elasticsearch02

已于 2022-10-03 16:09:53 修改
阅读量110 收藏
点赞数
分类专栏： 搜索引擎 文章标签： elasticsearch 大数据 搜索引擎
于 2022-09-25 10:50:10 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40742428/article/details/127035293
版权

1.DSL查询文档

elasticsearch的查询依然是基于JSON风格的DSL来实现的。

1.1.DSL查询分类

Elasticsearch提供了基于JSON的DSL（Domain Specific Language）来定义查询。常见的查询类型包括：

  • 查询所有：查询出所有数据，一般测试用。例如：match_all
  • 全文检索（full text）查询：利用分词器对用户输入内容分词，然后去倒排索引库中匹配。例如：
    • match_query
    • multi_match_query
  • 精确查询：根据精确词条值查找数据，一般是查找keyword、数值、日期、boolean等类型字段。例如：
    • ids
    • range
    • term
  • 地理（geo）查询：根据经纬度查询。例如：
    • geo_distance
    • geo_bounding_box
  • 复合（compound）查询：复合查询可以将上述各种查询条件组合起来，合并查询条件。例如：
    • bool
    • function_score

查询的语法基本一致：

在这里插入图片描述
我们以查询所有为例，其中：
查询类型为match_all
没有查询条件
在这里插入图片描述
其它查询无非就是查询类型、查询条件的变化

1.2.全文检索查询

1.2.1.使用场景

全文检索查询的基本流程如下：

  • 对用户搜索的内容做分词，得到词条
  • 根据词条去倒排索引库中匹配，得到文档id
  • 根据文档id找到文档，返回给用户

比较常用的场景包括：

  • 商城的输入框搜索
  • 百度输入框搜索

例如京东：
在这里插入图片描述
因为是拿着词条去匹配，因此参与搜索的字段也必须是可分词的text类型的字段。

1.2.2.基本语法

常见的全文检索查询包括：

  • match查询：单字段查询
  • multi_match查询：多字段查询，任意一个字段符合条件就算符合查询条件

match查询语法如下：
在这里插入图片描述
mulit_match语法如下：
在这里插入图片描述

1.2.3.示例

在这里插入图片描述
multi_match查询示例：
在这里插入图片描述
可以看到，两种查询结果是一样的，为什么？
因为我们将brand、name、business值都利用copy_to复制到了all字段中。因此你根据三个字段搜索，和根据all字段搜索效果当然一样了。
但是，搜索字段越多，对查询性能影响越大，因此建议采用copy_to，然后单字段查询的方式。

1.2.4.总结

match和multi_match的区别是什么？

  • match：根据一个字段查询
  • multi_match：根据多个字段查询，参与查询字段越多，查询性能越差

1.3.精准查询

精确查询一般是查找keyword、数值、日期、boolean等类型字段。所以不会对搜索条件分词。常见的有：

  • term：根据词条精确值查询
  • range：根据值的范围查询

1.3.1.term查询

因为精确查询的字段搜是不分词的字段，因此查询的条件也必须是不分词的词条。查询时，用户输入的内容跟自动值完全匹配时才认为符合条件。如果用户输入的内容过多，反而搜索不到数据。
语法说明：
在这里插入图片描述
示例：
当我搜索的是精确词条时，能正确查询出结果：
在这里插入图片描述
但是，当我搜索的内容不是词条，而是多个词语形成的短语时，反而搜索不到：
在这里插入图片描述

1.3.2.range查询

范围查询，一般应用在对数值类型做范围过滤的时候。比如做价格范围过滤。
基本语法：
在这里插入图片描述
示例：
在这里插入图片描述

1.3.3.总结

精确查询常见的有哪些？

  • term查询：根据词条精确匹配，一般搜索keyword类型、数值类型、布尔类型、日期类型字段
  • range查询：根据数值范围查询，可以是数值、日期的范围

1.4.地理坐标查询

所谓的地理坐标查询，其实就是根据经纬度查询，官方文档：https://www.elastic.co/guide/en/elasticsearch/reference/current/geo-queries.html
常见的使用场景包括：

  • 携程：搜索我附近的酒店
  • 滴滴：搜索我附近的出租车
  • 微信：搜索我附近的人

1.4.1.矩形范围查询

矩形范围查询，也就是geo_bounding_box查询，查询坐标落在某个矩形范围的所有文档：
在这里插入图片描述
查询时，需要指定矩形的左上、右下两个点的坐标，然后画出一个矩形，落在该矩形内的都是符合条件的点。
语法如下：
在这里插入图片描述

1.4.2.附近查询

附近查询，也叫做距离查询（geo_distance）：查询到指定中心点小于某个距离值的所有文档。
换句话来说，在地图上找一个点作为圆心，以指定距离为半径，画一个圆，落在圆内的坐标都算符合条件：
在这里插入图片描述
语法说明
在这里插入图片描述
示例：
我们先搜索陆家嘴附近15km的酒店：
在这里插入图片描述
发现共有47家酒店。
然后把半径缩短到3公里：
在这里插入图片描述
可以发现，搜索到的酒店数量减少到了5家。

1.5.复合查询

复合（compound）查询：复合查询可以将其它简单查询组合起来，实现更复杂的搜索逻辑。常见的有两种：

  • fuction score：算分函数查询，可以控制文档相关性算分，控制文档排名
  • bool query：布尔查询，利用逻辑关系组合多个其它的查询，实现复杂搜索

1.5.1.相关性算分

当我们利用match查询时，文档结果会根据与搜索词条的关联度打分（_score），返回结果时按照分值降序排列。
例如，我们搜索 “虹桥如家”，结果如下：
在这里插入图片描述
在elasticsearch中，早期使用的打分算法是TF-IDF算法，公式如下：
在这里插入图片描述
在后来的5.1版本升级中，elasticsearch将算法改进为BM25算法，公式如下：
在这里插入图片描述
TF-IDF算法有一各缺陷，就是词条频率越高，文档得分也会越高，单个词条对文档影响较大。而BM25则会让单个词条的算分有一个上限，曲线更加平滑：
在这里插入图片描述
小结：elasticsearch会根据词条和文档的相关度做打分，算法由两种：

  • TF-IDF算法
  • BM25算法，elasticsearch5.1版本后采用的算法

1.5.2.算分函数查询

根据相关度打分是比较合理的需求，但合理的不一定是产品经理需要的。
以百度为例，你搜索的结果中，并不是相关度越高排名越靠前，而是谁掏的钱多排名就越靠前。如图：
在这里插入图片描述
要想认为控制相关性算分，就需要利用elasticsearch中的function score 查询了。
1）语法说明
在这里插入图片描述
function score 查询中包含四部分内容：

  • 原始查询条件：query部分，基于这个条件搜索文档，并且基于BM25算法给文档打分，原始算分（query score)
  • 过滤条件：filter部分，符合该条件的文档才会重新算分
  • 算分函数：符合filter条件的文档要根据这个函数做运算，得到的函数算分（function score），有四种函数
    weight：函数结果是常量
    field_value_factor：以文档中的某个字段值作为函数结果
    random_score：以随机数作为函数结果
    script_score：自定义算分函数算法
  • 运算模式：算分函数的结果、原始查询的相关性算分，两者之间的运算方式，包括：
    multiply：相乘
    replace：用function score替换query score
    其它，例如：sum、avg、max、min

function score的运行流程如下：

  • 根据原始条件查询搜索文档，并且计算相关性算分，称为原始算分（query score）
  • 根据过滤条件，过滤文档
  • 符合过滤条件的文档，基于算分函数运算，得到函数算分（function score）
  • 将原始算分（query score）和函数算分（function score）基于运算模式做运算，得到最终结果，作为相关性算分。

因此，其中的关键点是：

  • 过滤条件：决定哪些文档的算分被修改
  • 算分函数：决定函数算分的算法
  • 运算模式：决定最终算分结果

2）示例
需求：给“如家”这个品牌的酒店排名靠前一些
翻译一下这个需求，转换为之前说的四个要点：

  • 原始条件：不确定，可以任意变化
  • 过滤条件：brand = “如家”
  • 算分函数：可以简单粗暴，直接给固定的算分结果，weight
  • 运算模式：比如求和

因此最终的DSL语句如下：
在这里插入图片描述
测试，在未添加算分函数时，如家得分如下：
在这里插入图片描述

添加了算分函数后，如家得分就提升了：
在这里插入图片描述
3）小结
function score query定义的三要素是什么？

  • 过滤条件：哪些文档要加分
  • 算分函数：如何计算function score
  • 加权方式：function score 与 query score如何运算

1.5.3.布尔查询

布尔查询是一个或多个查询子句的组合，每一个子句就是一个子查询。子查询的组合方式有：

  • must：必须匹配每个子查询，类似“与”
  • should：选择性匹配子查询，类似“或”
  • must_not：必须不匹配，不参与算分，类似“非”
  • filter：必须匹配，不参与算分

比如在搜索酒店时，除了关键字搜索外，我们还可能根据品牌、价格、城市等字段做过滤：
在这里插入图片描述
每一个不同的字段，其查询的条件、方式都不一样，必须是多个不同的查询，而要组合这些查询，就必须用bool查询了。
需要注意的是，搜索时，参与打分的字段越多，查询的性能也越差。因此这种多条件查询时，建议这样做：

  • 搜索框的关键字搜索，是全文检索查询，使用must查询，参与算分
  • 其它过滤条件，采用filter查询。不参与算分

1）语法示例：
在这里插入图片描述
2）示例
需求：搜索名字包含“如家”，价格不高于400，在坐标31.21,121.5周围10km范围内的酒店。
分析：

  • 名称搜索，属于全文检索查询，应该参与算分。放到must中
  • 价格不高于400，用range查询，属于过滤条件，不参与算分。放到must_not中
  • 周围10km范围内，用geo_distance查询，属于过滤条件，不参与算分。放到filter中
    在这里插入图片描述

3）小结
bool查询有几种逻辑关系？

  • must：必须匹配的条件，可以理解为“与”
  • should：选择性匹配的条件，可以理解为“或”
  • must_not：必须不匹配的条件，不参与打分
  • filter：必须匹配的条件，不参与打分

2.搜索结果处理

搜索的结果可以按照用户指定的方式去处理或展示。

2.1.排序

elasticsearch默认是根据相关度算分（_score）来排序，但是也支持自定义方式对搜索结果排序。可以排序字段类型有：keyword类型、数值类型、地理坐标类型、日期类型等。

2.1.1.普通字段排序

keyword、数值、日期类型排序的语法基本一致。
语法：
在这里插入图片描述
排序条件是一个数组，也就是可以写多个排序条件。按照声明的顺序，当第一个条件相等时，再按照第二个条件排序，以此类推
示例：
需求描述：酒店数据按照用户评价（score)降序排序，评价相同的按照价格(price)升序排序
在这里插入图片描述

2.1.2.地理坐标排序

地理坐标排序略有不同。
语法说明：
在这里插入图片描述
这个查询的含义是：

  • 指定一个坐标，作为目标点
  • 计算每一个文档中，指定字段（必须是geo_point类型）的坐标 到目标点的距离是多少
  • 根据距离排序

2.2.分页

elasticsearch 默认情况下只返回top10的数据。而如果要查询更多数据就需要修改分页参数了。elasticsearch中通过修改from、size参数来控制要返回的分页结果：

  • from：从第几个文档开始
  • size：总共查询几个文档

类似于mysql中的limit ?, ?

2.2.1.基本的分页

分页的基本语法如下：
在这里插入图片描述

2.2.2.深度分页问题

现在，我要查询990~1000的数据，查询逻辑要这么写：
在这里插入图片描述
这里是查询990开始的数据，也就是 第990~第1000条 数据。
不过，elasticsearch内部分页时，必须先查询 0~1000条，然后截取其中的990 ~ 1000的这10条：
在这里插入图片描述
查询TOP1000，如果es是单点模式，这并无太大影响。
但是elasticsearch将来一定是集群，例如我集群有5个节点，我要查询TOP1000的数据，并不是每个节点查询200条就可以了。
因为节点A的TOP200，在另一个节点可能排到10000名以外了。
因此要想获取整个集群的TOP1000，必须先查询出每个节点的TOP1000，汇总结果后，重新排名，重新截取TOP1000。
在这里插入图片描述
那如果我要查询9900~10000的数据呢？是不是要先查询TOP10000呢？那每个节点都要查询10000条？汇总到内存中？
当查询分页深度较大时，汇总数据过多，对内存和CPU会产生非常大的压力，因此elasticsearch会禁止from+ size 超过10000的请求。
针对深度分页，ES提供了两种解决方案，官方文档：

  • search after：分页时需要排序，原理是从上一次的排序值开始，查询下一页数据。官方推荐使用的方式。
  • scroll：原理将排序后的文档id形成快照，保存在内存。官方已经不推荐使用。

2.2.3.小结

分页查询的常见实现方案以及优缺点：
from + size：

  • 优点：支持随机翻页
  • 缺点：深度分页问题，默认查询上限（from + size）是10000
  • 场景：百度、京东、谷歌、淘宝这样的随机翻页搜索

after search：

  • 优点：没有查询上限（单次查询的size不超过10000）
  • 缺点：只能向后逐页查询，不支持随机翻页
  • 场景：没有随机翻页需求的搜索，例如手机向下滚动翻页

scroll：

  • 优点：没有查询上限（单次查询的size不超过10000）
  • 缺点：会有额外内存消耗，并且搜索结果是非实时的
  • 场景：海量数据的获取和迁移。从ES7.1开始不推荐，建议用 after search方案。

2.3.高亮

2.3.1.高亮原理

什么是高亮显示呢？
我们在百度，京东搜索时，关键字会变成红色，比较醒目，这叫高亮显示：
在这里插入图片描述
高亮显示的实现分为两步：

  • 给文档中的所有关键字都添加一个标签，例如em标签
  • 页面给em标签编写CSS样式
em标签：<em>

2.3.2.实现高亮

高亮的语法：
在这里插入图片描述
注意：

  • 高亮是对关键字高亮，因此搜索条件必须带有关键字，而不能是范围这样的查询。
  • 默认情况下，高亮的字段，必须与搜索指定的字段一致，否则无法高亮
  • 如果要对非搜索字段高亮，则需要添加一个属性：required_field_match=false

示例：
在这里插入图片描述

2.4.总结

查询的DSL是一个大的JSON对象，包含下列属性：

  • query：查询条件
  • from和size：分页条件
  • sort：排序条件
  • highlight：高亮条件

示例：
在这里插入图片描述

3.RestClient查询文档

文档的查询同样适用昨天学习的 RestHighLevelClient对象，基本步骤包括：

  • 准备Request对象
  • 准备请求参数
  • 发起请求
  • 解析响应

3.1.快速入门

我们以match_all查询为例

3.1.1.发起查询请求

在这里插入图片描述
代码解读：

  • 第一步，创建SearchRequest对象，指定索引库名
  • 第二步，利用request.source()构建DSL，DSL中可以包含查询、分页、排序、高亮等
    query()：代表查询条件，利用QueryBuilders.matchAllQuery()构建一个match_all查询的DSL
  • 第三步，利用client.search()发送请求，得到响应

这里关键的API有两个，一个是request.source()，其中包含了查询、排序、分页、高亮等所有功能：
在这里插入图片描述
另一个是QueryBuilders，其中包含match、term、function_score、bool等各种查询：
在这里插入图片描述

3.1.2.解析响应

响应结果的解析：
在这里插入图片描述
elasticsearch返回的结果是一个JSON字符串，结构包含：

  • hits：命中的结果
    – total：总条数，其中的value是具体的总条数值
    – max_score：所有结果中得分最高的文档的相关性算分
    – hits：搜索结果的文档数组，其中的每个文档都是一个json对象
    – _source：文档中的原始数据，也是json对象

因此，我们解析响应结果，就是逐层解析JSON字符串，流程如下：

  • SearchHits：通过response.getHits()获取，就是JSON中的最外层的hits，代表命中的结果
    – SearchHits#getTotalHits().value：获取总条数信息
    – SearchHits#getHits()：获取SearchHit数组，也就是文档数组
    ---- SearchHit#getSourceAsString()：获取文档结果中的_source，也就是原始的json文档数据

3.1.3.完整代码

@Test
void testMatchAll() throws IOException {
        // 1.准备Request
        SearchRequest request = new SearchRequest("hotel");
        // 2.准备DSL
        request.source().query(QueryBuilders.matchAllQuery());
        // 3.发送请求
        SearchResponse response = client.search(request, RequestOptions.DEFAULT);
        // 4.解析响应结果
        handleResponse(response);
}

private void handleResponse(SearchResponse response) {
        // 4.解析响应结果
        SearchHits searchHits = response.getHits();
        // 4.1 获取总条数
        long totalHits = searchHits.getTotalHits().value;
        System.out.println("共搜索到" + totalHits + "条数据");
        // 4.2 文档数据
        SearchHit[] hits = searchHits.getHits();
        // 4.3 遍历
        for (SearchHit hit : hits) {
            // 获取文档中的source
            String json = hit.getSourceAsString();
            // 反序列化为对象
            HotelDoc hotelDoc = JSON.parseObject(json, HotelDoc.class);
            // 获取高亮结果
            Map<String, HighlightField> highlightFields = hit.getHighlightFields();
            if (!CollectionUtils.isEmpty(highlightFields)) {
                // 根据字段获取高亮结果
                HighlightField highlightField = highlightFields.get("name");
                if (highlightField != null) {
                    // 获取高亮值
                    String name = highlightField.getFragments()[0].toString();
                    // 覆盖非高亮结果
                    hotelDoc.setName(name);
                }
            }
            System.out.println("hotelDoc = " + hotelDoc);
        }
}

3.1.4.小结

查询的基本步骤是：

  • 创建SearchRequest对象
  • 准备Request.source()，也就是DSL。
    ① QueryBuilders来构建查询条件
    ② 传入Request.source() 的 query() 方法
  • 发送请求，得到结果
  • 解析结果（参考JSON结果，从外到内，逐层解析）

3.2.match查询

全文检索的match和multi_match查询与match_all的API基本一致。差别是查询条件，也就是query的部分。
在这里插入图片描述
因此，Java代码上的差异主要是request.source().query()中的参数了。同样是利用QueryBuilders提供的方法：
在这里插入图片描述
而结果解析代码则完全一致，可以抽取并共享。

@Test
void testMatch() throws IOException {
        // 1.准备Request
        SearchRequest request = new SearchRequest("hotel");
        // 2.准备DSL
        request.source().query(QueryBuilders.matchQuery("all", "如家"));
        // 3.发送请求
        SearchResponse response = client.search(request, RequestOptions.DEFAULT);
        // 4.解析响应结果
        handleResponse(response);
    }

3.3.精确查询

精确查询主要是两者：

  • term：词条精确匹配
  • range：范围查询

与之前的查询相比，差异同样在查询条件，其它都一样。
查询条件构造的API如下：
在这里插入图片描述

3.4.布尔查询

布尔查询是用must、must_not、filter等方式组合其它查询，代码示例如下：
在这里插入图片描述
可以看到，API与其它查询的差别同样是在查询条件的构建，QueryBuilders，结果解析等其他代码完全不变。

@Test
void testBool() throws IOException {
        // 1.准备Request
        SearchRequest request = new SearchRequest("hotel");
        // 2.准备DSL
        // 2.1 准备BooleanQuery
        BoolQueryBuilder boolQuery = QueryBuilders.boolQuery();
        // 2.2 添加term
        boolQuery.must(QueryBuilders.termQuery("city", "杭州"));
        // 2.3 添加range
        boolQuery.filter(QueryBuilders.rangeQuery("price").lte(250));
        request.source().query(boolQuery);
        // 3.发送请求
        SearchResponse response = client.search(request, RequestOptions.DEFAULT);
        // 4.解析响应结果
        handleResponse(response);
    }

3.5.排序、分页

搜索结果的排序和分页是与query同级的参数，因此同样是使用request.source()来设置。
对应的API如下：
在这里插入图片描述

@Test
void testPageAndSort() throws IOException {
        int page = 2, size = 5;
        // 1.准备Request
        SearchRequest request = new SearchRequest("hotel");
        // 2.准备DSL
        // 2.1 query
        request.source().query(QueryBuilders.matchAllQuery());
        // 2.2 排序 sort
        request.source().sort("price", SortOrder.ASC);
        // 2.3 分页 from, size
        request.source().from((page - 1) * size).size(5);
        // 3.发送请求
        SearchResponse response = client.search(request, RequestOptions.DEFAULT);
        // 4.解析响应结果
        handleResponse(response);
    }

3.6.高亮

高亮的代码与之前代码差异较大，有两点：

  • 查询的DSL：其中除了查询条件，还需要添加高亮条件，同样是与query同级。
  • 结果解析：结果除了要解析_source文档数据，还要解析高亮结果

3.6.1.高亮请求构建

高亮请求的构建API如下：
在这里插入图片描述
上述代码省略了查询条件部分，但是大家不要忘了：高亮查询必须使用全文检索查询，并且要有搜索关键字，将来才可以对关键字高亮。
完整代码如下：

@Test
void testHighLight() throws IOException {
        // 1.准备Request
        SearchRequest request = new SearchRequest("hotel");
        // 2.准备DSL
        // 2.1 query
        request.source().query(QueryBuilders.matchQuery("all", "酒店"));
        // 2.2 高亮
        request.source().highlighter(new HighlightBuilder()
                .field("name")
                .requireFieldMatch(false));
        // 3.发送请求
        SearchResponse response = client.search(request, RequestOptions.DEFAULT);
        // 4.解析响应结果
        handleResponse(response);
    }

3.6.2.高亮结果解析

高亮的结果与查询的文档结果默认是分离的，并不在一起。
因此解析高亮的代码需要额外处理：
在这里插入图片描述
代码解读：

  • 第一步：从结果中获取source。hit.getSourceAsString()，这部分是非高亮结果，json字符串。还需要反序列为HotelDoc对象
  • 第二步：获取高亮结果。hit.getHighlightFields()，返回值是一个Map，key是高亮字段名称，值是HighlightField对象，代表高亮值
  • 第三步：从map中根据高亮字段名称，获取高亮字段值对象HighlightField
  • 第四步：从HighlightField中获取Fragments，并且转为字符串。这部分就是真正的高亮字符串了
  • 第五步：用高亮的结果替换HotelDoc中的非高亮结果

完整代码如下：

private void handleResponse(SearchResponse response) {
        // 4.解析响应结果
        SearchHits searchHits = response.getHits();
        // 4.1 获取总条数
        long totalHits = searchHits.getTotalHits().value;
        System.out.println("共搜索到" + totalHits + "条数据");
        // 4.2 文档数据
        SearchHit[] hits = searchHits.getHits();
        // 4.3 遍历
        for (SearchHit hit : hits) {
            // 获取文档中的source
            String json = hit.getSourceAsString();
            // 反序列化为对象
            HotelDoc hotelDoc = JSON.parseObject(json, HotelDoc.class);
            // 获取高亮结果
            Map<String, HighlightField> highlightFields = hit.getHighlightFields();
            if (!CollectionUtils.isEmpty(highlightFields)) {
                // 根据字段获取高亮结果
                HighlightField highlightField = highlightFields.get("name");
                if (highlightField != null) {
                    // 获取高亮值
                    String name = highlightField.getFragments()[0].toString();
                    // 覆盖非高亮结果
                    hotelDoc.setName(name);
                }
            }
            System.out.println("hotelDoc = " + hotelDoc);
        }
    }
行万里路，读万卷书
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
DSL查询语法
KK的博客
09-22 1815
使用ES的DSL查询语法
elasticsearch
qq_36770189的博客
08-29 128
ElasticSearch是一个实时分布式开源全文搜索和分析引擎。它可以从RESTful网络服务接口访问，并使用无模式JSON (JavaScript对象符号)文档来存储数据。它建立在Java编程语言之上，使ElasticSearch能够在不同的平台上运行。它使用户能够以非常高的速度浏览非常大量的数据。 1.ElasticSearch的特点 ElasticSearch最多可扩展到千兆字...
微服务11_ES：DSL/RestClient查询文档
weixin_43989347的博客
03-30 1546
微服务11_ES：DSL/RestClient查询文档一、DSL查询文档1、DSL Query的分类1.全文检索查询match查询示例：multi_match查询示例：2.精准查询term查询range查询总结3.地理坐标查询矩形范围查询 （用得少）附近查询4.复合查询1.相关性算分2.算分函数查询示例3.布尔查询1）语法示例：2）示例3）小结二.搜索结果处理2.1.排序2.1.1.普通字段排序2.1.2.地理坐标排序2.2.分页2.2.1.基本的分页2.2.2.深度分页问题2.2.3.小结2.3.高亮2.
【ElasticSearch】DSL查询语法
llg___的博客
07-06 2530
注意这里的字段只有一个，但实际场景如：输入虹桥，预期返回business、name、brand等字段包含虹桥的数据，如此就得用上一节的。当然可以人为控制文档相关性算分，从而控制文档排名（fuction score：算分函数查询），例如百度竞价，谁出价高谁就在搜索第一位。对于不参与算分的查询，就放到must_not或者filter，减少不必要的算分，以提高查询性能。二者结果一样，但从性能考虑，推荐match+copy_to，因为参与搜索的字段越多，性能越低。
SpringCloud——分布式搜索之初识elasticsearch
qq_52227892的博客
06-06 357
Elasticsearch 是一个分布式、高扩展、高实时的搜索与数据分析引擎。它能很方便的使大量数据具有搜索、分析和探索的能力。充分利用Elasticsearch的水平伸缩性，能使数据在生产环境变得更有价值。
java的Elasticsearch02学习资料
07-12
java的Elasticsearch02学习资料
02-Elasticsearch AI 大模型搜索引擎介绍与演示 meetup 成都 8.19 2023
08-19
Elasticsearch AI 大模型搜索引擎介绍与演示 Elasticsearch AI 大模型搜索引擎是基于人工智能技术的搜索引擎，旨在提供高效、准确的搜索结果。该引擎结合了自然语言处理（NLP）和机器学习（ML）技术，能够处理大量...
02-B站Elasticsearch平台实践 王星轶 线上 20240619
最新发布
06-20
1.为什么我们需要 Elasticsearch 平台, 在面对公司众多业务线时, 我们为业务接入与迭代效率贡献了什么 2.降低成本&资源隔离, 如何利用 es on k8s 实现业务质量与成本的双重优化 3.站内搜索是如何影响用户体验的, ...
Docker部署Elasticsearch集群
01-07
172.16.1.2 test-es02 172.16.1.3 test-es03 # grep vm.max_map_count /etc/sysctl.conf vm.max_map_count=262144 如果没有上面参数执行命令 # sysctl -w vm.max_map_count=262144 2、创建挂载目录，并授权 ...
【DSL】ES+DSL 查询语法
热门推荐
weixin_41613094的博客
07-06 1万+
ES+DSL 查询语法学习的复习
java es 多级排序
weixin_42602726的博客
01-10 604
在 Java 中，可以使用 Collections.sort 或 Arrays.sort 方法对 List 或数组进行排序。这些方法都支持传入一个 Comparator 对象来指定排序规则。例如，下面的代码展示了如何使用 Collections.sort 和自定义的 Comparator 对一个 List 进行多级排序： List<Person> people = ...;Collec...
边学边实战系列（五）：ElasticSearch DSL 查询原理与实践
民工哥的博客
05-28 839
点关注公众号，回复“1024”获取2TB学习资源！前面介绍了 ElasticSearch 基础概念、生态与应用场景、技术原理、安装和基础使用、索引管理相关的知识点。今天我将详细的为大家介绍 ElasticSearch DSL 查询相关知识，希望大家能够从中收获多多！如有帮助，请点在看、转发支持一波！！！DSL 查询之复合查询在查询中会有多种条件组合的查询，在 ElasticSearch 中叫复合查...
es java api 分页,ES 解决深分页问题，自己实现Scroll 查询 API
weixin_39546501的博客
03-13 1037
一、前言：ES 普通的分页查询有深分页限制，默认是10000条。(因为越往后面分越耗内存)所以要查询1万条以后的数据，要不就缩小查询范围，要不用别的方法。ES 提供了 scroll 查询。第一次查询获取到scroll_id,下次查询通过scroll_id直接查询。scroll相当于维护了一份当前索引段的快照信息，这个快照信息是你执行这个scroll查询时的快照。在这个查询后的任何新索引进来的数据，...
ElasticSearch - DSL查询文档语法，以及深度分页问题、解决方案
CYK_byte的博客
09-26 2530
你在淘宝里买东西的时候，要通过一些信息进行筛选，比如 销量、信誉、价格升序... 这些词一般都是固定一个按钮，点击就会帮你做筛选.
【ElasticSearch】JavaRestClient实现文档查询、排序、分页、高亮
llg___的博客
07-07 2978
发现结果并未高亮，因为上面抽取的handleResponse方法是对_source下处理的，这里的数据是原数据，本就不会被修改，因此要继续拿highlight下的数据，即解析高亮结果。构建DSL是通过HighLevelRestClient中的resource()方法来实现的，这里包含了查询、排序、分页、高亮等操作。精确查询常见的有term查询和range查询，同样利用QueryBuilders实现。构建查询条件的核心部分，即查询类型，是用一个名为。实现的，它包含了各种查询方法。对响应的处理代码相同，这里。
【前端】Git 常用
zhenshu_guo的博客
06-17 615
Git 常用
请用docker-compose写出下面这段代码docker run -e ES_JAVA_OPTS="-Xms256m -Xmx256m" -d -p 9201:9201 -p 9301:9301 \ -v /home/soft/ES/config/es2.yml:/usr/share/elasticsearch/config/elasticsearch.yml \ -v /home/soft/ES/data2:/usr/share/elasticsearch/data \ --name elasticsearch02 elasticsea
06-10
好的，以下是使用docker-compose实现上述命令的yaml文件： ``` version: '3' services: elasticsearch: image: elasticsearch container_name: elasticsearch02 environment: - ES_JAVA_OPTS=-Xms256m -Xmx256m ports: - "9201:9201" - "9301:9301" volumes: - /home/soft/ES/config/es2.yml:/usr/share/elasticsearch/config/elasticsearch.yml - /home/soft/ES/data2:/usr/share/elasticsearch/data ``` 你可以将上述代码保存为docker-compose.yml文件，然后在该文件所在目录下执行`docker-compose up -d`即可启动elasticsearch容器。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值