elk7.10.2安装（win10伪环境版）

最新推荐文章于 2024-09-18 10:07:01 发布

leveretz

最新推荐文章于 2024-09-18 10:07:01 发布

阅读量453

点赞数

分类专栏：大数据文章标签： elk7

本文链接：https://blog.csdn.net/leveretz/article/details/113846066

版权

大数据专栏收录该内容

70 篇文章 7 订阅

订阅专栏

ELK介绍

Near Realtime（近实时）：Elasticsearch是一个近乎实时的搜索平台，这意味着从索引文档到可搜索文档之间只有一个轻微的延迟(通常是一秒钟)。

Cluster（集群）：群集是一个或多个节点的集合，它们一起保存整个数据，并提供跨所有节点的联合索引和搜索功能。每个群集都有自己的唯一群集名称，节点通过名称加入群集。

Node（节点）：节点是指属于集群的单个Elasticsearch实例，存储数据并参与集群的索引和搜索功能。可以将节点配置为按集群名称加入特定集群，默认情况下，每个节点都设置为加入一个名为elasticsearch的群集。

Index（索引）：索引是一些具有相似特征的文档集合，类似于MySql中数据库的概念。

Type（类型）：类型是索引的逻辑类别分区，通常，为具有一组公共字段的文档类型，类似MySql中表的概念。注意：在Elasticsearch 6.0.0及更高的版本中，一个索引只能包含一个类型。

Document（文档）：文档是可被索引的基本信息单位，以JSON形式表示，类似于MySql中行记录的概念。

Shards（分片）：当索引存储大量数据时，可能会超出单个节点的硬件限制，为了解决这个问题，Elasticsearch提供了将索引细分为分片的概念。分片机制赋予了索引水平扩容的能力、并允许跨分片分发和并行化操作，从而提高性能和吞吐量。

Replicas（副本）：在可能出现故障的网络环境中，需要有一个故障切换机制，Elasticsearch提供了将索引的分片复制为一个或多个副本的功能，副本在某些节点失效的情况下提供高可用性。

Elasticsearch

下载

elasticsearch-7.10.2-windows-x86_64.zip

解压

elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.10.2/elasticsearch-analysis-ik-7.10.2.zip

启动

elasticsearch

验证

http://localhost:9200

bin\elasticsearch-sql-cli http://localhost:9200

show tables;

Logstash

下载

logstash-7.10.2-windows-x86_64.zip

解压

配置

拷贝config/logstash-sample.conf bin目录下，并改名为logstash.conf

案例1：

input {

file{

path => "var/log/nginx/access.log"

#type => "system"

#start_position => "beginning"

}

output {

elasticsearch {

hosts => ["192.168.13.129:9200"]

index => "logstash-nginx-access"

#index => "system-%{+YYYY.MM.dd}"

}

案例2：

input {

tcp {

mode => "server"

host => "0.0.0.0"

port => 4560

codec => json_lines

type => "debug"

}

tcp {

mode => "server"

host => "0.0.0.0"

port => 4561

codec => json_lines

type => "error"

}

tcp {

mode => "server"

host => "0.0.0.0"

port => 4562

codec => json_lines

type => "business"

}

tcp {

mode => "server"

host => "0.0.0.0"

port => 4563

codec => json_lines

type => "record"

}

filter{

if [type] == "record" {

mutate {

remove_field => "port"

remove_field => "host"

remove_field => "@version"

}

json {

source => "message"

remove_field => ["message"]

}

output {

elasticsearch {

hosts => "localhost:9200"

index => "mall-%{type}-%{+YYYY.MM.dd}"

}

json_line

logstash-plugin install logstash-codec-json_lines

启动

logstash -f logstash.conf

验证

http://localhost:9200/

Kibana

下载

kibana-7.10.2-windows-x86_64.zip

解压

中文

修改config/kibana.yml

i18n.locale: "zh-CN"

配置

修改config/kibana.yml

a.修改kibana服务端口（默认：5601)

#server.port: 5601

server.port: 5601

b.修改kibana服务ip(默认：localhost)

#server.host: “localhost”

server.host: “192.168.50.11”

c.修改elasticsearch地址（默认：http://localhost:9200)

替换成你要替换的搜索引擎的地址

#elasticsearch.url: “http://localhost:9200”

elasticsearch.url: “http://192.168.50.11:9200”

启动

kibana

kibana -d

nohub kibana &

验证

http://localhost:5601

http://localhost:5601/status

ELK使用

以下均使用kibana的dev-tools操作elasticsearch，采用DSL语言。

集群状态

查看集群健康状态：GET /_cat/health?v

查看节点状态：GET /_cat/nodes?v

查看所有索引信息：GET /_cat/indices?v

索引操作

创建索引并查看；

PUT /customer

GET /_cat/indices?v

删除索引并查看；

DELETE /customer

GET /_cat/indices?v

类型操作

查看文档的类型；

GET /bank/account/_mapping

文档操作

在索引中添加文档；

PUT /customer/doc/1

{

"name": "John Doe"

}

查看索引中的文档；

GET /customer/doc/1

修改索引中的文档：

POST /customer/doc/1/_update

{

"doc": { "name": "Jane Doe" }

}

删除索引中的文档；

DELETE /customer/doc/1

对索引中的文档执行批量操作；

POST /customer/doc/_bulk

{"index":{"_id":"1"}}

{"name": "John Doe" }

{"index":{"_id":"2"}}

{"name": "Jane Doe" }

数据搜索

查询表达式(Query DSL)是一种非常灵活又富有表现力的查询语言，Elasticsearch使用它可以以简单的JSON接口来实现丰富的搜索功能，下面的搜索操作都将使用它。

数据准备

首先我们需要导入一定量的数据用于搜索，使用的是银行账户表的例子，数据结构如下：

{

"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"

}

我们先复制下需要导入的数据，数据地址： https://github.com/macrozheng/mall-learning/blob/master/document/json/accounts.json

然后直接使用批量操作来导入数据，注意本文所有操作都在Kibana的Dev Tools中进行；

POST /bank/account/_bulk

{

"index": {

"_id": "1"

}

{

"account_number": 1,

"balance": 39225,

"firstname": "Amber",

"lastname": "Duke",

"age": 32,

"gender": "M",

"address": "880 Holmes Lane",

"employer": "Pyrami",

"email": "amberduke@pyrami.com",

"city": "Brogan",

"state": "IL"

}

......省略若干条数据

导入完成后查看索引信息，可以发现bank索引中已经创建了1000条文档。

GET /_cat/indices?v

搜索入门

搜索全部

最简单的搜索，使用match_all来表示，例如搜索全部；

GET /bank/_search

{

"query": { "match_all": {} }

}

分页搜索

from表示偏移量，从0开始，size表示每页显示的数量；

GET /bank/_search

{

"query": { "match_all": {} },

"from": 0,

"size": 10

}

搜索排序

使用sort表示，例如按balance字段降序排列；

GET /bank/_search

{

"query": { "match_all": {} },

"sort": { "balance": { "order": "desc" } }

}

指定字段

搜索并返回指定字段内容，使用_source表示，例如只返回account_number和balance两个字段内容：

GET /bank/_search

{

"query": { "match_all": {} },

"_source": ["account_number", "balance"]

}

条件搜索

使用match表示匹配条件，例如搜索出account_number为20的文档：

GET /bank/_search

{

"query": {

"match": {

"account_number": 20

}

模糊匹配

文本类型字段的条件搜索，例如搜索address字段中包含mill的文档，对比上一条搜索可以发现，对于数值类型match操作使用的是精确匹配，对于文本类型使用的是模糊匹配；

GET /bank/_search

{

"query": {

"match": {

"address": "mill"

}

"_source": [

"address",

"account_number"

]

}

短语匹配

短语匹配搜索，使用match_phrase表示，例如搜索address字段中同时包含mill和lane的文档：

GET /bank/_search

{

"query": {

"match_phrase": {

"address": "mill lane"

}

组合搜索must

使用bool来进行组合，must表示同时满足，例如搜索address字段中同时包含mill和lane的文档；

GET /bank/_search

{

"query": {

"bool": {

"must": [

{ "match": { "address": "mill" } },

{ "match": { "address": "lane" } }

]

}

组合搜索should

should表示满足其中任意一个，搜索address字段中包含mill或者lane的文档；

GET /bank/_search

{

"query": {

"bool": {

"should": [

{ "match": { "address": "mill" } },

{ "match": { "address": "lane" } }

]

}

组合搜索must_not

must_not表示同时不满足，例如搜索address字段中不包含mill且不包含lane的文档；

GET /bank/_search

{

"query": {

"bool": {

"must_not": [

{ "match": { "address": "mill" } },

{ "match": { "address": "lane" } }

]

}

组合搜索must和must_not

组合must和must_not，例如搜索age字段等于40且state字段不包含ID的文档；

GET /bank/_search

{

"query": {

"bool": {

"must": [

{ "match": { "age": "40" } }

"must_not": [

{ "match": { "state": "ID" } }

]

}

过滤搜索

搜索过滤，使用filter来表示，例如过滤出balance字段在20000~30000的文档；

GET /bank/_search

{

"query": {

"bool": {

"must": { "match_all": {} },

"filter": {

"range": {

"balance": {

"gte": 20000,

"lte": 30000

}

搜索聚合

对搜索结果进行聚合，使用aggs来表示，类似于MySql中的group by，例如对state字段进行聚合，统计出相同state的文档数量；

GET /bank/_search

{

"size": 0,

"aggs": {

"group_by_state": {

"terms": {

"field": "state.keyword"

}

嵌套聚合

例如对state字段进行聚合，统计出相同state的文档数量，再统计出balance的平均值；

GET /bank/_search

{

"size": 0,

"aggs": {

"group_by_state": {

"terms": {

"field": "state.keyword"

"aggs": {

"average_balance": {

"avg": {

"field": "balance"

}

聚合搜索排序

对聚合搜索的结果进行排序，例如按balance的平均值降序排列；

GET /bank/_search

{

"size": 0,

"aggs": {

"group_by_state": {

"terms": {

"field": "state.keyword",

"order": {

"average_balance": "desc"

}

"aggs": {

"average_balance": {

"avg": {

"field": "balance"

}

分段聚合

按字段值的范围进行分段聚合，例如分段范围为age字段的[20,30] [30,40] [40,50]，之后按gender统计文档个数和balance的平均值；

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"

}

sql-cli

如果你不想使用Kibana来使用ES SQL的话，也可以使用ES自带的SQL CLI来查询，该命令位于ES的bin目录下。

使用如下命令启动SQL CLI：

elasticsearch-sql-cli http://localhost:9200

然后直接输入SQL命令即可查询了，注意要加分号。

SELECT account_number,address,age,balance FROM account LIMIT 10;

局限性

使用SQL查询ES有一定的局限性，没有原生的Query DSL那么强大，对于嵌套属性和某些函数的支持并不怎么好，但是平时用来查询下数据基本够用了。

分词器

使用默认分词器，可以发现默认分词器只是将中文逐词分隔，并不符合我们的需求；

GET /pms/_analyze

{

"text": "小米手机性价比很高",

"tokenizer": "standard"

}

使用中文分词器以后，可以将中文文本按语境进行分隔，可以满足我们的需求。

GET /pms/_analyze

{

"text": "小米手机性价比很高",

"tokenizer": "ik_max_word"

}

案例1：成绩

创建一个成绩索引，字段说明：

姓名：name

性别：sex

课程：course

成绩：Score

建立索引，配置mapping。

name为text类型，用于全文检索（需要安装ik中文分词器插件），可视化统计时text类型的字段是不显示的；name_keyword为keyword类型，用于可视化时聚合。如果仅仅是测试kibana可视化，可以去掉name字段或"analyzer": “ik_max_word”。

PUT chengji

{

"mappings": {

"properties": {

"name": {

"type": "text",

"analyzer": "ik_max_word"

"name_keyword": {

"type": "keyword"

"sex": {

"type": "keyword"

"course": {

"type": "keyword"

"score": {

"type": "integer"

}

批量添加数据，打开Kibana的Dev Tools，运行如下命令：

POST _bulk