公有云和腾讯私有云的验证，都是可用的，但是经过多年，部分信息已经发生改变，所以基于这个步骤重做步骤，已经验证成功。​

前面我们介绍模板的时候有提到过我们会在ES生成大量的索引，但是我们不能光生成索引，不考虑释放的问题，所以我们 就引入今天的概念：索引生命周期管理 (Index Lifecycle Management, ILM)。

我们在前面介绍索引时候，直接向不存在的索引写入数据，会自动创建索引，这个创建的索引可能并不能满足需求，而且分片又无法调整。比如我们有的索引需要3分片2副本，有的索引需要5分片1副本。这个时候我们就可以通过定义不同的模板（Templates）来满足我们的需求。

其实在我们前面的章节里面已经涉及到这个映射（Mapping）概念，今天我们来详细介绍下他。想象一下关系型数据库（如 MySQL，虽然我还未讲解他，下个章节就会涉及到数据库）。在创建表之前，你需要定义表结构：表名、列名、每列的数据类型（VARCHAR, INT, DATE等）、是否允许 NULL、默认值、索引等。Elasticsearch 的 Mapping 扮演着完全相同的角色！

前面我们用了3个小节来介绍ES所涉及到底层技术：倒排索引，分词，Lucene，今天来贴一个整个架构图。

前面我们用了2个小节ES利用到2个技术：倒排索引和分词，但是我们开发软件是不是要直接基于这2个技术直接来实现细节么，当然是不用的，今天我们就来介绍一个框架或者库：Lucene。

我们上个小节介绍倒排索引，里面有一个比较核心的概念就是系统能正常识别里面的单词，比如上个小节里面涉及到的几个单词：apple banana cherry date ，但是实际上一个ES里面存储的数据又何止千千万，他们就是通过分词来实现的。

前面几个小节我们介绍的都是ES的实际操作，今天我们来讲讲关于ES底层技术之一：倒排索引 (Inverted Index)。

前面我们介绍过通过curl命令查询数据，但是毕竟查询起来比较麻烦，所以ELK里面还有一个组件：Kibana，他可以通过图形化界面对ES进行进增删查改操作。

我们前面介绍了ELK在早期的时候是一个整体，哪个时候还没有我们上个小节介绍的Beat家族，采集&过滤均是采用Logstash来进行的，虽然目前他使用并不多，所以这个小节我们还是来做一个简单介绍。

任何软件都有多种安装方法，这个我们在Linux-软件安装有提到过，所以我们这里也重点介绍下其中两种部署方法：二进制部署；yum安装。

上个小节我们介绍了分片和副本，并且通过命令创建索引，在创建索引的时候定义了分片和副本，但是我们并没有向索引里面写入数据，今天我们就来介绍如何向Elasticsearch（ES）里面写入数据。

前面我们介绍了ES里面的核心概念索引和文档，我们下面来通过命令查询和创建它，并且就顺势就引入了主分片和副本分片的概念。

前面我们已经完成了Elasticsearch（ES）的部署，无论是单机还是集群，最终都要向里面写入数据，写入数据就需要先对下面2个概念有一定的理解，他们分别是：索引 (Index) 和 文档 (Document)。

由于我们后面的要讲解的概念需要在集群环境里面更容易体现，所以我们这里先部署集群。所以这里我们以最小的3节点集群配置。

我们上一个小节，我们对Elasticsearch （ES）有了基本的了解，本小节就来部署他，部署之前需要先了解他的版本。

我们在上一个章节介绍大数据领域一个很重要软件：HDFS，但是这里存储的文件主要普通文件。在实际环境里面会存在大量的类似日志文件（一条一条的记录），这样的数据我们还需要进行分析，从而获取我们需要的信息。这样的数据适合存储在我们的今天的主角：Elasticsearch，简称ES。