文章目录
ElasticSearch
Elasticsearch 是一个分布式、RESTful 风格的搜索和数据分析引擎,能够解决不断涌现出的各种用例。
ElasticSearch 是用Java开发并且是当前最流行的开源的企业级搜索引擎。
能够达到实时搜索,稳定,可靠,快速,安装使用方便。
客户端支持Java、.NET(C#)、PHP、Python、Ruby等多种语言。
ElasticSearch 与 Lucene 的关系
Lucene可以被认为是迄今为止最先进、性能最好的、功能最全的搜索引擎库(框架)
但是想要使用Lucene,必须使用Java来作为开发语言并将其直接集成到你的应用中,并且Lucene的配置及使用非常复杂,需要深入了解检索的相关知识来理解它是如何工作的。
Lucene缺点:
1)只能在Java项目中使用,并且要以jar包的方式直接集成项目中.
2)使用非常复杂-创建索引和搜索索引代码繁杂
3)不支持集群环境-索引数据不同步(不支持大型项目)
4)索引数据如果太多就不行,索引库和应用所在同一个服务器,共同占用硬盘.共用空间少.
上述Lucene框架中的缺点, ES全部都能解决.
ElasticSearch 与 Solr
Solr
- Solr 利用 Zookeeper 进行分布式管理,而Elasticsearch 自身带有分布式协调管理功能。
- Solr 支持更多格式的数据,比如JSON、XML、CSV,而 Elasticsearch 仅支持json文件格式。
- Solr 在传统的搜索应用中表现好于 Elasticsearch,但在处理实时搜索应用时效率明显低于 Elasticsearch。
- Solr 是传统搜索应用的有力解决方案,但 Elasticsearch更适用于新兴的实时搜索应用。
比较
- 当单纯的对已有数据进行搜索时,Solr更快
- 当实时建立索引时, Solr会产生io阻塞,查询性能较差, Elasticsearch具有明显的优势
- 大型互联网公司,实际生产环境测试,将搜索引擎从Solr转到 ElasticSearch以后的平均查询速度有了50倍的提升
ElasticSearch 与 关系型数据库 概念类比
关系型数据库 | Database(数据库) | Table(表) | Row(行) | Column(列) |
---|---|---|---|---|
ElasticSearch | Index(索引库) | Type(类型) | Document(文档) | Field(字段) |
在6之前一个Index可以对应多个Type, 从6开始, 一个Index只能对应一个Type, 8将会移除Type概念
Lucene 全文检索框架
全文检索
- 通过一个程序扫描文本中的每一个单词,针对单词建立索引,并保存该单词在文本中的位置、以及出现的次数
- 用户查询时,通过之前建立好的索引来查询,将索引中单词对应的文本位置、出现的次数返回给用户,因为有了具体文本的位置,所以就可以将具体内容读取出来了
分词原理之倒排索引
通常我们根据id来找数据, 倒排索引是根据数据来找id
ElasticSearch 核心概念
索引 index
一个索引就是一个拥有几分相似特征的文档的集合。比如说,可以有一个客户数据的索引,另一个产品目录的索引,还有一个订单数据的索引
一个索引由一个名字来标识(必须全部是小写字母的),并且当我们要对对应于这个索引中的文档进行索引、搜索、更新和删除的时候,都要使用到这个名字
映射 mapping
ElasticSearch中的映射(Mapping)用来定义一个文档
mapping是处理数据的方式和规则方面做一些限制,如某个字段的数据类型、默认值、分词器、是否被索引等等,这些都是映射里面可以设置的
字段 Field
相当于是数据表的字段|列
字段类型 Type
每一个字段都应该有一个对应的类型,例如:Text、Keyword、Byte等
文档 document
一个文档是一个可被索引的基础信息单元,类似一条记录。文档以JSON(Javascript Object Notation)格式来表示
集群 cluster
一个集群就是由一个或多个节点组织在一起,它们共同持有整个的数据,并一起提供索引和搜索功能
节点 node
一个节点是集群中的一个服务器,作为集群的一部分,它存储数据,参与集群的索引和搜索功能
一个节点可以通过配置集群名称的方式来加入一个指定的集群。默认情况下,每个节点都会被安排加入到一个叫做“elasticsearch”的集群中
这意味着,如果在网络中启动了若干个节点,并假定它们能够相互发现彼此,它们将会自动地形成并加入到一个叫做“elasticsearch”的集群
在一个集群里,可以拥有任意多个节点。而且,如果当前网络中没有运行任何ElasticSearch节点,这时启动一个节点,会默认创建并加入一个叫做“elasticsearch”的集群
分片和副本 shards & replicas
分片
一个索引可以存储超出单个结点硬件限制的大量数据。比如,一个具有10亿文档的索引占据1TB的磁盘空间,而任一节点都没有这样大的磁盘空间;或者单个节点处理搜索请求,响应太慢
为了解决这个问题,ElasticSearch提供了将索引划分成多份的能力,这些份就叫做分片
当创建一个索引的时候,可以指定你想要的分片的数量
每个分片本身也是一个功能完善并且独立的“索引”,这个“索引”可以被放置到集群中的任何节点上
分片很重要,主要有两方面的原因
- 允许水平分割/扩展你的内容容量
- 允许在分片之上进行分布式的、并行的操作,进而提高性能/吞吐量
至于一个分片怎样分布,它的文档怎样聚合回搜索请求,是完全由ElasticSearch管理的,对于作为用户来说,这些都是透明的
在7之前, 默认是5个分片, 从7开始, 默认是1个分片
副本
在一个网络/云的环境里,失败随时都可能发生,在某个分片/节点不知怎么的就处于离线状态,或者由于任何原因消失了,这种情况下,有一个故障转移机制是非常有用并且是强烈推荐的。为此目的,ElasticSearch允许创建分片的一份或多份拷贝,这些拷贝叫做副本分片,或者直接叫副本
副本之所以重要,有两个主要原因
- 在分片/节点失败的情况下,提供了高可用性。注意到复制分片从不与原/主要(original/primary)分片置于同一节点上是非常重要的
- 扩展搜索量/吞吐量,因为搜索可以在所有的副本上并行运行,每个索引可以被分成多个分片。一个索引有0个或者多个副本,一旦设置了副本,每个索引就有了主分片和副本分片,分片和副本的数量可以在索引创建的时候指定,在索引创建之后,可以在任何时候动态地改变副本的数量,但是不能改变分片的数量
ElasticSearch 环境搭建
ElasticSearch 数据管理
ES是面向文档(document oriented)的,这意味着它可以存储整个对象或文档(document)。
然而它不仅仅是存储,还会索引(index)每个文档的内容使之可以被搜索。
在ES中,你可以对文档(而非成行成列的数据)进行索引、搜索、排序、过滤。
ES使用JSON作为文档序列化格式。
JSON现在已经被大多语言所支持,而且已经成为NoSQL领域的标准格式。
ES存储的一个员工文档的格式示例:
{
"email": "584614151@qq.com",
"name": "张三",
"age": 30,
"interests": [ "篮球", "健身" ]
}
基本操作
创建索引
格式: PUT /索引名称
举例: PUT /es
查询索引
格式: GET /索引名称
举例: GET /es
删除索引
格式: DELETE /索引名称
举例: DELETE /es
添加文档
格式: PUT /索引名称/类型/id
举例:
举例:
PUT /es/_doc/1
{
"name": "张三",
"sex": 1,
"age": 25,
"address": "广州天河公园",
"remark": "java developer"
}
PUT /es/_doc/2
{
"name": "李四",
"sex": 1,
"age": 28,
"address": "广州荔湾大厦",
"remark": "java assistant"
}
PUT /es/_doc/3
{
"name": "rod",
"sex": 0,
"age": 26,
"address": "广州白云山公园",
"remark": "php developer"
}
PUT /es/_doc/4
{
"name": "admin",
"sex": 0,
"age": 22,
"address": "长沙橘子洲头",
"remark": "python assistant"
}
PUT /es/_doc/5
{
"name": "小明",
"sex": 0,
"age": 19,
"address": "长沙岳麓山",
"remark": "java architect assistant"
}
修改文档
格式: PUT /索引名称/类型/id
举例:
PUT /es/_doc/1
{
"name": "张三三",
"sex": 1,
"age": 25,
"address": "张家界森林公园",
"remark": "php developer assistant"
}
注意:POST和PUT都能起到创建/更新的作用
- 需要注意的是 PUT 需要对一个具体的资源进行操作也就是要确定id才能进行更新/创建,而 POST 是可以针对整个资源集合进行操作的,如果不写id就由ES生成一个唯一id进行创建新文档,如果填了id那就针对这个id的文档进行创建/更新
- PUT只会将json数据都进行替换, POST只会更新相同字段的值
- PUT与DELETE都是幂等性操作, 即不论操作多少次, 结果都一样
查询文档
格式: GET /索引名称/类型/id
举例: GET /es/_doc/1
删除文档
格式: DELETE /索引名称/类型/id
举例: DELETE /es/_doc/1
Restful认识
Restful是一种面向资源的架构风格,可以简单理解为:使用URL定位资源,用HTTP动词(GET,POST,DELETE,PUT)描述操作。 基于Restful API ES和所有客户端的交互都是使用JSON格式的数据.
其他所有程序语言都可以使用RESTful API,通过9200端口的与ES进行通信
- GET 查询
- PUT 添加
- POST 修改
- DELETE 删除
get http://localhost:8080/employee/1
get http://localhost:8080/employees
put http://localhost:8080/employee
{}
delete http://localhost:8080/employee/1
Post http://localhost:8080/employee/1
{}
使用Restful的好处:
- 透明性,暴露资源存在。
- 充分利用 HTTP 协议本身语义,不同请求方式进行不同的操作
ElasticSearch 基本查询操作
查询当前类型中的所有文档 _search
格式: GET /索引名称/类型/_search
举例: GET /es/_doc/_search
SQL: select * from student
条件查询, 如要查询age等于28岁的 _search?q=:**
格式: GET /索引名称/类型/_search?q=*:***
举例: GET /es/_doc/_search?q=age:28
SQL: select * from student where age = 28
范围查询, 如要查询age在25至26岁之间的 _search?q=*[ TO **] 注意: TO 必须为大写
格式: GET /索引名称/类型/_search?q=***[25 TO 26]
举例: GET /es/_doc/_search?q=age[25 TO 26]
SQL: select * from student where age between 25 and 26
根据多个ID进行批量查询 _mget
格式: GET /索引名称/类型/_mget
举例: GET /es/_doc/_mget
{
"ids":["1","2"]
}
SQL: select * from student where id in (1,2)
查询年龄小于等于28岁的 :<=
格式: GET /索引名称/类型/_search?q=age:<=**
举例: GET /es/_doc/_search?q=age:<=28
SQL: select * from student where age <= 28
查询年龄大于28前的 :>
格式: GET /索引名称/类型/_search?q=age:>**
举例: GET /es/_doc/_search?q=age:>28
SQL: select * from student where age > 28
分页查询 from=&size=
格式: GET /索引名称/类型/_search?q=age[25 TO 26]&from=0&size=1
举例:
GET /es/_search?q=age[25 TO 26]
GET /es/_search?q=age[25 TO 26]&from=0&size=1
GET /es/_search?q=age[25 TO 26]&from=1&size=1
SQL: select * from student where age between 25 and 26 limit 0, 1
对查询结果只输出某些字段 _source=字段,字段
格式: GET /索引名称/类型/_search?_source=字段,字段
举例: GET /es/_doc/_search?_source=name,age
SQL: select name,age from student
对查询结果排序 sort=字段:desc/asc
格式: GET /索引名称/类型/_search?sort=字段 desc
举例: GET /es/_doc/_search?sort=age:desc
SQL: select * from student order by age desc
ElasticSearch 基本批量操作
批量获取文档数据 _mapi
不在URL中指定index和type
- docs : 文档数组参数
- _index : 指定index
- _type : 指定type
- _id : 指定id
- _source : 指定要查询的字段
GET _mget
{
"docs": [{
"_index": "es",
"_type": "_doc",
"_id": 1
},
{
"_index": "es",
"_type": "_doc",
"_id": 2
}
]
}
在URL中指定idnex
GET /es/_mget
{
"docs": [{
"_type": "_doc",
"_id": 3
},
{
"_type": "_doc",
"_id": 4
}
]
}
GET /es/_mget
{
"docs": [{
"_id": 3
},
{
"_id": 4
}
]
}
在URL中指定index和type
GET /es/_doc/_mget
{
"docs": [{
"_id": 1
},
{
"_id": 2
}
]
}
GET /es/_mget
{
"docs": [{
"_id": 1
},
{
"_id": 2
}
]
}
批量操作文档 _bulk
通过_bulk操作文档,一般至少有两行参数(或偶数行参数), 第一行参数为指定操作的类型及操作的对象(index,type和id), 第二行参数才是操作的数据
类似于
{"actionName":{"_index":"indexName", "_type":"typeName","_id":"id"}}
{"field1":"value1", "field2":"value2"}
actionName:表示操作类型,主要有create,index,delete和update
批量创建 create
POST _bulk
{"create":{"_index":"article", "_type":"_doc", "_id":3}}
{"id":3,"title":"a","content":"b","tags":["java", "面向对象"],"create_time":1554015482530}
{"create":{"_index":"article", "_type":"_doc", "_id":4}}
{"id":4,"title":"c","content":"d","tags":["java", "面向对象"],"create_time":1554015482530}
普通创建或全量替换 index
POST _bulk
{"index":{"_index":"article", "_type":"_doc", "_id":3}}
{"id":3,"title":"e","content":"f","tags":["java", "面向对象"],"create_time":1554015482530}
{"index":{"_index":"article", "_type":"_doc", "_id":4}}
{"id":4,"title":"g","content":"h","tags":["java", "面向对象"],"create_time":1554015482530}
如果原文档不存在,则是创建
如果原文档存在,则是替换(全量修改原文档)
批量删除 delete
POST _bulk
{"delete":{"_index":"article", "_type":"_doc", "_id":3}}
{"delete":{"_index":"article", "_type":"_doc", "_id":4}}
批量修改 update
POST _bulk
{"update":{"_index":"article", "_type":"_doc", "_id":3}}
{"doc":{"title":"ES大法必修内功"}}
{"update":{"_index":"article", "_type":"_doc", "_id":4}}
{"doc":{"create_time":1554018421008}}
文档映射
映射用来描述文档的结构和配置等信息, 可以分为动态映射和静态映射
- 动态映射: 在关系数据库中,需要事先创建数据库,然后在该数据库下创建数据表,并创建表字段、类型、长度、主键等,最后才能基于表插入数据。而Elasticsearch中不需要定义Mapping映射(即关系型数据库的表、字段等),在文档写入Elasticsearch时,会根据文档字段自动识别类型,这种机制称之为动态映射。
- 静态映射: 静态映射是在Elasticsearch中也可以事先定义好映射,包含文档的各字段类型、分词器等,这种方式称之为静态映射。
动态印射规则
JSON数据 | 推测类型 |
---|---|
null | 没有字段被添加 |
true/false | boolean |
小数 | float |
数字 | long |
日期 | date/text |
字符串 | text |
数组 | 由其第一个非空值决定 |
JSON对象 | object |
// 获取印射
GET /es/_mapping
PUT test1
{
"settings": {
"number_of_shards": 10,
"number_of_replicas": 1,
"refresh_interval": "1s"
},
"mappings": {
"properties": {
"uid": {
"type": "long"
},
"phone": {
"type": "long"
},
"message": {
"type": "text",
"index": true,
"store": false
},
"msgcode": {
"type": "long"
},
"sendtime": {
"type": "date",
"format": "yyyy-MM-dd HH:mm:ss"
}
}
}
}
- number_of_shards: 是设置的分片数,设置之后无法更改!
- number_of_replicas : 是设置该索引库的副本数,建议设置为1以上。
- refresh_interval: 是设置es缓存的刷新时间,如果写入较为频繁,但是查询对实时性要求不那么高的话,可以设置高一些来提升性能。可以更改
动态映射
创建索引后直接添加文档即可自动创建动态印射
静态印射
创建索引后再创建印射, 之后再添加数据
PUT /es
{
"mappings": {
"properties": {
"name": {
"type": "keyword",
"index": true,
"store": true
},
"sex": {
"type": "integer",
"index": true,
"store": true
},
"age": {
"type": "integer",
"index": true,
"store": true
},
"book": {
"type": "text",
"index": true,
"store": true
},
"address": {
"type": "text",
"index": true,
"store": true
}
}
}
}
对已存在的mapping映射进行修改
在ES中,一个字段的mapping在定义并且导入数据之后是不能再修改的
- 重新建立一个索引, 并创建静态印射
- 然后把之前索引里的数据导入到新的索引里
- 删除原创建的索引
- 为新索引起个别名, 为原索引名
通过这几个步骤就实现了索引的平滑过渡, 并且是零停机
// 数据迁移(比_bluk快)
POST _reindex
{
"source": {
"index": "es"
},
"dest": {
"index": "es2"
}
}
DELETE /es
PUT /es2/_alias/es
常用核心类型(Core datatype)
- 字符串:string,string 类型包含 text 和 keyword。
- text:该类型被用来索引长文本,在创建索引前会将这些文本进行分词,转化为词的组合,建立索引;允许es来检索这些词,text类型不能用来排序和聚合。
- keyword:该类型不能分词,可以被用来检索过滤、排序和聚合,keyword类型不可用text进行分词模糊检索。
- 数值型:long、integer、short、byte、double、float
- 日期型:date
- 布尔型:boolean
keyword 与 text 映射类型的区别
按照官方文档的阐述,text类型的数据被用来索引长文本,例如电子邮件主体部分(正文)或者一款产品的介绍,这些文本会被分析,在建立索引文档之前会被分词器进行分词,转化为词组。经过分词机制之后es允许检索到该文本切分而成的词语,但是text类型的数据不能用来过滤、排序和聚合等操作。keyword类型的数据可以满足电子邮箱地址、主机名、状态码、邮政编码和标签等数据的要求,不进行分词,常常被用来过滤、排序和聚合。
综上,可以发现text类型在存储数据的时候会默认进行分词,并生成索引。而keyword存储数据的时候,不会分词建立索引,显然,这样划分数据更加节省内存。
这样,我们映射了某一个字段为keyword类型之后,就不用设置任何有关分词器的事情了,该类型就是默认不分词的文本数据类型。而对于text类型,我们还可以设置它的分词类型, 如下
PUT /es
{
"mappings": {
"properties": {
"name": {
"type": "keyword",
"index": true,
"store": true
},
"book": {
"type": "text",
"index": true,
"store": true,
"analyzer": "ik_smart",
"search_analyzer": "ik_smart"
}
}
}
}
- index: 该字段是否添加到倒序索引中, 只有添加到索引中, 依赖此值查找时才能找得到
- keyword: 使用完整的值才能查到数据
- text: 使用匹配分词结果中的任意一个词即可查到数据
- store: 该字段是否存储到数据表??? 通过测试发现即使store的值为false, 查询照样能看到字段的值, 原因参考如下
elasticsearch 设置 mapping 时的 store 属性
图解Elasticsearch中的_source、_all、store和index属性
ElasticSearch 乐观并发控制
- 悲观并发控制: 这种方法被关系型数据库广泛使用,它假定有变更冲突可能发生,因此阻塞访问资源以防止冲突。 一个典型的例子是读取一行数据之前先将其锁住,确保只有放置锁的线程能够对这行数据进行修改。
- 乐观并发控制: ElasticSearch 中使用的这种方法假定冲突是不可能发生的,并且不会阻塞正在尝试的操作。 然而,如果源数据在读写当中被修改,更新将会失败。应用程序接下来将决定该如何解决冲突。 例如,可以重试更新、使用新的数据、或者将相关情况报告给用户。
旧版本使用 _version
PUT /es/_doc/1?version=1
{
"name": "Jack"
}
7.x 使用 seq_no 和 primary_term
- _seq_no:文档版本号,作用同_version, version是文档的属性, seq_no是索引的属性, 同一个索引中不同文档有不同version但会有相同seq_no
- _primary_term:每当 PrimaryShard发生重新分配时, 如重启, 选举等, _primary_term会递增1, 主要用来恢复数据时处理多个文档的_seq_no一样时的冲突, 如一个shard宕机, replica需要用到最新的数据, 就会根据_primary_term和_seq_no这两个值来拿到最新的文档
POST /es/_update/1
{
"doc": {
"name": "666"
}
}
POST /es/_update/1/?if_seq_no=2&if_primary_term=1
{
"doc": {
"name": "777"
}
}
POST /es/_update/1/?if_seq_no=2&if_primary_term=1
{
"doc": {
"name": "888"
}
}