elasticsearch从入门到精通

最新推荐文章于 2024-04-05 16:21:20 发布

柯柯不会Java

最新推荐文章于 2024-04-05 16:21:20 发布

阅读量665

点赞数 1

分类专栏： java 文章标签： elasticsearch java big data

本文链接：https://blog.csdn.net/qq_46601365/article/details/120463600

版权

java 专栏收录该内容

33 篇文章 0 订阅

订阅专栏

es从入门到深入

ElasticSearch概述

Elaticsearch，简称为es ,es是一个开源的高扩展的分布式全文检索引擎，它可以近乎实时的存储、检索数据;本身扩展性很好，可以扩展到上百台服务器，处理PB级别的数据。es也使用ava开发并使用Lucene作为其核心来实现所有索引和搜索的功能，但是它的目的是通过简单的RESTful API来隐藏Lucene的复杂性，从而让全文搜索变得简单。
据国际权威的数据库产品评测机构DB Engines的统计，在2016年1月，ElasticSearch已超过Solr等，成为排名第一的搜索引擎类应用。

ElasticSearch与Solr对比

Elasticsearch简介

Elasticsearch是一个实时分布式搜索和分析引擎。它让你以前所未有的速度处理大数据成为可能。

它用于全文搜索、结构化搜索、分析以及将这三者混合使用:

维基百科使用Elasticsearch提供全文搜索并高亮关键字,以及输入实时搜索(search-asyou-type)和搜索纠错(did-you-mean)等搜索建议功能。

英国卫报使用Elasticsearch结合用户日志和社交网络数据提供给他们的编辑以实时的反馈,以便及时了解公众对新发表的文章的回StackOverflow结合全文搜索与地理位置查询,以及more-like-this功能来找到相关的问题和答案。

Github使用Elasticsearch检索1300亿行的代码。

但是Elasticsearch不仅用于大型企业,它还让像DataDog以及Klout这样的创业公司将最初的想法变成可扩展的解决方案。

Elasticsearch可以在你的笔记本上运行,也可以在数以百计的服务器上处理PB级别的数据。

Elasticsearch是一个基于Apache Lucene™的开源搜索引擎。无论在开源还是专有领域, 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。

但是, Lucene只是一个库。想要使用它,你必须使用Java来作为开发语言并将其直接集成到你的应用中,更糟糕的是, Lucene非常复杂,你需要深入了解检索的相关知识来理解它是如何工作的。

Elasticsearch也使用Java开发并使用Lucene作为其核心来实现所有索引和搜索的功能,但是它的目的是通过简单的RESTful API来隐藏Lucene的复杂性,从而让全文搜索变得简单。

Solr简介

Solr是Apache下的一个顶级开源项目,采用Java开发,它是基于Lucene的全文搜索服务器。Solr提供了比Lucene更为丰富的查询语言,同时实现了可配置、可扩展,并对索引、搜索性能进行了优化。

Solr可以独立运行,运行在Jetty、 Tomcat等这些Servlet容器中, Solr索弓|的实现方法很简单,用POST方法向Solr服务器发送一个描述Field及其内容的XML文档, Solr根据xml文档添加、删除、更新索引。Solr搜索只需要发送HTTP GET请求,然后对Solr返回Xml、json等格式的查询结果进行解析,组织页面布局。Solr不提供构建UI的功能, Solr提供了-一个管理界面,通过管理界面可以查询Solr的配置和运行情况。

solr是基于lucene开发企业级搜索服务器,实际上就是封装了lucene。

Solr是一个独立的企业级搜索应用服务器,它对外提供类似于Web-service的API接口。用户可以通过http请求,向搜索引擎服务器提交一定格式的文件,生成索引;也可以通过提出查找请求,并得到返回结果。

Lucene简介

Lucene是apache软件基金会4 jakarta项目组的一个子项目，是一个开放源代码的全文检索引擎工具包,但它不是一一个完整的全文检索引擎,而是一个全文检索弓|擎的架构，提供了完整的查询引擎和索引引擎,部分文本分析引擎(英文与德文两种西方语言)。

Lucene的目的是为软件开发人员提供一个简单易用的工具包,以方便的在目标系统中实现全文检索的功能，或者是以此为基础建立起完整的全文检索弓|擎。Lucene是套一用于全文检索和搜寻的开源程式库，由Apache软件基金会支持和提供。Lucene提供了一个简单却强大的应用程式接口，能够做全文索引和搜寻。在Java开发环境里Lucene是一个成熟的免费开源工具。就其本身而言,Lucene是当前以及最近几年最受欢迎的免费Java信息检索程序库。人们经常提到信息检索程序库,虽然与搜索引擎有关,但不应该将信息检索程序库与搜索引擎相混淆。

Lucene是一一个全文检索引擎的架构。那什么是全文搜索引擎?
全文搜索引擎是名副其实的搜索引擎，国外具代表性的有Google、Fast/AllTheWeb、 AltaVista、 Inktomi、 Teoma、 WiseNut等，国内著名的有百度( Baidu)。它们都是通过从互联网上提取的各个网站的信息(以网页文字为主)而建立的数据库中,检索与用户查询条件匹配的相关记录，然后按一定的排列顺序将结果返回给用户，因此他们是真正的搜索引擎。从搜索结果来源的角度，全文搜索引擎又可细分为两种，一种是拥有自己的检索程序( Indexer ) , 俗称"蜘蛛”( Spider )程序或"机器人”( Robot )程序,并自建网页数据库,搜索结果直接从自身的数据库中调用,如上面提到的7家引擎;另一种则是租用其他弓|擎的数据库,并按自定的格式排列搜索结果,如Lycos引擎。

ElasticSearch vs Solr比较

在这里插入图片描述

ElasticSearch vs Solr总结

1、es基本是开箱即用(解压就可以用! ) ,非常简单。Solr安装略微复杂一丢丢!

2、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。

3、Solr 支持更多格式的数据,比如SON、XML、CSV ,而Elasticsearch仅支持json文件格式。

4、Solr 官方提供的功能更多,而Elasticsearch本身更注重于核心功能,高级功能多有第三方插件提供,例如图形化界面需要kibana友好支撑!

5、Solr 查询快,但更新索弓时慢(即插入删除慢) , 用于电商等查询多的应用;

ES建立索引快(即查询慢) ,即实时性查询快,用于facebook新浪等搜索。
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。

6、Solr比较成熟,有一个更大,更成熟的用户、开发和贡献者社区,而Elasticsearch相对开发维护者较少,更新太快,学习使用,成本较高。

ElasticSearch的安装

要求

jdk1.8最低

下载地址

https://www.elastic.co/cn/downloads/elasticsearch

安装

ELK三剑客，解压即用

在这里插入图片描述

熟悉目录

bin 启动文件

config 配置文件

log4j2.properties 日志配置文件
jvm.options java虚拟机相关配置
elasticsearch.yml elasticsearch配置文件默认9200端口可以配置跨域问题

jdk 环境

lib 相关jar包

logs 日志

modules 功能模块

plugins 插件，如ik分词器

启动

在这里插入图片描述

访问

在这里插入图片描述

可视化

安装可视化界面es head插件

下载地址

http://github.com/mobz/elasticsearch-head/

要求

npm、node.js

启动

cnpm install

npm run start

在这里插入图片描述

解决跨域问题

在elasticsearch.yml 文件中配置后重启elasticsearch

http.cors.enabled: true
http.cors.allow-origin: "*"

重新访问

在这里插入图片描述

创建索引

在这里插入图片描述

初学可以将es当成一个数据库，索引即库，文档即库中的数据

ELK

ELK简介

ELK是Elasticsearch、Logstash、Kibana三大开源框架首字母大写简称。市面上也被成为Elastic Stack。其中Elasticsearch是一个基于Lucene、分布式、通过Restful方式进行交互的近实时搜索平台框架。像类似百度、谷歌这种大数据全文搜索引擎的场景都可以使用Elasticsearch作为底层支持框架，可见Elasticsearch提供的搜索能力确实强大,市面上很多时候我们简称Elasticsearch为es。Logstash是ELK的中央数据流引擎，用于从不同目标（文件/数据存储/MQ）收集的不同格式数据，经过过滤后支持输出到不同目的地(文件/MQ/redis/elasticsearch/kafka等 )。Kibana可以将elasticsearch的数据通过友好的页面展示出来，提供实时分析的功能。

市面上很多开发只要提到ELK能够一致说出它是一个日志分析架构技术栈总称，但实际上ELK不仅仅适用于日志分析，它还可以支持其它任何数据分析和收集的场景，日志分析和收集只是更具有代表性。并非唯一性。

在这里插入图片描述

Kibana简介

Kibana是一个针对Elasticsearch的开源分析及可视化平台，用来搜索、查看交互存储在Elasticsearch索引中的数据。使用Kibana ,可以通过各种图表进行高级数据分析及展示。Kibana让海量数据更容易理解。它操作简单，基于浏览器的用户界面可以快速创建仪表板( dashboard )实时显示Elasticsearch查询动态。设置Kibana非常简单。无需编码或者额外的基础架构，几分钟内就可以完成Kibana安装并启动Elasticsearch索引监测。

官网

https://www.elastic.co/cn/kibana

注意：Kibana的版本要和es一致！

安装

解压即可

启动

在这里插入图片描述

访问

在这里插入图片描述

开发工具

在这里插入图片描述

汉化

在kibana.yml修改为i18n.locale: "zh-CN"

在这里插入图片描述

重启

在这里插入图片描述

ES的核心概念

概述

在前面的学习中，我们已经掌握了es是什么，同时也把es的服务已经安装启动，那么es是如何去存储数据，数据结构是什么，又是如何实现搜索的呢?我们先来聊聊ElasticSearch的相关概念吧!

集群，节点，索引，类型，文档，分片，映射是什么?

elasticsearch是面向文档，关系行数据库和elasticsearch客观的对比! elasticsearch存储数据都是json

在这里插入图片描述

elasticsearch(集群)中可以包含多个索引(数据库)，每个索引中可以包含多个类型(表)，每个类型下又包含多个文档(行)，每个文档中又包含多个字段(列)。

物理设计

elasticsearch在后台把每个索引划分成多个分片，每分分片可以在集群中的不同服务器间迁移

一个人就是一个集群! 默认的集群名称是elasticsearch

在这里插入图片描述

逻辑设计

一个索引类型中，包含多个文档，比如说文档1，文档2。当我们索引一篇文档时，可以通过这样的一个顺序找到它:索引->类型->文档ID，通过这个组合我们就能索引到某个具体的文档。注意:ID不必是整数，实际上它是个字符串。

文档

之前说elasticsearch是面向文档的，那么就意味着索引和搜索数据的最小单位是文档，elasticsearch中，文档有几个重要属性：

自我包含，一篇文档同时包含字段和对应的值，也就是同时包含key:value !
可以是层次型的，一个文档中包含自文档，复杂的逻辑实体就是这么来的 ! 就是一个json对象，fastjson可以进行自动转换
灵活的结构，文档不依赖预先定义的模式，我们知道关系型数据库中，要提前定义字段才能使用，在elasticsearch中，对于字
段是非常灵活的，有时候，我们可以忽略该字段，或者动态的添加一个新的字段。

尽管我们可以随意的新增或者忽略某个字段，但是，每个字段的类型非常重要，比如一个年龄字段类型，可以是字符串也可以是整形。因为elasticsearch会保存字段和类型之间的映射及其他的设置。这种映射具体到每个映射的每种类型，这也是为什么在elasticsearch中，类型有时候也称为映射类型。

类型

类型是文档的逻辑容器，就像关系型数据库一样，表格是行的容器。类型中对于字段的定义称为映身，比如name映射为字符串类型。我们说文档是无模式的，它们不需要拥有映射中所定义的所有字段，比如新增一个字段，那么elasticsearch是怎么做的呢?elasticsearch会自动的将新字段加入映射，但是这个字段的不确定它是什么类型，elasticsearch就开始猜，如果这个值是18，那么elasticsearch会认为它是整形。但是elasticsearch也可能猜不对，所以最安全的方式就是提前定义好所需要的映射，这点跟关系型数据库殊途同归了，先定义好字段，然后再使用，别整什么幺蛾子。

索引

索引是映射类型的容器，elasticsearch中的索引是一个非常大的文档集合。索引存储了映射类型的字段和其他设置。然后它们被存储到了各个分片上了。我们来研究下分片是如何工作的。

物理设计︰节点和分片如何工作

在这里插入图片描述

一个集群至少有一个节点，而一个节点就是一个elasticsearch进程，节点可以有多个索引默认的，如果你创建索引，那么索引将会有个5个分片( primary shard ,又称主分片)构成的，每一个主分片会有一个副本( replica shard ,又称复制分片)

在这里插入图片描述

上图是一个有3个节点的集群，可以看到主分片和对应的复制分片都不会在同一个节点内，这样有利于某个节点挂掉了，数据也不至于丢失。实际上，一个分片是一个Lucene索引，一个包含倒排索引的文件目录，倒排索引的结构使得elasticsearch在不扫描全部文档的情况下，就能告诉你哪些文档包含特定的关键字。不过，等等，倒排索引是什么鬼?

倒排索引

简介

elasticsearch使用的是一种称为倒排索引的结构，采用Lucene倒排索作为底层。这种结构适用于快速的全文搜索，一个索引由文档中所有不重复的列表构成，对于每一个词，都有一个包含它的文档列表。例如，现在有两个文档，每个文裆包含如下内容:

study every day，good good up to forever # 文档1包含的内容
To forever，study every day，good good up #文档2包含的内容

为了创建倒排索引，我们首先要将每个文档拆分成独立的词(或称为词条或者tokens)，然后创建一个包含所有不重复的词条的排序列表，然后列出每个词条出现在哪个文档:

在这里插入图片描述

现在我们尝试搜索 to forever，只需要查看包含每个词条的文档

在这里插入图片描述

例子

两个文档都匹配，但是第一个文档比第二个匹配程度更高。如果没有别的条件，现在，这两个包含关键字的文档都将返回。再来看一个示例，比如我们通过博客标签来搜索博客文章。那么倒排索引列表就是这样的一个结构:

在这里插入图片描述

如果要搜索含有python标签的文章，那相对于查找所有原始数据而言，查找倒排索引后的数据将会快的多。只需要查看标签这一栏，然后获取相关的文章ID即可。完全过滤掉所有的无关数据，提高效率!

elasticsearch的索引和Lucene的索引对比

在elasticsearch中，索引这个词被频繁使用，这就是术语的使用。在elasticsearch中，索引被分为多个分片，每份分片是一个Lucene的索引。所以一个elasticsearch索引是由多个Lucene索引组成的。别问为什么，谁让elasticsearch使用Lucene作为底层呢!如无特指,说起索引都是指elasticsearch的索引。

接下来的一切操作都在kibana中Dev Tools下的Console里完成。基础操作!

IK分词器插件

概念

分词：即把一段中文或者别的划分成一个个的关键字，我们在搜索时候会把自己的信息进行分词，会把数据库中或者索引库中的数据进行分词，然后进行一个匹配操作，默认的中文分词是将每个字看成一个词，比如“我爱狂神"会被分为"我"“爱”“狂” “神”，这显然是不符合要求的，所以我们需要安装中文分词器ik来解决这个问题。

如果要使用中文，建议使用ik分词器!

IK提供了两个分词算法：ik_smart和ik_max_word,其中ik_smart为最少切分，ik_max_word为最细粒度划分!一会我们测试!

安装

下载地址

https://github.com/medcl/elasticsearch-analysis-ik

安装

下载完毕之后，放入到我们的elasticsearch插件即可!

在这里插入图片描述

重启elasticsearch

在这里插入图片描述

可以看到ik分词器被加载了

查看

elasticsearch-plugin list

在这里插入图片描述

使用Kibana测试

查看不同的分词效果

ik_smart为最少切分！

在这里插入图片描述

ik_max_word为最细粒度划分！穷尽词库的可能！字典！

在这里插入图片描述

问题

输入超级喜欢狂神说Java，发现狂神说被拆开了

在这里插入图片描述

解决

这种自己需要的词需要自己加到分词器的字典中

1、在ik分词器中增加自己的配置

在这里插入图片描述

2、重启elasticsearch，看日志

在这里插入图片描述

3、再次测试狂神说，看效果

在这里插入图片描述

以后要有自己配置的分词的话，就在自己定义的字典中配置即可！

Rest风格说明

一种软件架构风格，而不是标准，只是提供了一组设计原则和约束条件。它主要用于客户端和服务器交互类的软件。基于这个风格设计的软件可以更简洁，更有层次，更易于实现缓存等机制。

基本Rest命令说明︰

在这里插入图片描述

关于索引的基础操作

创建索引

PUT /索引名/~类型名~/文档id
{请求体}

在这里插入图片描述

完成了自动增加索引，数据也成功添加了，这就是初期可以将它当做数据库学习的原因

在这里插入图片描述

那么name这个字段用不用指定类型呢。毕竟我们关系型数据库是需要指定类型的啊!

指定类型

字符串类型

text ，keyword
数值类型

long, integer, short, byte, double, float, half float, scaled float
日期类型

date
te布尔值类型

boolean
二进制类型

binary

等等…

指定字段的类型

在这里插入图片描述

获取规则

可以通过GET请求获取具体的信息

在这里插入图片描述

查看默认信息

创建索引

注意：类型名慢慢会被弃用，默认为_doc

在这里插入图片描述

如果自己的文档字段没有指定，那么es就会给我们默认配置字段类型

扩展

通过命令elasticsearch索引情况！通过GET _cat/ 可以获得es当前的很多信息

在这里插入图片描述

修改索引

曾经的方法：还是使用PUT即可，进行覆盖！

在这里插入图片描述

现在的方法

在这里插入图片描述

删除索引

在这里插入图片描述

通过DELETE命令实现删除，根据你的请求来判断是删除索引还是删除文档

使用Restful风格是es推荐大家使用的！

关于文档的基础操作

创建文档

//创建一个索引keke，该索引下创建一个类型user，该类型下创建一个文档1
PUT /keke/user/1 
{
  "name": "keke",
  "age": 23,
  "desc": "高富帅",
  "tags": ["技术宅", "暖男"]
}

PUT /keke/user/2
{
  "name": "张三",
  "age": 25,
  "desc": "法外狂徒",
  "tags": ["旅游", "渣男"]
}

PUT /keke/user/3
{
  "name": "李四",
  "age": 30,
  "desc": "靓女",
  "tags": ["唱歌", "跳舞"]
}

在这里插入图片描述

修改文档

PUT /keke/user/3
{
  "name": "李四2333",
  "age": 30,
  "desc": "靓女",
  "tags": ["唱歌", "跳舞"]
}

在这里插入图片描述

修改文档PLUS

Put，如果有的字段不传递数据的话，就会被覆盖为空

Post _update，推荐使用这种更新方式，好处：精确修改，只改动需要修改的字段

POST /keke/user/1/_update
{
  "doc": {
    "name": "keke真滴帅"
  }
}

在这里插入图片描述

简单查询

GET /keke/user/1

在这里插入图片描述

简单条件查询

GET /keke/user/_search?q=name:真
GET /keke/user/_search?q=name:keke真滴帅

在这里插入图片描述

复杂查询

例如：排序、分页、高亮、模糊查询、精准查询

模糊查询

//查询的参数体使用json构建
GET /keke/user/_search
{
  "query": {
    "match": {
      "name": "keke"
    }
  }
}

在这里插入图片描述

match：会使用分词器解析，（先分析文档，然后再通过分析的文档进行查询！）

过滤字段

GET /keke/user/_search
{
  "query": {
    "match": {
      "name": "keke"
    }
  },
  "_source": ["name", "desc"]
}

在这里插入图片描述

注意：我们以后使用Java操作es，所有的方法和对象就是这里的key

排序

GET /keke/user/_search
{
  "query": {
    "match": {
      "name": "keke"
    }
  },
  "sort": [
    {
      "age": {
        "order": "asc"
      }
    }
  ]
}

在这里插入图片描述

根据age升序

分页

GET /keke/user/_search
{
  "query": {
    "match": {
      "name": "keke"
    }
  },
  "sort": [
    {
      "age": {
        "order": "asc"
      }
    }
  ],
  "from": 0, 
  "size": 1
}

在这里插入图片描述

数据下标还是从0开始，和其他所学的数据结构是一样的

布尔值查询

must

must（and），所有的条件都要符合，相当于mysql的语句：where id = 1 and name = xxx，但是这里的匹配不是精确匹配，也不是mysql那种模糊匹配，是分词匹配

GET /keke/user/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "name": "keke"
          }
        },
        {
          "match": {
            "age": 5
          }
        }
      ]
    }
  }
}

在这里插入图片描述

should

should（or），所有的条件都要符合，相当于mysql的语句：where id = 1 or name = xxx

GET /keke/user/_search
{
  "query": {
    "bool": {
      "should": [
        {
          "match": {
            "name": "keke"
          }
        },
        {
          "match": {
            "age": 5
          }
        }
      ]
    }
  }
}

在这里插入图片描述

must_not

must_not（not），相当于mysql里面的不等于!=

GET /keke/user/_search
{
  "query": {
    "bool": {
      "must_not": [
        {
          "match": {
            "age": 5
          }
        }
      ]
    }
  }
}

在这里插入图片描述

过滤器 filter

GET /keke/user/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "name": "keke"
          }
        }
      ],
      "filter": {
        "range": {
          "age": {
            "gte": 10,
            "lte": 30
          }
        }
      }
    }
  }
}

gt 大于
gte 大于等于
lt 小于
lte 小于等于

在这里插入图片描述

多条件查询

GET /keke/user/_search
{
  "query": {
    "match": {
      "tags": "男 技术"
    }
  }
}

在这里插入图片描述

精确查询

term查询是直接通过倒排索引指定的词条进行精确的查找

关于分词

match：模糊匹配，需要指定字段名，但是输入会进行分词，比如"hello world"会进行拆分为hello和world，然后匹配，如果字段中包含hello或者world，或者都包含的结果都会被查询出来，也就是说match是一个部分匹配的模糊查询。查询条件相对来说比较宽松。
term：当索引中数据字段类型是text，这种字段会根据分词器分词，比如该字段数据为hello world，elasticsearch会对字段内容进行分词，"hello world"会被分成hello和world，此时我们查询单个的词hello，也会被查询出来；但是输入hello world，不会被查询出来。

当索引中数据字段类型是keyword，这种字段不会根据分词器分词，比如该字段数据为hello world，elasticsearch不会对字段内容进行分词，"hello world"就是hello world，此时我们查询单个的词hello，不会被查询出来；但是输入hello world，会被查询出来。

两个类型

text

会进行分词，分词后建立索引。比如：对于‘佟永硕’，ik分词器的smart分词会自动将其分成佟、永、硕三个字符进行建立索引，所以单字符搜索可以搜索到，而比如‘永硕’则搜索不到。
支持模糊查询，支持准确查询。
不支持聚合查询。

keyword

不分词，直接建立索引。据此特点，可以使用keyword类型+wildcardQuery（通配查询）实现类似sql的like查询（模糊搜索）
支持模糊查询，支持准确查询。
支持聚合查询。

GET _analyze
{
  "analyzer": "keyword",
  "text": "keke真滴帅 name"
}

GET _analyze
{
  "analyzer": "standard",
  "text": "keke真滴帅 name"
}

在这里插入图片描述

创建索引测试

//创建
PUT testdb
{
  "mappings": {
    "properties": {
      "name": {
        "type": "text"
      },
      "desc": {
        "type": "keyword"
      }
    }
  }
}

PUT testdb/_doc/1
{
  "name": "keke真滴帅 name",
  "desc": "keke真滴帅 desc"
}

PUT testdb/_doc/2
{
  "name": "keke真滴帅 name",
  "desc": "keke真滴帅 desc2"
}

//查询 
//文档1、2都可以查询出来
GET testdb/_search
{
  "query": {
    "term": {
      "name": "真"
    }
  }
}

//文档1、2都不可以查询出来
GET testdb/_search
{
  "query": {
    "term": {
      "name": "keke真滴帅 name"
    }
  }
}

//文档1、2都不可以查询出来
GET testdb/_search
{
  "query": {
    "term": {
      "desc": "真"
    }
  }
}

//文档1可以查询出来
GET testdb/_search
{
  "query": {
    "term": {
      "desc": "keke真滴帅 desc"
    }
  }
}

多个值匹配精确查询

//创建
PUT testdb/_doc/3
{
  "t1": "22",
  "t2": "2020-4-6"
}

PUT testdb/_doc/4
{
  "t1": "33",
  "t2": "2020-4-7"
}

//查询
GET testdb/_search
{
  "query": {
    "bool": {
      "should": [
        {
          "term": {
            "t1": "22"
          }
        },
        {
          "term": {
            "t1": "33"
          }
        }
      ]
    }
  }
}

在这里插入图片描述

高亮查询

GET keke/user/_search
{
  "query": {
    "match": {
      "name": "keke"
    }
  },
  "highlight": {
    "fields": {
      "name": {}
    }
  }
}

在这里插入图片描述

自定义高亮条件

GET keke/user/_search
{
  "query": {
    "match": {
      "name": "keke"
    }
  },
  "highlight": {
    "pre_tags": "<p class='key' style='color:red'>", 
    "post_tags": "</p>", 
    "fields": {
      "name": {}
    }
  }
}

在这里插入图片描述

集成springboot

找官方文档

官网：https://www.elastic.co/guide/index.html

在这里插入图片描述

找原生的依赖

<dependency>
    <groupId>org.elasticsearch.client</groupId>
    <artifactId>elasticsearch-rest-high-level-client</artifactId>
    <version>7.6.2</version>
</dependency>

找对象

在这里插入图片描述

分析这个对象的方法

配置基本的项目

注意：一定要保证导入的依赖和我们的版本一致

在这里插入图片描述

源码中提供的对象

在这里插入图片描述

虽然这里导入了三个类，但都是静态内部类，核心类就一个RestClientConfigurations

//
// Source code recreated from a .class file by IntelliJ IDEA
// (powered by Fernflower decompiler)
//

package org.springframework.boot.autoconfigure.elasticsearch.rest;

import java.time.Duration;
import org.apache.http.HttpHost;
import org.apache.http.auth.AuthScope;
import org.apache.http.auth.Credentials;
import org.apache.http.auth.UsernamePasswordCredentials;
import org.apache.http.client.CredentialsProvider;
import org.apache.http.impl.client.BasicCredentialsProvider;
import org.elasticsearch.client.RestClient;
import org.elasticsearch.client.RestClientBuilder;
import org.elasticsearch.client.RestHighLevelClient;
import org.springframework.beans.factory.ObjectProvider;
import org.springframework.boot.autoconfigure.condition.ConditionalOnClass;
import org.springframework.boot.autoconfigure.condition.ConditionalOnMissingBean;
import org.springframework.boot.context.properties.PropertyMapper;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

class RestClientConfigurations {
    RestClientConfigurations() {
    }

    @Configuration(
        proxyBeanMethods = false
    )
    static class RestClientFallbackConfiguration {
        RestClientFallbackConfiguration() {
        }

        @Bean
        @ConditionalOnMissingBean
        RestClient elasticsearchRestClient(RestClientBuilder builder) {
            return builder.build();
        }
    }

    @Configuration(
        proxyBeanMethods = false
    )
    @ConditionalOnClass({RestHighLevelClient.class})
    static class RestHighLevelClientConfiguration {
        RestHighLevelClientConfiguration() {
        }

        //RestHighLevelClient 高级客户端，也是这里要讲的
        @Bean
        @ConditionalOnMissingBean
        RestHighLevelClient elasticsearchRestHighLevelClient(RestClientBuilder restClientBuilder) {
            return new RestHighLevelClient(restClientBuilder);
        }

        //RestClient 普通客户端
        @Bean
        @ConditionalOnMissingBean
        RestClient elasticsearchRestClient(RestClientBuilder builder, ObjectProvider<RestHighLevelClient> restHighLevelClient) {
            RestHighLevelClient client = (RestHighLevelClient)restHighLevelClient.getIfUnique();
            return client != null ? client.getLowLevelClient() : builder.build();
        }
    }

    @Configuration(
        proxyBeanMethods = false
    )
    static class RestClientBuilderConfiguration {
        RestClientBuilderConfiguration() {
        }

        //RestClientBuilder
        @Bean
        @ConditionalOnMissingBean
        RestClientBuilder elasticsearchRestClientBuilder(RestClientProperties properties, ObjectProvider<RestClientBuilderCustomizer> builderCustomizers) {
            HttpHost[] hosts = (HttpHost[])properties.getUris().stream().map(HttpHost::create).toArray((x$0) -> {
                return new HttpHost[x$0];
            });
            RestClientBuilder builder = RestClient.builder(hosts);
            PropertyMapper map = PropertyMapper.get();
            map.from(properties::getUsername).whenHasText().to((username) -> {
                CredentialsProvider credentialsProvider = new BasicCredentialsProvider();
                Credentials credentials = new UsernamePasswordCredentials(properties.getUsername(), properties.getPassword());
                credentialsProvider.setCredentials(AuthScope.ANY, credentials);
                builder.setHttpClientConfigCallback((httpClientBuilder) -> {
                    return httpClientBuilder.setDefaultCredentialsProvider(credentialsProvider);
                });
            });
            builder.setRequestConfigCallback((requestConfigBuilder) -> {
                properties.getClass();
                map.from(properties::getConnectionTimeout).whenNonNull().asInt(Duration::toMillis).to(requestConfigBuilder::setConnectTimeout);
                properties.getClass();
                map.from(properties::getReadTimeout).whenNonNull().asInt(Duration::toMillis).to(requestConfigBuilder::setSocketTimeout);
                return requestConfigBuilder;
            });
            builderCustomizers.orderedStream().forEach((customizer) -> {
                customizer.customize(builder);
            });
            return builder;
        }
    }
}

具体的API操作

关于索引的API操作

1、创建索引

2、判断索引是否存在

3、删除索引

关于文档的API操作

1、添加文档

2、判断文档是否存在

3、获取文档的信息

4、更新文档的信息

5、删除文档的记录

6、批量添加文档

7、查询文档

实战

使用爬虫技术将京东页面数据爬取下来，并模仿京东的页面进行展示！

在这里插入图片描述

爬虫

数据问题

数据库获取、消息队列中获取、爬虫（本处使用）！

项目功能

1、爬取京东页面数据存入es

2、搜索数据

3、搜索数据高亮显示

项目地址

集成spring boot和实战项目地址：https://gitee.com/chiyutoBeBest/es_api

柯柯不会Java

关注

1
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
elasticsearch从入门到精通

es从入门到深入ElasticSearch概述Elaticsearch，简称为es ,es是一个开源的高扩展的分布式全文检索引擎，它可以近乎实时的存储、检索数据;本身扩展性很好，可以扩展到上百台服务器，处理PB级别的数据。es也使用ava开发并使用Lucene作为其核心来实现所有索引和搜索的功能，但是它的目的是通过简单的RESTful API来隐藏Lucene的复杂性，从而让全文搜索变得简单。据国际权威的数据库产品评测机构DB Engines的统计，在2016年1月，ElasticSearch已超过S
复制链接

扫一扫

专栏目录