{“bool”: {“must”: […]}}
q = ~Q(“match”, title=“python”)
s = s.query(q).execute()
print(s.to_dict())
{“bool”: {“must_not”: […]}}
过滤,在此为范围过滤,range
是方法,timestamp
是所要查询的 field
名字,gte
为大于等于,lt
为小于,根据需要设定即可。
关于 term
和 match
的区别,term
是精确匹配,match
会模糊化,会进行分词,返回匹配度分数,(term
如果查询小写字母的字符串,有大写会返回空即没有命中,match
则是不区分大小写都可以进行查询,返回结果也一样)
范围查询
s = s.filter(“range”, timestamp={“gte”: 0, “lt”: time.time()}).query(“match”, country=“in”)
普通过滤
res_3 = s.filter(“terms”, balance_num=[“39225”, “5686”]).execute()
其他写法:
s = Search()
s = s.filter(‘terms’, tags=[‘search’, ‘python’])
print(s.to_dict())
{‘query’: {‘bool’: {‘filter’: [{‘terms’: {‘tags’: [‘search’, ‘python’]}}]}}}
s = s.query(‘bool’, filter=[Q(‘terms’, tags=[‘search’, ‘python’])])
print(s.to_dict())
{‘query’: {‘bool’: {‘filter’: [{‘terms’: {‘tags’: [‘search’, ‘python’]}}]}}}
s = s.exclude(‘terms’, tags=[‘search’, ‘python’])
或者
s = s.query(‘bool’, filter=[~Q(‘terms’, tags=[‘search’, ‘python’])])
print(s.to_dict())
{‘query’: {‘bool’: {‘filter’: [{‘bool’: {‘must_not’: [{‘terms’: {‘tags’: [‘search’, ‘python’]}}]}}]}}}
聚合可以放在查询,过滤等操作的后面叠加,需要加 aggs
。
bucket
即为分组,其中第一个参数是分组的名字,自己指定即可,第二个参数是方法,第三个是指定的 field
。
metric
也是同样,metric
的方法有 sum
、avg
、max
、min
等,但是需要指出的是,有两个方法可以一次性返回这些值,stats
和 extended_stats
,后者还可以返回方差等值。
实例1
s.aggs.bucket(“per_country”, “terms”, field=“timestamp”).metric(“sum_click”, “stats”, field=“click”).metric(“sum_request”, “stats”, field=“request”)
实例2
s.aggs.bucket(“per_age”, “terms”, field=“click.keyword”).metric(“sum_click”, “stats”, field=“click”)
实例3
s.aggs.metric(“sum_age”, “extended_stats”, field=“impression”)
实例4
s.aggs.bucket(“per_age”, “terms”, field=“country.keyword”)
实例5,此聚合是根据区间进行聚合
a = A(“range”, field=“account_number”, ranges=[{“to”: 10}, {“from”: 11, “to”: 21}])
res = s.execute()
最后依然要执行 execute()
,此处需要注意,s.aggs
操作不能用变量接收(如 res=s.aggs
,这个操作是错误的),聚合的结果会保存到 res
中显示。
排序
s = Search().sort(
‘category’,
‘-title’,
{“lines” : {“order” : “asc”, “mode” : “avg”}}
)
分页
s = s[10:20]
{“from”: 10, “size”: 10}
一些扩展方法,感兴趣的同学可以看看:
s = Search()
设置扩展属性使用.extra()
方法
s = s.extra(explain=True)
设置参数使用.params()
s = s.params(search_type=“count”)
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。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Python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,同时减轻大家的负担。
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,基本涵盖了95%以上Python开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以添加V获取:vip1024c (备注Python)
最后
Python崛起并且风靡,因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低,但它的晋级路线很多,通过它你能进入机器学习、数据挖掘、大数据,CS等更加高级的领域。Python可以做网络应用,可以做科学计算,数据分析,可以做网络爬虫,可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多,你需要学好基础,再选择明确的方向。这里给大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!
👉Python所有方向的学习路线👈
Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
👉Python必备开发工具👈
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
👉Python全套学习视频👈
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
👉实战案例👈
学python就与学数学一样,是不能只看书不做题的,直接看步骤和答案会让人误以为自己全都掌握了,但是碰到生题的时候还是会一筹莫展。
因此在学习python的过程中一定要记得多动手写代码,教程只需要看一两遍即可。
👉大厂面试真题👈
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
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,都欢迎扫码加入我们的的圈子(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!
的解答,刷完这一套面试资料相信大家都能找到满意的工作。
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,都欢迎扫码加入我们的的圈子(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!
[外链图片转存中…(img-5MFbtPFF-1712557310698)]