导航：
【黑马Java笔记+踩坑汇总】JavaSE+JavaWeb+SSM+SpringBoot+瑞吉外卖+SpringCloud/SpringCloudAlibaba+黑马旅游+谷粒商城
黑马旅游源码：
GitHub：
GitHub - vincewm/hotel: 黑马旅游项目
Gitee：
目录
2.3.自动补全查询，conmpetion suggester
2.4.2.HotelDoc实体类添加suggestion字段
2.4.4 测试补全，suggest搜索"rj"结果“如家”的文档
2.4.5.自动补全查询的JavaAPI，SuggestBuilder()
3.2.2.导入hotel-admin后台管理端、修改pom和yml
1.数据聚合
聚合（aggregations）可以让我们极其方便的实现对数据的统计、分析、运算。例如：
- 什么品牌的手机最受欢迎？
- 这些手机的平均价格、最高价格、最低价格？
- 这些手机每月的销售情况如何？
实现这些统计功能的比数据库的sql要方便的多，而且查询速度非常快，可以实现近实时搜索效果。
1.1.聚合的种类
聚合常见的有三类：
-
桶（Bucket）聚合：用来对文档做分组
- TermAggregation：按照文档字段值分组，例如按照品牌值分组、按照国家分组
- Date Histogram：按照日期阶梯分组，例如一周为一组，或者一月为一组
-
度量（Metric）聚合：用以计算一些值，比如：最大值、最小值、平均值等
- Avg：求平均值
- Max：求最大值
- Min：求最小值
- Stats：同时求max、min、avg、sum等
-
管道（pipeline）聚合：其它聚合的结果为基础做聚合
注意：参加聚合的字段必须是不能分词，例如是keyword、日期、数值、布尔类型
1.2.DSL实现聚合
现在，我们要统计所有数据中的酒店品牌有几种，其实就是按照品牌对数据分组。此时可以根据酒店品牌的名称做聚合，也就是Bucket聚合。
1.2.1.Bucket聚合语法
语法如下：
GET /hotel/_search
{
"size": 0, // 设置size为0，结果中不包含文档，只包含聚合结果。如果设为20，就是既展示20个brand查询的"hits"，又展示聚合"aggregations"
"aggs": { // 定义聚合
"聚合名": { //给聚合起个名字，例如brandAgg。查询结果里聚合名会嵌套在"aggregations"里
"terms": { // 聚合的类型，按照品牌值聚合，所以选择term
"field": "字段名", // 参与聚合的字段,例如brand
"size": 20 // 希望获取的聚合结果数量
"order": {
"_count": "asc" //按升序排序，默认是降序
}
}
}
}
}
1.2.2.聚合结果排序
默认情况下，Bucket聚合会统计Bucket内的文档数量，记为_count，并且按照_count降序排序。
我们可以指定order属性，自定义聚合的排序方式：
GET /hotel/_search
{
"size": 0,
"aggs": {
"brandAgg": {
"terms": {
"field": "brand",
"order": {
"_count": "asc" // 按照_count升序排列
},
"size": 20
}
}
}
}
结果如图：
1.2.3.通过query标签限定聚合范围
“query” 标签和“aggs”标签是并列的，“query” 标签不为空就是限定了聚合范围。
默认情况下，Bucket聚合是对索引库的所有文档做聚合，但真实场景下，用户会输入搜索条件，因此聚合必须是对搜索结果聚合。那么聚合必须添加限定条件。
我们可以限定要聚合的文档范围，只要添加query条件即可。
需求：只对200元以下的文档聚合
GET /hotel/_search
{
"query": {
"range": {
"price": {
"lte": 200 // 只对200元以下的文档聚合
}
}
},
"size": 0,
"aggs": {
"brandAgg": {
"terms": {
"field": "brand",
"size": 20
}
}
}
}
这次，聚合得到的品牌明显变少了：
1.2.4.度量聚合语法，stats
上节课，我们对酒店按照品牌分组，形成了一个个桶。
需求：现在我们需要对桶内的酒店做运算，获取每个品牌的用户评分的min、max、avg等值。
这就要用到Metric聚合了，例如stat聚合：就可以获取min、max、avg等结果。
语法如下：
GET /hotel/_search
{
"size": 0,
"aggs": {
"brandAgg": {
"terms": {
"field": "字段名",
"size": 20
},
"aggs": { // 是brands聚合的子聚合，也就是分组后对每组分别计算
"聚合名如score_stats": { // 聚合名称
"stats": { // 聚合类型，这里stats可以计算min、max、avg等。stats是statistics统计缩写
"field": "score" // 聚合字段，这里是score
}
}
}
}
}
}
这次的score_stats聚合是在brandAgg的聚合内部嵌套的子聚合。因为我们需要在每个桶分别计算。
我们还可以给聚合结果做个排序，例如按照每个桶的酒店平均分做排序：
1.2.5.小结，聚合三要素
aggs代表聚合，与query同级，此时query的作用是？
- 限定聚合的的文档范围
聚合必须的三要素：
- 聚合名称
- 聚合类型
- 聚合字段
聚合可配置属性有：
- size：指定聚合结果数量
- order：指定聚合结果排序方式
- field：指定聚合字段
1.3.RestAPI实现聚合
1.3.1.API语法
聚合条件与query条件同级别，因此需要使用request.source()来指定聚合条件。
聚合条件的语法：
注意：request.source().aggregation()，聚合不是负数，因为虽然DSL是"aggs"，但它不是数组，所以不是request.source().aggregations()
聚合结果：
聚合的结果也与查询结果不同，API也比较特殊。不过同样是JSON逐层解析：
注意：response.getAggregations().get("brandAgg")的返回结果要是Terms，注意包别导错了，提示的第一个不是es的包。
@Test public void aggregation()throws IOException{ SearchRequest request = new SearchRequest("hotel"); request.source().size(0).aggregation(AggregationBuilders.terms("brandAgg").field("brand").size(20)); SearchResponse response = client.search(request, RequestOptions.DEFAULT); Terms brandTerms =response.getAggregations().get("brandAgg"); List<? extends Terms.Bucket> buckets = brandTerms.getBuckets(); for(Terms.Bucket bucket:buckets){ System.out.println(bucket.getKeyAsString()+":"+bucket.getDocCount()); } }
1.3.2.黑马旅游业务需求，标签随着搜索结果变化
需求：搜索页面的品牌、城市等信息不应该是在页面写死，而是通过聚合索引库中的酒店数据得来的：
分析：
目前，页面的城市列表、星级列表、品牌列表都是写死的，并不会随着搜索结果的变化而变化。但是用户搜索条件改变时，搜索结果会跟着变化。
例如：用户搜索“东方明珠”，那搜索的酒店肯定是在上海东方明珠附近，因此，城市只能是上海，此时城市列表中就不应该显示北京、深圳、杭州这些信息了。
也就是说，搜索结果中包含哪些城市，页面就应该列出哪些城市；搜索结果中包含哪些品牌，页面就应该列出哪些品牌。
如何得知搜索结果中包含哪些品牌？如何得知搜索结果中包含哪些城市？
使用聚合功能，利用Bucket聚合，对搜索结果中的文档基于品牌分组、基于城市分组，就能得知包含哪些品牌、哪些城市了。
因为是对搜索结果聚合，因此聚合是限定范围的聚合，也就是说聚合的限定条件跟搜索文档的条件一致。
查看浏览器可以发现，前端其实已经发出了这样的一个请求：
请求参数与搜索文档的参数完全一致。
返回值类型就是页面要展示的最终结果：
结果是一个Map结构：
- key是字符串，城市、星级、品牌、价格
- value是集合，例如多个城市的名称
1.3.3.业务实现
在cn.itcast.hotel.web包的HotelController中添加一个方法，遵循下面的要求：
- 请求方式：
POST - 请求路径：
/hotel/filters - 请求参数：
RequestParams，与搜索文档的参数一致 - 返回值类型：
Map<String, List<String>>
代码：
@PostMapping("filters")
public Map<String, List<String>> getFilters(@RequestBody RequestParams params){
return hotelService.getFilters(params);
}
这里调用了IHotelService中的getFilters方法，尚未实现。
在cn.itcast.hotel.service.IHotelService中定义新方法：
Map<String, List<String>> filters(RequestParams params);
在cn.itcast.hotel.service.impl.HotelServiceImpl中实现该方法：
@Override
public Map<String, List<String>> filters(RequestParams params) {
try {
// 1.准备Request
SearchRequest request = new SearchRequest("hotel");
// 2.准备DSL
// 2.1.query查询城市、品牌等基本信息
buildBasicQuery(params, request);
// 2.2.设置size
request.source().size(0);
// 2.3.聚合，根据
buildAggregation(request);
// 3.发出请求
SearchResponse response = client.search(request, RequestOptions.DEFAULT);
// 4.解析结果
Map<String, List<String>> result = new HashMap<>();
Aggregations aggregations = response.getAggregations();
// 4.1.根据品牌名称，获取品牌结果
List<String> brandList = getAggByName(aggregations, "brandAgg");
result.put("brand", brandList);
// 4.2.根据品牌名称，获取品牌结果
List<String> cityList = getAggByName(aggregations, "cityAgg");
result.put("city", cityList);
// 4.3.根据品牌名称，获取品牌结果
List<String> starList = getAggByName(aggregations, "starAgg");
result.put("starName", starList);
return result;
} catch (IOException e) {
throw new RuntimeException(e);
}
}
//三个聚合，分别聚合品牌、城市、星级
private void buildAggregation(SearchRequest request) {
request.source().aggregation(AggregationBuilders
.terms("brandAgg")
.field("brand")
.size(100)
);
request.source().aggregation(AggregationBuilders
.terms("cityAgg")
.field("city")
.size(100)
);
request.source().aggregation(AggregationBuilders
.terms("starAgg")
.field("starName")
.size(100)
);
}
private List<String> getAggByName(Aggregations aggregations, String aggName) {
// 4.1.根据聚合名称获取聚合结果
Terms brandTerms = aggregations.get(aggName);
// 4.2.获取buckets
List<? extends Terms.Bucket> buckets = brandTerms.getBuckets();
// 4.3.遍历
List<String> brandList = new ArrayList<>();
for (Terms.Bucket bucket : buckets) {
// 4.4.获取key
String key = bucket.getKeyAsString();
brandList.add(key);
}
return brandList;
}
测试：
2.自动补全
当用户在搜索框输入字符时，我们应该提示出与该字符有关的搜索项，如图：
这种根据用户输入的字母，提示完整词条的功能，就是自动补全了。
因为需要根据拼音字母来推断，因此要用到拼音分词功能。
2.1.pinyin拼音分词器的介绍和安装
要实现根据字母做补全，就必须对文档按照拼音分词。在GitHub上恰好有elasticsearch的拼音分词插件。地址：
https://github.com/medcl/elasticsearch-analysis-pinyin
课前资料中也提供了拼音分词器的安装包：
安装方式与IK分词器一样，分三步：
①解压
②上传到虚拟机中，elasticsearch的plugin目录
/var/lib/docker/volumes/es-plugins/_data
③重启elasticsearch
docker restart es ④测试
详细安装步骤可以参考IK分词器的安装过程。
测试用法如下：
POST /_analyze
{
"text": "如家酒店还不错",
"analyzer": "pinyin"
}
结果：
2.2.自定义分词器，ik+拼音过滤
自定义分词器适合在创建索引库时使用，不能在搜索时候用
2.2.1 实现方法
默认的拼音分词器会将每个汉字单独分为拼音，而我们希望的是每个词条形成一组拼音，需要对拼音分词器做个性化定制，形成自定义分词器。
elasticsearch中分词器（analyzer）的组成包含三部分：
- character filters：在tokenizer之前对特殊字符进行处理。例如删除字符、替换字符
- tokenizer：将文本按照一定的规则切割成词条（term）。例如keyword，就是不分词；还有ik_smart
- tokenizer filter：将tokenizer输出的词条做进一步处理，tokenizer的词条结果依然在，只是处理后新加了一些。例如大小写转换、同义词处理、拼音处理等
拼音分词器处理文档流程：
自定义分词器，把ik分词结果过滤成拼音：
settings-analysis下定义分词器analyzer和filter
PUT /test
{
//设置分词器和过滤器
"settings": {
"analysis": {
"analyzer": { // 自定义分词器
"my_analyzer": { // 分词器名称，这里不需要指定character filters过滤器，因为没有特殊字符需要处理
"tokenizer": "ik_max_word",
"filter": "my_py_filter" //对ik分词结果做进一步处理
}
},
"filter": { // 自定义tokenizer filter
"my_py_filter": { // 过滤器名称
"type": "pinyin", // 过滤器类型，填写分词器名，这里是pinyin
"keep_full_pinyin": false,//eg: 刘德华> [liu,de,hua], default: true
"keep_joined_full_pinyin": true,//eg: 刘德华> [liudehua], default: false
"keep_original": true,//保留原始输入，默认false
"limit_first_letter_length": 16,//
"remove_duplicated_term": true,//
"none_chinese_pinyin_tokenize": false// 默认true。eg: liudehuaalibaba13zhuanghan -> liu,de,hua,a,li,ba,ba,13,zhuang,han
}
}
}
},
//创建索引
"mappings": {
"properties": {
"name": {
"type": "text",
"analyzer": "my_analyzer", //拼音分词器适合在创建索引时使用，不能在搜索时候用
"search_analyzer": "ik_smart" //如果搜索时用拼音分词器，搜索"狮子爱跳舞"，会搜出"虱子"等同音字
}
}
}
}注意：
拼音分词器适合在创建索引时使用，不能在搜索时候用，如果搜索时用拼音分词器，搜索"狮子爱跳舞"，会搜出"虱子"等同音字。
测试：自定义分词器搜索结果既有ik_smart，还有拼音分词的结果
GET /test/_analyze
{
"analyzer": "my_analyzer"
, "text": "今天天气好"
}
2.2.2 索引分词器和搜索分词器问题
在使用ik+拼音过滤的分词器时，建议创建的字段的索引分词器设为自定义分词器，搜索分词器设为ik分词器。防止搜索时搜出拼音谐音的情况。
指定索引、搜索分词器，并创建索引：
PUT /test
{
//设置分词器和过滤器
"settings": {
"analysis": {
"analyzer": { // 自定义分词器
"my_analyzer": { // 分词器名称，这里不需要指定character filters过滤器，因为没有特殊字符需要处理
"tokenizer": "ik_max_word",
"filter": "my_py_filter" //对ik分词结果做进一步处理
}
},
"filter": { // 自定义tokenizer filter
"my_py_filter": { // 过滤器名称
"type": "pinyin", // 过滤器类型，填写分词器名，这里是pinyin
"keep_full_pinyin": false,//eg: 刘德华> [liu,de,hua], default: true
"keep_joined_full_pinyin": true,//eg: 刘德华> [liudehua], default: false
"keep_original": true,//保留原始输入，默认false
"limit_first_letter_length": 16,//
"remove_duplicated_term": true,//
"none_chinese_pinyin_tokenize": false// 默认true。eg: liudehuaalibaba13zhuanghan -> liu,de,hua,a,li,ba,ba,13,zhuang,han
}
}
}
},
//创建索引
"mappings": {
"properties": {
"name": {
"type": "text",
"analyzer": "my_analyzer", //拼音分词器适合在创建索引时使用，不能在搜索时候用
"search_analyzer": "ik_smart" //如果搜索时用拼音分词器，搜索"狮子爱跳舞"，会搜出"虱子"等同音字
}
}
}
}建议索引分词器设为自定义分词器，搜索分词器设为ik分词器。防止搜索时搜出拼音谐音问题。
问题模拟，索引、搜索都用自定义分词器：
DELETE /test PUT /test { "settings": { "analysis": { "analyzer": { "my_analyzer":{ "tokenizer":"ik_smart", "filter":"py_filter" } }, "filter": { "py_filter":{ "type":"pinyin", "keep_full_pinyin": false, "keep_joined_full_pinyin": true, "keep_original": true, "limit_first_letter_length": 16, "remove_duplicated_term": true, "none_chinese_pinyin_tokenize": false } } } }, "mappings": { "properties": { "name":{ "type": "text", "analyzer": "my_analyzer" //统一ik+拼音过滤 } } } } POST /test/_doc/1 { "name":"狮子" } POST /test/_doc/2 { "name":"师资" } GET /test/_search { "query": { "match": { "name": "狮子爱跳舞" } } }
可以看见，明明搜索的是狮子，却搜出了谐音师资。因为搜索“狮子爱跳舞”时，ik+拼音过滤后的结果里有“shizi”，而师资的分词结果也有“shizi”，所以就搜出了师资。
如果搜索“shizi”，出现结果正常，是狮子和师资。
解决办法：索引分词器设为自定义分词器，搜索分词器设为ik分词器。防止搜索时搜出拼音谐音问题。
明显不是我们想要的，所以要让它搜索时候只用ik分词，不要拼音过滤就搜不出谐音了，而添加新文档时还要它进行分词拼音，以便于我们可以搜拼音时也能搜出对应字段。
PUT /test
{
//设置分词器和过滤器
"settings": {
...自定义分词器
},
//创建索引
"mappings": {
"properties": {
"name": {
"type": "text",
"analyzer": "my_analyzer", //创建文档时自定义分词器，ik+拼音过滤
"search_analyzer": "ik_smart" //搜索时只用ik分词器
}
}
}
}总结：
如何使用拼音分词器？
①下载pinyin分词器
②解压并放到elasticsearch的plugin目录
③重启即可
如何自定义分词器？
①创建索引库时，在settings中配置，可以包含三部分
②character filter
③tokenizer
④filter
拼音分词器注意事项？
- 为了避免搜索到同音字，搜索时不要使用拼音分词器
2.3.自动补全查询，conmpetion suggester
补全效果预览：录入 ["天苍苍", "野茫茫"]、["天府", "天下"]、["世界", "黄天"]。suggest搜索“天”，可以搜索出前两个文档。suggest搜索“天苍”，只能搜索出第一个文档。
elasticsearch提供了Completion Suggester查询来实现自动补全功能。这个查询会匹配以用户输入内容开头的词条并返回。为了提高补全查询的效率，对于文档中字段的类型有一些约束：
-
参与补全查询的字段必须是completion类型，数据是字符串数组。completion译为完成
-
字段的内容一般是用来补全的多个词条形成的数组。
创建索引库：
// 创建索引库
PUT test
{
"mappings": {
"properties": {
"title":{
"type": "completion"
}
}
}
}
插入数据：
// 示例数据
POST test/_doc
{
"title": ["天苍苍", "野茫茫"]
}
POST test/_doc
{
"title": ["天府", "天下"]
}
POST test/_doc
{
"title": ["世界", "黄天"]
}
自动补全查询：
// 自动补全查询
GET /test/_search
{
"suggest": {
"titleSuggest": { //例如自定义查询名称
"text": "天", // 关键字
"completion": {
"field": "title", // 补全查询的字段，例如title
"skip_duplicates": true, // 跳过重复的
"size": 10 // 获取前10条结果
}
}
}
}
搜索结果：
{
"took" : 275,
"timed_out" : false,
"_shards" : {
"total" : 1,
"successful" : 1,
"skipped" : 0,
"failed" : 0
},
"hits" : {
"total" : {
"value" : 0,
"relation" : "eq"
},
"max_score" : null,
"hits" : [ ]
},
"suggest" : {
"my_suggest" : [
{
"text" : "天",
"offset" : 0,
"length" : 1,
"options" : [
{
"text" : "天下",
"_index" : "test2",
"_type" : "_doc",
"_id" : "AEutP4MBg4Wtm5vtyLdE",
"_score" : 1.0,
"_source" : {
"name" : [
"天府",
"天下"
]
}
},
{
"text" : "天苍苍",
"_index" : "test2",
"_type" : "_doc",
"_id" : "AUutP4MBg4Wtm5vtyLdI",
"_score" : 1.0,
"_source" : {
"name" : [
"天苍苍",
"野茫茫"
]
}
}
]
}
]
}
}
2.4.实现酒店搜索框自动补全
现在，我们的hotel索引库还没有设置拼音分词器，需要修改索引库中的配置。但是我们知道索引库是无法修改的，只能删除然后重新创建。
另外，我们需要添加一个字段，用来做自动补全，将brand、suggestion、city等都放进去，作为自动补全的提示。
因此，总结一下，我们需要做的事情包括：
-
修改hotel索引库结构，设置自定义拼音分词器
-
修改索引库的name、all字段，使用自定义分词器
-
索引库添加一个新字段suggestion，类型为completion类型，使用自定义的分词器
-
给HotelDoc类添加suggestion字段，内容包含brand、business
-
重新导入数据到hotel库
2.4.1.创建新索引库，使用自定义分词器
①ik+拼音过滤分词器，给ik分词设置自定义过滤器，给分词进一步处理成拼音。索引使用自定义分词器，搜索使用ik分词器。②关键字+拼音过滤分词器，代码补全使用的分词器。
代码如下：
//酒店数据索引库。先删除旧的，再新的
DELETE /hotel
PUT /hotel
{
"settings": {
"analysis": {
"analyzer": {
"text_anlyzer": { //ik+拼音过滤
"tokenizer": "ik_max_word",
"filter": "py"
},
"completion_analyzer": { //keyword+拼音过滤，相当于又保持关键词，又新加定制版拼音分词
"tokenizer": "keyword",
"filter": "py"
}
},
"filter": {
"py": {
"type": "pinyin",
"keep_full_pinyin": false,
"keep_joined_full_pinyin": true,
"keep_original": true,
"limit_first_letter_length": 16,
"remove_duplicated_term": true,
"none_chinese_pinyin_tokenize": false
}
}
}
},
"mappings": {
"properties": {
"id":{
"type": "keyword"
},
"name":{
"type": "text",
"analyzer": "text_anlyzer", //新建文档时分词器用ik+拼音过滤
"search_analyzer": "ik_smart", //搜索分词器用ik
"copy_to": "all"
},
"address":{
"type": "keyword",
"index": false
},
"price":{
"type": "integer"
},
"score":{
"type": "integer"
},
"brand":{
"type": "keyword",
"copy_to": "all"
},
"city":{
"type": "keyword"
},
"starName":{
"type": "keyword"
},
"business":{
"type": "keyword",
"copy_to": "all"
},
"location":{
"type": "geo_point"
},
"pic":{
"type": "keyword",
"index": false
},
"all":{
"type": "text",
"analyzer": "text_anlyzer",
"search_analyzer": "ik_smart"
},
"suggestion":{ //补全字段suggestion
"type": "completion", //补全字段类型必须completion
"analyzer": "completion_analyzer" //补全分词器，keyword+拼音过滤
}
}
}
}
2.4.2.HotelDoc实体类添加suggestion字段
HotelDoc中要添加一个字段，用来做自动补全，内容可以是酒店品牌、城市、商圈等信息。按照自动补全字段的要求，最好是这些字段的数组。
因此我们在HotelDoc中添加一个suggestion字段，类型为List<String>，然后将brand、city、business等信息放到里面。
代码如下：
package cn.itcast.hotel.pojo;
import lombok.Data;
import lombok.NoArgsConstructor;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.Collections;
import java.util.List;
@Data
@NoArgsConstructor
public class HotelDoc {
private Long id;
private String name;
private String address;
private Integer price;
private Integer score;
private String brand;
private String city;
private String starName;
private String business; //商圈，例如虹桥机场/国家会展中心
private String location;
private String pic;
private Object distance;
private Boolean isAD;
private List<String> suggestion; //放自动补全的list列表，这里只补全搜索商圈和品牌
public HotelDoc(Hotel hotel) {
this.id = hotel.getId();
this.name = hotel.getName();
this.address = hotel.getAddress();
this.price = hotel.getPrice();
this.score = hotel.getScore();
this.brand = hotel.getBrand();
this.city = hotel.getCity();
this.starName = hotel.getStarName();
this.business = hotel.getBusiness();
this.location = hotel.getLatitude() + ", " + hotel.getLongitude();
this.pic = hotel.getPic();
// 组装suggestion，把品牌和商圈放进去
if(this.business.contains("/")){
// business有多个值，例如“例如虹桥机场/国家会展中心”，需要切割
String[] arr = this.business.split("/");
// 添加元素
this.suggestion = new ArrayList<>();
this.suggestion.add(this.brand);
Collections.addAll(this.suggestion, arr);
}else {
this.suggestion = Arrays.asList(this.brand, this.business);
}
}
}
2.4.3.重新导入MySQL数据到es索引库
重新执行之前编写的导入数据功能
@Test
public void bulk() throws IOException {
List<Hotel> hotels = hotelService.list();
for(Hotel hotel:hotels){
HotelDoc hotelDoc = new HotelDoc(hotel);
client.index(new IndexRequest("hotel").id(hotel.getId().toString()).source(JSON.toJSONString(hotelDoc),XContentType.JSON),RequestOptions.DEFAULT);
}
}查询所有 ，可以看到新的酒店数据中包含了suggestion：
GET /hotel/_search
{
"query": {
"match_all": {}
}
}
2.4.4 测试补全，suggest搜索"rj"结果“如家”的文档
因为suggestion字段自定义分词器是keyword+拼音过滤，所以搜索“如”搜不出“如家”。搜索“如家”可以搜索出brand为“如家”的一条文档（搜索条件有跳过重复）。搜索“rj”，可以搜索出brand为“如家”的文档
测试：
GET /hotel/_search
{
"suggest": {
"my_suggest": {
"text": "rj",
"completion":{
"field": "suggestion",
"skip_duplicates": true,
"size": 10
}
}
}
}因为指定跳过重复，所以搜索结果仅一条：
{
"took" : 6,
"timed_out" : false,
"_shards" : {
"total" : 1,
"successful" : 1,
"skipped" : 0,
"failed" : 0
},
"hits" : {
"total" : {
"value" : 0,
"relation" : "eq"
},
"max_score" : null,
"hits" : [ ]
},
"suggest" : {
"my_suggest" : [
{
"text" : "如家",
"offset" : 0,
"length" : 2,
"options" : [
{
"text" : "如家",
"_index" : "hotel",
"_type" : "_doc",
"_id" : "415600",
"_score" : 1.0,
"_source" : {
"address" : "三间房乡褡裢坡村青年沟西侧558号",
"brand" : "如家",
"business" : "传媒大学/管庄地区",
"city" : "北京",
"id" : 415600,
"location" : "39.923212, 116.560023",
"name" : "如家酒店(北京朝阳北路传媒大学褡裢坡地铁站店)",
"pic" : "https://m.tuniucdn.com/fb3/s1/2n9c/3NezpxNZWQMdNXibwbMkQuAZjDyJ_w200_h200_c1_t0.jpg",
"price" : 259,
"score" : 47,
"starName" : "二钻",
"suggestion" : [
"如家",
"传媒大学",
"管庄地区"
]
}
}
]
}
]
}
}
2.4.5.自动补全查询的JavaAPI，SuggestBuilder()
之前我们学习了自动补全查询的DSL，而没有学习对应的JavaAPI，这里给出一个示例：
suggest和query是平级的。
而自动补全的结果也比较特殊，解析的代码如下：
2.4.6.实现旅游项目搜索框自动补全
查看前端页面，可以发现当我们在输入框键入时，前端会发起ajax请求：
返回值是补全词条的集合，类型为List<String>
1）在cn.itcast.hotel.web包下的HotelController中添加新接口，接收新的请求：
@GetMapping("suggestion")
public List<String> getSuggestions(@RequestParam("key") String prefix) {
return hotelService.getSuggestions(prefix);
}
2）在cn.itcast.hotel.service包下的IhotelService中添加方法：
List<String> getSuggestions(String prefix);
3）在cn.itcast.hotel.service.impl.HotelService中实现该方法：
建议截图补全的es代码，贴到屏幕上，层层解析
@Override
public List<String> getSuggestions(String prefix) {
try {
// 1.准备Request
SearchRequest request = new SearchRequest("hotel");
// 2.准备DSL
request.source().suggest(new SuggestBuilder().addSuggestion( //new SuggestBuilder()不是SuggestBuilders
"suggestions", //自定义补全的名字，后面根据它解析response
SuggestBuilders.completionSuggestion("suggestion") //字段名
.prefix(prefix) //需要补全的文本
.skipDuplicates(true)
.size(10)
));
// 3.发起请求
SearchResponse response = client.search(request, RequestOptions.DEFAULT);
// 4.解析结果
Suggest suggest = response.getSuggest();
// 4.1.根据补全查询名称，获取补全结果，注意返回值和ctrl+alt+v生成的内容不一样
CompletionSuggestion suggestions = suggest.getSuggestion("suggestions");
// 4.2.获取options
List<CompletionSuggestion.Entry.Option> options = suggestions.getOptions();
// 4.3.遍历
List<String> list = new ArrayList<>(options.size());
for (CompletionSuggestion.Entry.Option option : options) {
String text = option.getText().toString();
list.add(text);
}
return list;
} catch (IOException e) {
throw new RuntimeException(e);
}
}
测试成功：
3.mysql与es数据同步
elasticsearch中的酒店数据来自于mysql数据库，因此mysql数据发生改变时，elasticsearch也必须跟着改变，这个就是elasticsearch与mysql之间的数据同步。
3.1.思路分析
常见的数据同步方案有三种：
- 同步调用
- 异步通知
- 监听binlog
3.1.1.方案一：同步调用
方案一：同步调用
管理端只能访问mysql，用户端只能访问es，两者间隔离，符合微服务规范。
基本步骤如下：
- hotel-demo对外提供接口，用来修改elasticsearch中的数据
- 酒店管理服务在完成数据库操作后，直接调用hotel-demo提供的接口，
缺点：耦合度高
3.1.2.方案二：异步通知
方案二：异步通知
流程如下：
- hotel-admin对mysql数据库数据完成增、删、改后，发送MQ消息
- hotel-demo监听MQ，接收到消息后完成elasticsearch数据修改
优点：性能高，耦合度低
缺点：依赖于mq消息队列可靠性
3.1.3.方案三：canal监听mysql的binlog
canal译为管道，运河。
回顾主从复制，主库开启binlog，从库根据主库binlog的增删改信息，进行相同操作。
流程如下：
- 给mysql开启binlog功能
- mysql完成增、删、改操作都会记录在binlog中
- hotel-demo基于canal监听binlog变化，实时更新elasticsearch中的内容
优点：耦合度最低
缺点：mysql压力增加
3.1.4.三种方案优缺点总结
方式一：同步调用
- 优点：实现简单，粗暴
- 缺点：业务耦合度高
方式二：异步通知
- 优点：低耦合，实现难度一般
- 缺点：依赖mq的可靠性
方式三：监听binlog
- 优点：完全解除服务间耦合
- 缺点：开启binlog增加数据库负担、实现复杂度高
3.2.MQ实现数据同步
3.2.1.思路
利用课前资料提供的hotel-admin项目作为酒店管理的微服务。当酒店数据发生增、删、改时，要求对elasticsearch中数据也要完成相同操作。
使用RabbitMQ的发布/订阅模型topic话题模式，支持不同的消息根据routingKey被不同的队列消费。先声明交换机、队列，增删两个routingKey。只需要增删两个队列，restapi里增改是一致的，id存在则修改，id不存在则新增。
步骤：
-
导入课前资料提供的hotel-admin项目，启动并测试酒店数据的CRUD
-
声明exchange、queue、RoutingKey
-
在hotel-admin中的增、删、改业务中完成消息发送
-
在hotel-demo中完成消息监听，并更新elasticsearch中数据
-
启动并测试数据同步功能
3.2.2.导入hotel-admin后台管理端、修改pom和yml
导入课前资料提供的hotel-admin项目：
修改pom
<dependency>
<groupId>com.baomidou</groupId>
<artifactId>mybatis-plus-boot-starter</artifactId>
<version>3.4.2</version>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-web</artifactId>
</dependency>
<dependency>
<groupId>mysql</groupId>
<artifactId>mysql-connector-java</artifactId>
<scope>runtime</scope>
</dependency>
<dependency>
<groupId>org.projectlombok</groupId>
<artifactId>lombok</artifactId>
<optional>true</optional>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-test</artifactId>
<scope>test</scope>
</dependency>
<dependency>
<groupId>com.alibaba</groupId>
<artifactId>druid-spring-boot-starter</artifactId>
<version>1.2.11</version>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-devtools</artifactId>
<optional>true</optional>
</dependency>修改yml：
server:
port: 8099
spring:
datasource:
druid:
driver-class-name: com.mysql.cj.jdbc.Driver
url: jdbc:mysql://localhost:3306/heima?serverTimezone=Asia/Shanghai&useUnicode=true&characterEncoding=utf-8&zeroDateTimeBehavior=convertToNull&useSSL=false&allowPublicKeyRetrieval=true
username: root
password: 1234
main:
banner-mode: off
rabbitmq:
host: 192.168.200.131
port: 5672
username: itcast
password: 123321
virtual-host: / #虚拟主机
#logging:
# level:
# cn.itcast: debug
# pattern:
# dateformat: MM-dd HH:mm:ss:SSS
# type-aliases-package:com.vince.hotel.pojo
mybatis-plus:
configuration:
map-underscore-to-camel-case: true
global-config:
banner: false运行后，访问 http://localhost:8099
其中包含了酒店的CRUD功能：
3.2.3.声明交换机、队列
MQ结构如图：
docker ps -a
docker start 容器名管理端：
http://ip地址:15672/SpringCloud基础4——RabbitMQ_springcloud rabbitmq_vincewm的博客-CSDN博客
1）引入依赖、yml
在hotel-admin、hotel-demo中引入rabbitmq的依赖：
<!--amqp-->
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-amqp</artifactId>
</dependency>
yml：
server:
port: 8099
spring:
datasource:
druid:
driver-class-name: com.mysql.cj.jdbc.Driver
url: jdbc:mysql://localhost:3306/heima?serverTimezone=Asia/Shanghai&useUnicode=true&characterEncoding=utf-8&zeroDateTimeBehavior=convertToNull&useSSL=false&allowPublicKeyRetrieval=true
username: root
password: 1234
main:
banner-mode: off
rabbitmq:
host: 192.168.200.131
port: 5672
username: itcast
password: 123321
virtual-host: / #虚拟主机
#logging:
# level:
# cn.itcast: debug
# pattern:
# dateformat: MM-dd HH:mm:ss:SSS
# type-aliases-package:com.vince.hotel.pojo
mybatis-plus:
configuration:
map-underscore-to-camel-case: true
global-config:
banner: false在hotel-admin和hotel-demo中的cn.itcast.hotel.constatnts包下新建一个类MqConstants：
package cn.itcast.hotel.constants;
public class MqConstants {
/**
* 交换机
*/
public final static String HOTEL_EXCHANGE = "hotel.topic";
/**
* 监听新增和修改的队列
*/
public final static String HOTEL_INSERT_QUEUE = "hotel.insert.queue";
/**
* 监听删除的队列
*/
public final static String HOTEL_DELETE_QUEUE = "hotel.delete.queue";
/**
* 新增或修改的RoutingKey
*/
public final static String HOTEL_INSERT_KEY = "hotel.insert";
/**
* 删除的RoutingKey
*/
public final static String HOTEL_DELETE_KEY = "hotel.delete";
}
topic模式回顾：话题模式，通配符。
Topic类型的Exchange与Direct相比，都是可以根据RoutingKey把消息路由到不同的队列。只不过Topic类型Exchange可以让队列在绑定Routing key的时候使用通配符！也可以在接收消息时，使用注解方式@RabbitListener的bindings，适用于消息队列少的情况:
@RabbitListener(bindings = @QueueBinding( value = @Queue(name = "topic.queue1"), exchange = @Exchange(name = "itcast.topic", type = ExchangeTypes.TOPIC), key = "china.#" )) public void listenTopicQueue1(String msg){ System.out.println("消费者接收到topic.queue1的消息：【" + msg + "】"); }
在config包下创建MqConfig，声明队列、交换机：
package cn.itcast.hotel.config;
import cn.itcast.hotel.constants.MqConstants;
import org.springframework.amqp.core.Binding;
import org.springframework.amqp.core.BindingBuilder;
import org.springframework.amqp.core.Queue;
import org.springframework.amqp.core.TopicExchange;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
@Configuration
public class MqConfig {
@Bean
public TopicExchange topicExchange(){
//第二个参数为是否持久化，第三个参数为是否自动删除。两个参数默认值就是持久化、不自动删除
return new TopicExchange(MqConstants.HOTEL_EXCHANGE, true, false);
}
@Bean
public Queue insertQueue(){
return new Queue(MqConstants.HOTEL_INSERT_QUEUE, true);
}
@Bean
public Queue deleteQueue(){
return new Queue(MqConstants.HOTEL_DELETE_QUEUE, true);
}
@Bean
public Binding insertQueueBinding(){
return BindingBuilder.bind(insertQueue()).to(topicExchange()).with(MqConstants.HOTEL_INSERT_KEY);
}
@Bean
public Binding deleteQueueBinding(){
return BindingBuilder.bind(deleteQueue()).to(topicExchange()).with(MqConstants.HOTEL_DELETE_KEY);
}
}
为什么只需要增删两个队列，不用“改” 队列？
在RestClient的API中，全量修改与新增的API完全一致，判断依据是ID：
- 如果新增时，ID已经存在，则修改
- 如果新增时，ID不存在，则新增
3.2.4.后台端发送MQ消息
在hotel-admin中的增、删、改业务中分别发送MQ消息，消息内容为id，到时候用户端根据id增删改：
3.2.5.用户端接收MQ消息
管理端hotel-admin不能直接调用es，想对es实现增删改要通过给用户端hotel-demo发送新增（修改）、删除消息。
hotel-demo接收到MQ消息要做的事情包括：
- 新增消息：根据传递的hotel的id查询hotel信息，然后新增一条数据到索引库
- 删除消息：根据传递的hotel的id删除索引库中的一条数据
0） 环境准备
pom
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-amqp</artifactId>
</dependency>yml
spring:
rabbitmq:
host: 192.168.200.131
port: 5672
username: itcast
password: 123321
virtual-host: / #虚拟主机复制管理端的MqConstants.java和MqConfig到用户端
1）service接口新增新增、删除业务
首先在hotel-demo的cn.itcast.hotel.service包下的IHotelService中新增新增、删除业务
//mp的增删方法是saveById和removeById，所以这里并不冲突
void deleteById(Long id);
void insertById(Long id);
2）service实现类实现业务
给hotel-demo中的cn.itcast.hotel.service.impl包下的HotelService中实现业务：
//mp的增删方法是saveById和removeById，所以这里并不冲突
@Override
public void deleteById(Long id) {
try {
// 1.准备Request
DeleteRequest request = new DeleteRequest("hotel", id.toString());
// 2.发送请求
client.delete(request, RequestOptions.DEFAULT);
} catch (IOException e) {
throw new RuntimeException(e);
}
}
@Override
public void insertById(Long id) {
try {
// 0.根据id查询酒店数据
Hotel hotel = getById(id);
// 转换为文档类型
HotelDoc hotelDoc = new HotelDoc(hotel);
// 1.准备Request对象
IndexRequest request = new IndexRequest("hotel").id(hotel.getId().toString());
// 2.准备Json文档
request.source(JSON.toJSONString(hotelDoc), XContentType.JSON);
// 3.发送请求
client.index(request, RequestOptions.DEFAULT);
} catch (IOException e) {
throw new RuntimeException(e);
}
}
坑点：删除文档的request别忘了设置id，不然会删除所有数据。
3）编写监听器
在mq包下新增一个类：
package cn.itcast.hotel.mq;
import cn.itcast.hotel.constants.MqConstants;
import cn.itcast.hotel.service.IHotelService;
import org.springframework.amqp.rabbit.annotation.RabbitListener;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Component;
//别忘了@Component，被ioc容器管理，一直监听
@Component
public class HotelListener {
@Autowired
private IHotelService hotelService;
/**
* 监听酒店新增或修改的业务
* @param id 酒店id
*/
@RabbitListener(queues = MqConstants.HOTEL_INSERT_QUEUE)
public void listenHotelInsertOrUpdate(Long id){
hotelService.insertById(id);
}
/**
* 监听酒店删除的业务
* @param id 酒店id
*/
@RabbitListener(queues = MqConstants.HOTEL_DELETE_QUEUE)
public void listenHotelDelete(Long id){
hotelService.deleteById(id);
}
}
3.2.6 测试
运行管理端和用户端服务后，打开rabbitmq服务端： http://ip地址:15672
可以看到队列、交换机创建成功：
交换机绑定关系：
先用户端搜索一个酒店，然后在管理端修改酒店信息 ：
可以看到队列的消息记录：
用户端搜索后的数据也改变了：
再删除酒店，发现成功。
3.2.7.vue插件实现快速拷贝数据到表单
安装地址
https://chrome.google.com/webstore/detail/vuejs-devtools/nhdogjmejiglipccpnnnanhbledajbpd?hl=zh
拷贝数据并保存的办法：
粘贴即可快速填充表单：
4.集群
4.0.概述
单机的elasticsearch做数据存储，必然面临两个问题：海量数据存储问题、单点故障问题。
- 海量数据存储问题：将索引库从逻辑上拆分为N个分片（shard），存储到多个节点
- 单点故障问题：将分片数据在不同节点备份（replica ）
ES集群相关概念:
一个集群里有多个节点，每个节点都是一个es实例， 每个节点保存了自己的分片和一个其他节点备份的分片。
-
集群（cluster）：一组拥有共同的 集群名 的 节点。
-
节点（node) ：集群中的一个 Elasticearch 实例
-
分片（shard）：索引可以被拆分为不同的部分进行存储，称为分片。在集群环境下，一个索引的不同分片可以拆分到不同的节点中
解决问题：数据量太大，单点存储量有限的问题。
此处，我们把数据分成3片：shard0、shard1、shard2
-
主分片（Primary shard）：相对于副本分片的定义。
-
副本分片（Replica shard）：每个主分片可以有一个或者多个副本，数据和主分片一样。
数据备份可以保证高可用，但是每个分片备份一份，所需要的节点数量就会翻一倍，成本实在是太高了！
为了在高可用和成本间寻求平衡，我们可以这样做：
- 首先对数据分片，存储到不同节点
- 然后对每个分片进行备份，放到对方节点，完成互相备份
这样可以大大减少所需要的服务节点数量，如图，我们以3分片，每个分片备份一份为例：
现在，每个分片都有1个备份，存储在3个节点：
- 节点node0：保存了分片0和1
- node1：保存了分片0和2
- node2：保存了分片1和2
4.1.搭建ES集群
4.1.0.Docker Compose介绍
Docker Compose是一个用来定义和运行复杂应用的Docker工具，将一个或多个容器组合成一个完整的应用程序。一个使用Docker容器的应用，通常由多个容器组成。使用Docker Compose不再需要使用shell脚本来启动容器。
Compose 通过一个配置文件来管理多个Docker容器，在配置文件中，所有的容器通过services来定义，然后使用docker-compose脚本来启动，停止和重启应用，和应用中的服务以及所有依赖服务的容器，非常适合组合使用多个容器进行开发的场景。
Docker Compose 使用的三个步骤：
- 使用 Dockerfile 定义应用程序的环境
- 使用 docker-compose.yml 定义构成应用程序的服务，这样它们可以在隔离环境中一起运行
- 执行 docker-compose up 命令（后面加-d是在后台运行）来启动并运行整个应用程序
4.1.1.创建es集群
创建同一个集群的三个节点，每个节点都是一个es实例：
①首先编写一个docker-compose.yml文件，上传到/root，内容如下：
注意端口占用问题：ports:-9200:9200，左边是centos的端口，右边是容器内部端口，只有左边会发生端口占用问题，前面安装过单点es的默认接口是9200，注意一下。
#创建三个es容器，容器名和节点名都是es01、es02、es03。
version: '2.2'
services:
es01:
image: elasticsearch:7.12.1 #镜像名称
container_name: es01 #容器名称
environment:
- node.name=es01
#集群名称。三个容器集群名称一样，es会自动把他们组装成一个集群。
- cluster.name=es-docker-cluster
#集群中其他节点的ip地址；docker容器之间通过名字直接相互访问
- discovery.seed_hosts=es02,es03
#集群中可以参与选举的主节点
- cluster.initial_master_nodes=es01,es02,es03
- "ES_JAVA_OPTS=-Xms512m -Xmx512m" #内存大小，最小和最大内存
volumes:
- data01:/usr/share/elasticsearch/data
ports:
- 9200:9200 #对外端口9200：对内端口9200
networks:
- elastic
es02:
image: elasticsearch:7.12.1
container_name: es02
environment:
- node.name=es02
#集群名称。三个容器集群名称一样，es会自动把他们组装成一个集群。
- cluster.name=es-docker-cluster
- discovery.seed_hosts=es01,es03
- cluster.initial_master_nodes=es01,es02,es03
- "ES_JAVA_OPTS=-Xms512m -Xmx512m"
volumes:
- data02:/usr/share/elasticsearch/data
ports:
- 9201:9200
networks:
- elastic
es03:
image: elasticsearch:7.12.1
container_name: es03
environment:
- node.name=es03
- cluster.name=es-docker-cluster
#集群名称。三个容器集群名称一样，es会自动把他们组装成一个集群。
- discovery.seed_hosts=es01,es02
- cluster.initial_master_nodes=es01,es02,es03
- "ES_JAVA_OPTS=-Xms512m -Xmx512m"
volumes:
- data03:/usr/share/elasticsearch/data
networks:
- elastic
ports:
- 9202:9200
volumes:
data01:
driver: local
data02:
driver: local
data03:
driver: local
networks:
elastic:
driver: bridge
②修改权限：
es运行需要修改一些linux系统权限，修改/etc/sysctl.conf文件
vi /etc/sysctl.conf
添加下面的内容，或将注释打开：
vm.max_map_count=262144
然后执行命令，让配置生效：
sysctl -p
③通过docker-compose up启动集群：
docker-compose up -d
4.1.2.集群状态监控，安装cerebro
kibana可以监控es集群，不过新版本需要依赖es的x-pack 功能，配置比较复杂。
这里推荐使用cerebro来监控es集群状态，官方网址：https://github.com/lmenezes/cerebro
课前资料已经提供了安装包：
windows解压即可使用，非常方便。
解压好的目录如下：
进入对应的bin目录：
双击其中的cerebro.bat文件即可启动服务。
访问http://localhost:9000 即可进入管理界面：
输入你的elasticsearch的任意节点的地址和端口，点击connect即可：
绿色的条，代表集群处于绿色（健康状态）。
4.1.3.创建索引库
1）方法一：利用kibana的DevTools创建索引库
在DevTools中输入指令：
PUT /itcast
{
"settings": {
"number_of_shards": 3, // 分片数量，shard译为碎片
"number_of_replicas": 1 // 副本数量，replica译为副本，复制品。
},
"mappings": {
"properties": {
// mapping映射定义 ...
}
}
}
2）方法二：利用cerebro创建索引库
利用cerebro还可以创建索引库：
填写索引库信息：
点击右下角的create按钮：
4.1.4.查看分片效果
回到首页，即可查看索引库分片效果：
4.2.集群脑裂问题
4.2.1.集群职责划分，四种节点类型
集群职责划分：
-
候选主节点（master eligible）：管理集群状态，处理索引库增删请求。
-
数据节点（data）：对记录的增删改查。
-
接待节点（ingest）：数据存储前的预处理。
协作节点（coordinating）：将请求路由其他节点，合并处理结果并返回。
主节点的类型也是master eligible，它是备选主节点选出来的。
eligible 译为合格的，合适的。
ingest译为接待、吸收。
coordinating译为协调，合作。
默认情况下，集群中的任何一个节点都同时具备上述四种角色。
但是真实的集群一定要将集群职责分离：
职责分离可以让我们根据不同节点的需求分配不同的硬件去部署。而且避免业务之间的互相干扰。
典型的es集群职责划分：LB是负载均衡
4.2.2.脑裂问题
选举master条件：当一个节点发现包括自己在内的多数派的master-eligible节点认为集群没有master时，就可以发起master选举。
选举master过程：
-
备选主节点首先根据节点id（第一次启动时生成的随机字符串）排序，第一个节点暂定master；
-
如果有(n+1)/2个节点投票它是mater，并且它自己也给自己投票，则它当选master；
-
否则就暂定第二个节点为master，以此类推。
脑裂：master故障，集群选举出新master后旧master又恢复了，导致集群出现了两个master。
"脑裂"成因：
-
网络延迟导致误判：集群间的网络延迟导致一些节点访问不到master, 认为master 挂掉了从而选举出新的master,并对master上的分片和副本标红，分配新的主分片
-
主节点负载过高导致误判：主节点的角色既为master又为data,访问量较大时可能会导致ES停止响应造成大面积延迟，此时其他节点得不到主节点的响应认为主节点挂掉了，会重新选取主节点
-
内存回收导致误判：data 节点上的ES进程占用的内存较大，引发JVM的大规模内存回收，造成ES进程失去响应，从而长时间没ping通主节点，导致误判主节点下线
-
主节点故障。
解决方案：
-
调大超时时间减少误判：discovery.zen.ping_timeout节点状态的响应时间，默认为3s，可以适当调大，如果master在该响应时间的范围内没有做出响应应答，判断该节点已经挂掉了。调大参数（如6s，discovery.zen.ping_timeout:6），可适当减少误判
-
选举触发条件：discovery.zen.minimum_master_nodes:(备选主节点数量/ 2) +1。该参数是用于控制选举条件，只有(n / 2) +1个备选主节点认为主节点故障才开始选举。在es7.0以后，已经成为默认配置，因此一般不会发生脑裂问题
-
master和data分离：即master节点与data节点分离，限制角色
-
主节点配置为：node.master: true，node.data: false
-
从节点配置为：node.master: false，node.data: true
-
脑裂是由集群中的节点失联导致的。
脑裂情况演示：
例如一个集群中，主节点与其它节点失联：
此时，node2和node3认为node1宕机（但其实只是阻塞了），就会重新选主：
宕机，即down机、死机。
指操作系统无法从一个严重系统错误中恢复过来，或系统硬件层面出问题，以致系统长时间无响应，而不得不重新启动计算机的现象。
当node3当选后，集群继续对外提供服务，node2和node3自成集群，node1自成集群，两个集群数据不同步，出现数据差异。
当网络恢复后，因为集群中有两个master节点，集群状态的不一致，出现脑裂的情况：
解决脑裂
解决脑裂的方案是，要求选票超过 ( eligible节点数量 + 1 ）/ 2 才能当选为主，因此eligible节点数量最好是奇数。对应配置项是discovery.zen.minimum_master_nodes，在es7.0以后，已经成为默认配置，因此一般不会发生脑裂问题
例如：3个节点形成的集群，选票必须超过 （3 + 1） / 2 ，也就是2票。node3得到node2和node3的选票，当选为主。node1只有自己1票，没有当选。集群中依然只有1个主节点，没有出现脑裂。
4.2.3.小结，四种节点类型
master eligible节点的作用是什么？
data节点的作用是什么？
coordinator节点的作用是什么？
4.3.集群分布式存储
当新增文档时，应该保存到不同分片，保证数据均衡，那么coordinating node如何确定数据该存储到哪个分片呢？
4.3.1.文档存储到分片测试
一个集群里有多个节点，每个节点都是一个es实例， 每个节点保存了自己的分片和一个其他节点备份的分片。
在9200端口的es插入三条数据：
测试可以看到，三条数据分别在不同分片：
4.3.2.分片存储原理
分布式新增如何确定分片？
elasticsearch会通过hash算法来计算文档应该存储到哪个分片，跟文档id和分片数量有关：
说明：
- _routing默认是文档的id
- 算法与分片数量有关，因此索引库一旦创建，分片数量不能修改！
新增文档的流程如下：
解读：
4.4.集群分布式查询，协调节点的分散和聚集
elasticsearch的查询分成两个阶段：
4.5.集群故障转移
集群的master节点会监控集群中的节点状态，如果发现有节点宕机，会立即将宕机节点的分片数据迁移到其它节点，确保数据安全，这个叫做故障转移。
故障转移流程演示：
1）例如一个集群结构如图：
现在，node1是主节点，其它两个节点是从节点。
2）突然，node1发生了故障：
宕机后的第一件事，需要重新选主，例如选中了node2：
node2成为主节点后，会检测集群监控状态，发现：shard-1、shard-0没有副本节点。因此需要将node1上的数据迁移到node2、node3：
实际演示：
现在有三个节点，其中es01是主节点。
令es01宕机
docker-compose stop es01此时es01节点上的1主分片和0副本分片没了，主节点转到es03，控制es01节点的数据迁移到es02和03。
故障转移后，所有分片都有主分片和副本分片：
再恢复es01，发现主节点es03迁移出两个分片到es01：
docker-compose start es01
- master节点：对CPU要求高，但是内存要求低
- data节点：对CPU和内存要求都高
- coordinating节点：对网络带宽、CPU要求高
- 参与集群选主
- 主节点可以管理集群状态、管理分片信息、处理创建和删除索引库的请求
- 数据的CRUD
-
路由请求到其它节点
-
合并查询到的结果，返回给用户
- 1）新增一个id=1的文档
- 2）对id做hash运算，假如得到的是2，则应该存储到shard-2
- 3）shard-2的主分片在node3节点，将数据路由到node3
- 4）保存文档
- 5）同步给shard-2的副本replica-2，在node2节点
- 6）返回结果给coordinating-node节点
-
scatter phase：分散阶段，coordinating node会把请求分发到每一个分片（只有data节点保存分片数据）
-
gather phase：聚集阶段，coordinating node汇总data node的搜索结果，并处理为最终结果集返回给用户
1836
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
