微服务--实用篇-笔记大全

已于 2023-12-16 20:39:47 修改
阅读量331 收藏 10
点赞数 10
文章标签： 微服务 java spring cloud rabbitmq elasticsearch
于 2023-03-22 22:26:01 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_51601665/article/details/129720876
版权

在这里插入图片描述

文章目录

服务项目

黑马- SpringCloud微服务技术栈实用篇完成时间2023-3-22。

项目涉及技术

  1. 知识点是按照集数依次整理，方便日后回来查找。
  2. 考虑到不是固定的联网方式，时而WiFi，时而热点，配置静态IP会导致每次网络变更后都需要重新配置，所以虚拟机使用的动态路由，当需要运行相关程序时，IP变化，需要修改yml文件 || test测试类 || 启动类里的配置即可。
  3. 将代码路径列举主要是为后续审查。
  4. 自己编写代码路径E:\微服务\实用篇\day01-SpringCloud01\资料\cloud-demo。
  5. 打包上传到Linux实现集群部署路径E:\微服务\实用篇\day03-Docker\资料\cloud-demo。
  6. mq的代码路径E:\微服务\实用篇\day04-MQ\资料\mq-demo。
  7. RestClient操作酒店索引库的代码路径E:\微服务\实用篇\day05-Elasticsearch01\资料\hotel-demo。
  8. 操作数据库+mq实现数据同步的代码路径E:\微服务\实用篇\day07-Elasticsearch03\资料\hotel-admin。

实用篇

背景
  1. 微服务技术栈导学。
  2. 微服务的架构，背景，技术对比等。
  3. 服务拆分–微服务调用方式。
注册中心
  1. Eureka注册中心–服务原理、搭建、注册、发现->（p9）。
  2. Ribbon负载均衡规则–原理、轮询与随机均衡策略、饥饿加载->（p14）。
  3. Nacos注册中心–安装、注册、发现、服务分级存储（分地域集群）、NacosRule负载均衡策略、权重控制、环境隔离-namespace->（P17）。
  4. Nacos与eureka的共同点、区别。
  5. Nacos启动–在bin目录进入cmd，输入startup.cmd -m standalone。
配置中心
  1. Nacos配置管理（ps: 视频p26 – 命名空间是否正确)）。
  2. Nacos实现热更新–（1）@Value + RefreshScope来刷新。 （2）@ConfigurationProperties注入，自动刷新。
  3. 多服务共享配置–优先级：nacos中的配置（服务名-profile.yaml > 服务名称.yaml） > 本地配置。
  4. nacos集群搭建–（1）搭建MySQL集群并初始化数据库表。（2）下载解压nacos、修改集群配置、数据库配置。（3）分别启动多个nacos节点。（4）nginx反向代理。
远程调用
  1. http客户端Feign–定义和使用步骤->（p30）。
  2. Feign与RestTemplate的区别与代替。
  3. 自定义Feign的配置–修改日志级别-配置文件&&java代码配置（一般需要配置，详解）、响应结果的解析器、请求参数编码、支持的注解格式、失败重试机制。
  4. Feign的性能优化–默认-URLConnection：默认实现，不支持连接池；Apache HttpClient：支持连接池；OKHttp：支持连接池。
  5. 优化–日志尽量用basic；使用连接池。
  6. Feign最佳实践–controller和FeignClient继承同一接口；将FeignClient、POJO、Feign的默认配置都定义到一个项目中，供消费者使用（抽取）。
  7. 抽取Feign–这里自动注解UserClient报错，是由于扫不到包，下面视频有解决办法-两种导包的方式。
服务网关
  1. 统一网关Gateway–作用：身份认证、权限校验、负载均衡、限流。（p35）
  2. 网关搭建、路由配置–路由id、路由目标（uri）、路由断言（predicates）、路由过滤器（filters）。
  3. 路由断言工厂–11种基本的断言（使用时去Spring Cloud Gateway官方文档中介绍及使用样例）、作用：读取用户定义的断言条件，对请求做出判断。
  4. 路由过滤器–31种过滤规则；过滤器的作用：对路由的请求或响应做加工处理、配置在路由下的过滤器只对当前路由请求生效；defaultFilters默认路由的作用：对所有路由都生效的过滤器。
  5. 全局过滤器–作用：对所有路由都生效的过滤器，并且可以自定义处理逻辑；实现步骤：实现GlobalFilter接口，添加@Order注解或实现Ordered接口，编写处理逻辑。
  6. 过滤器执行顺序–order值越小，优先级越高；当order值一样时，顺序是defaultFilter最先，然后局部的路由过滤器，最后全局过滤器。
  7. CORS跨域–配置参数：允许哪些域名、请求头、请求方式、是否允许使用永久cookie、有效期多久。
项目部署
  1. Docker解决不同组件依赖的兼容性问题–将应用的Libs（函数库）、Deps（依赖）、配置与应用一起打包，形成可移植镜像；将每一个应用放到隔离的容器上运行，使用沙箱机制，相互隔离。（P42）
  2. Docker解决开发、测试、生产环境的差异问题–Docker镜像中包含完整运行环境，包括系统函数库，仅依赖Linux系统的内核，因此可以在任意Linux操作系统上运行。
  3. Docker是一个快速交付应用、运行应用的技术–启动、移除都可以通过一行命令完成，方便快捷。
  4. Docker和虚拟机的差异–docker是一个系统进程；虚拟机是在操作系统中的操作系统；docker体积小、启动速度快、性能好；虚拟机体积大、启动速度慢、性能一般。
  5. 镜像：将应用程序及其依赖、环境、配置打包在一起。
  6. 容器：镜像运行起来就是容器，一个镜像可以运行多个容器。
  7. Docker结构–服务端：接受命令或远程请求，操作镜像或容器；客户端：发送命令或请求到Docker服务端。
  8. DockerHub：一个镜像托管的服务器，类似的还有阿里云镜像服务，统称为DockerRegistry。
  9. linux卸载、安装、启动docker，配置镜像，Docker应用需要用到各种端口，逐一去修改防火墙设置。非常麻烦，所以启动前需要临时关闭防火墙。
# 关闭
systemctl stop firewalld
# 禁止开机启动防火墙
systemctl disable firewalld
#查询防火墙状态
systemctl status firewalld

# 启动docker服务
systemctl start docker  
# 查询docker服务状态
systemctl status docker
# 查看版本
docker -v
# 停止docker服务
systemctl stop docker 
# 重启docker服务
systemctl restart docker
  1. Docker基本操作–镜像命令(p47)
  2. docker--help查看帮助文档；如：docker images --help-查看所有的镜像，里面有解释和参数的使用说明。
  3. 依次装nginx、redis。
  4. 下方是一些镜像命令，不需要记住，用时查帮助文档即可。
#查看帮助文档
docker--help
#拉取nginx的命令
docker pull nginx
#查看镜像
docker images

#查询帮助文档
docker save --help
#导出镜像到磁盘  -o 导出后的名称 名称:版本
docker save -o nginx.tar nginx:latest
#删除镜像  rmi 名称:版本  或者  rmi 镜像id
docker rmi nginx:latest
#导入镜像
docker load -i nginx.tar
  1. docker基本操作–容器命令（p49）
# 运行docker
docker run
#docker run:运行容器  --name:起名字 -p:宿主机端口（可变）:容器端口（不可变）  -d:后台运行容器  nginx:是镜像名称
docker run --name name -p 80:80 -d nginx
#redis
docker run --name mr -p 6379:6379 -d redis redis-server --appendonly yes

# 暂停
docker pause 容器名字
# 从暂停到运行
docker unpause 容器名字

# 停止
docker stop 容器名字
# 从停止到运行
docker start 容器名字

# 查看所有运行的容器及状态
docker ps

# 查看容器运行日志  
docker logs 容器名字
# 持续查看输出日志
docker logs -f 容器名字

# 进入容器执行命令
docker exec
# docker exec:进入容器内部执行命令  -it:给当前进入的容器创建一个标准输入、输出终端，允许我们与容器交互  name:容器名称  bash:进入容器后执行的命令，bash是一个Linux终端的交互命令
docker exec -it name bash
# 删除指定容器
docker rm 容器名字
  1. docker基本操作–数据卷(p53)
  2. 数据卷（volume）是一个虚拟目录，指向宿主机系统中的某一个目录。
  3. 数据卷作用：将容器与数据分离，解耦合，方便操作容器内数据，保证数据安全。
  4. 数据卷基本的命令。
# 数据卷基本语法
docker volume [command]
# 下方是根据命令的command
create # 创建一个volumn  + 名称
inspect # 显示一个或多个volumn的信息  + 名称
ls # 列出所有的volume
prune # 删除未使用的volume
rm # 删除一个或多个指定的volumn + 名称
  1. docker基本操作–挂载数据卷(P54)
  2. 如果容器运行时volume不存在，会自动被创建出来。
  3. 数据卷挂载耦合度低，由docker来管理目录，但是目录较深，不好找。
  4. 目录挂载耦合度高，需要我们自己管理，目录容易找。
# docker run的命令中通过 -v 参数挂载文件或目录到容器中：
# （1）-v volume名称:容器内目录
# （2）-v 宿主机文件:容器内文件
# （3）-v 宿主机目录:容器内目录

# docker run:运行容器  --name:起名字  -v volumename:/targetContainerPath -p 8080:80：把宿主机的8080端口映射到容器内的80端口  -d：挂载到后台  nginx：镜像名称
docker run --name mn -v html:/root/html -p 8080:80 -d nginx
# mysql
docker run --name mysql -e MYSQL_ROOT_PASSWORD=123456 -p 3306:3306 -v /tmp/mysql/conf/hmy.cnf:/etc/mysql/conf.d/hmy.cnf -v /tmp/mysql/data:/var/lib/mysql -d mysql:5.7.25
  1. Dockerfile–自定义镜像（P56）
  2. 镜像是分层结构，每一层称为一个Layer。BaseImage层：包含基本的系统函数库、环境变量、文件系统；Entrypoint：入口，镜像中应用启动的命令；其它：在BaseImage基础上添加依赖、安装程序、完成整个应用的安装和配置。
  3. Dockerfile是一个文本文件，其中包含一个个指令，用指令来说明要执行什么操作来构建镜像。
  4. Dockerfile的第一行必须是FROM，从一个基础镜像来构建（可以是基本的操作系统，也可以是其它人制作好的镜像）。
  5. 一些常用指令介绍如下：
# 每一个指令都会形成一层Layer
FROM   # 指定基础镜像
ENV    # 设置环境变量，可在后面指令使用
COPY   # 拷贝本地文件到镜像的指定目录
RUN    # 执行Linux的shell命令，一般是安装过程的命令
EXPOSE # 指定容器运行时监听的端口
ENTRYPOINT  # 镜像中应用的启动命令，容器运行时调用
# 利用dockerfile来构建镜像 指令后的.是指DockerFile在当前目录下
docker build -t javaweb:1.0 .
# 将生成的镜像跑起来
docker run --name web -p 8090:8090 -d javaweb:1.0
  1. DockerCompose–微服务集群部署（P58）。
  2. DockerCompose基于Compose文件快速部署分布式应用，无需手动一个个创建和运行容器。
  3. Compose文件是一个文本文件，通过指令定义集群中的每一个容器如何运行（等价于转换docker的各种参数来定义，还有运行容器和构建镜像）。
  4. CentOS7安装DockerCompose。
  5. 使用DockerCompose将前面的项目集群部署到Linux上。（ps：使用xshell不可以直接传输文件夹，可以先压缩上传到Linux，然后解压）
  6. 由于nacos部署比较慢，其它微服务需要依赖到它，所以会导致部分运行时出现错误。解决：先对nacos进行部署，再部署其它微服务。
# 查看DockerCompose的帮助文档
docker-compose --help
# 查看创建的容器
docker ps
# 查看日志  最后可以加微服务名称，查询一个启动的日志
docker-compose logs -f
# 解决nacos部署慢，重启其它微服务
docker-compose restart gateway userservice orderservice
  1. Docker–镜像仓库（P60）
  2. 搭建镜像仓库–使用DockerCompose部署带有图象界面的DockerRegistry的镜像仓库，需要先配置Docker信任地址。
  3. 在私有镜像仓库推送或拉取镜像，推送镜像到私有镜像服务必须先tag。
# 打开要修改的文件
vi /etc/docker/daemon.json
# 添加内容：
"insecure-registries":["http://192.168.226.134:8080"]
# 重加载
systemctl daemon-reload
# 重启docker
systemctl restart docker

# 创建DockerCompose部署带有图象界面的DockerRegistry的yaml文件
version: '3.0'
services:
  registry:
    image: registry
    volumes:
      - ./registry-data:/var/lib/registry
  ui:
    image: joxit/docker-registry-ui:static
    ports:
      - 8080:80
    environment:
      - REGISTRY_TITLE=传智教育私有仓库
      - REGISTRY_URL=http://registry:5000
    depends_on:
      - registry
# 后台运行
docker-compose up -d

# 查看现有镜像
docker images
# 重新tag本地镜像，名称前缀为私有仓库地址
docker tag nginx:latest 192.168.226.134:8080/nginx:1.0
# 推送镜像
docker push 192.168.226.134:8080/nginx:1.0
# 删除镜像
docker rmi 192.168.226.134:8080/nginx:1.0
# 拉取镜像
docker pull 192.168.226.134:8080/nginx:1.0
异步通信
  1. MQ–RabbitMQ–SpringAMQP（P61）
  2. 同步调用–优点：时效性较强，可以立即得到结果；缺点：耦合度高、性能和吞吐能力下降、有额外的资源消耗、有级联失败问题。
  3. 异步调用的实现-事件驱动优势，事件驱动架构-Broker。
  4. 异步通信–优点：耦合度低、吞吐量提升、故障隔离、流量削峰；缺点：依赖于Broker的可靠性、安全性、吞吐能力、架构复杂了，业务没有明显的流程线，不好追踪管理。
  5. MQ（MessageQueue）：消息队列，存放消息的队列。
  6. RabbitMQ、ActiveMQ、RocketMQ、Kafka的对比分析。（P64）
  7. RabbitMQ–部署安装、页面介绍、结构和概念。
# 在线拉取
docker pull rabbitmq:3-management
# 上传好tar包，命令加载镜像
docker load -i mq.tar
# 运行MQ容器
docker run \
 -e RABBITMQ_DEFAULT_USER=itcast \
 -e RABBITMQ_DEFAULT_PASS=123321 \
 --name mq \
 --hostname mq1 \
 -p 15672:15672 \
 -p 5672:5672 \
 -d \
 rabbitmq:3-management
 # 查看全部容器
 docker ps -a
 # 重启后重启mq容器
docker start mq
  1. RabbitMQ部署成功后页面元素分析–channel：操作MQ的工具、exchange：路由消息到队列、queue：缓存消息、virtual host：虚拟主机，是对queue、exchange等资源的逻辑分组。
  2. RabbitMQ入门案例–简单队列模型。官方文档-入门案例-publisher：消息发布者，将消息发送到队列；queue：消息队列，负责接收并缓存消息；consumer：订阅队列，处理队列中的消息。
  3. 基本消息队列的消息发送流程和基本消息队列的消息接收流程。（P67）
  4. SpringAMQP–基于AMQP协议定义的一套API规范，提供模板来发送和接受消息；AMQP介绍–应用间消息通信的一种协议，与语言和平台无关。
  5. 简单队列模型–利用SpringAMQP实现HelloWorld的基础消息队列功能–引入amqp的starter依赖；配置RabbitMQ地址；利用RabbitTemplate的convertAndSend方法来发送消息。（P67）
  6. Work queue–工作队列，可以提高消息处理速度，避免队列消息堆积-默认为：消息预取。
  7. Work模型–多个消费者绑定到一个队列，同一条消息只会被一个消费者处理；通过设置prefetch来控制消费者预取的消息数量。（P71）
  8. 发布、订阅模型–允许将同一消息发送给多个消费者。实现方式是加入了exchange（交换机）；exchange类型-Fanout：广播、Direct：路由、Topic：话题。（P72）
  9. exchange（交换机）作用–接收publisher发送的消息；将消息按照规则路由到与之绑定的队列；负责消息路由，而不是存储，路由失败则消息丢失。
  10. Fanout Exchange–将接收到的消息路由到每一个跟其绑定的queue。
  11. Direct Exchange–路由模式会将接收到的消息根据规则路由到指定的Queue（每一个Queue都与Exchange设置一个BindingKey）；发布者发送消息时，指定消息的RoutingKey；Exchange将消息路由到BindingKey与消息RoutingKey一致的队列。（P74）
  12. TopicExchange–与Direct Exchange类似，区别在于routingKey必须是多个单词的列表，并且以 . 分割；Queue与Exchange指定BindingKey时可以使用通配符：#-代指0个或多个单词；*：代指一个单词。
  13. 消息转换器–SpringAMQP中消息的反序列化和反序列化-利用MessageConverter实现的，默认是JDK的序列化；注意发送方与接收方必须使用相同的MessageConverter。
分布式搜索
  1. ES==elasticsearch–开源分布式搜索引擎。（P77）
  2. elasticsearch：用来实现搜索、日志统计、分析、系统监控等功能。
  3. elasticsearch+kibana、Logstash、Beats == elastic stack（ELK）。
  4. elasticsearch–核心-存储、计算、搜索数据；可替换组件–kibana - 数据可视化；可替换组件–Logstash、Beats - 数据抓取。
  5. Lucene–Apache的搜索引擎类库-易扩展、高性能、基于倒排索引-提供搜索引擎核心API-仅支持Java语言。
  6. 数据库表–文档：每一条数据就是一个文档；词条：对文档中的内容分词，得到的词语就是词条。
  7. 正向索引–基于文档id创建索引；查询词条时必须先找到文档，然后判断是否包含词条 - 数据库的模糊查询-逐条查询判断。
  8. 倒排索引–对文档内容分词，对词条创建索引，并记录词条所在文档的id；查询是先根据词条查询文档id，而后获取文档。
  9. ES–存储-面向文档存储的，文档数据会被序列化为JSON格式；索引-相同类型的文档的集合；映射-索引中文档的字段约束信息，类似表的结构约束。
  10. MySQL与elasticsearch的概念对比、架构分析、关系。（P80）
  11. 安装部署es、kibana，需要先让es和kibana容器互联，部署单点es或kibana都是运行上传的tar包将数据导入，再运行docker命令，即可访问，具体的命令整理如下，外加注释，清晰明了。
# 创建网络
docker network create es-net
# 关闭虚拟机后，查看局域网络（已配置过，重启后不影响）
docker network ls
# 导入数据
docker load -i es.tar
# 运行docker命令，部署单点es
docker run -d \
	--name es \
    -e "ES_JAVA_OPTS=-Xms512m -Xmx512m" \
    -e "discovery.type=single-node" \
    -v es-data:/usr/share/elasticsearch/data \
    -v es-plugins:/usr/share/elasticsearch/plugins \
    --privileged \
    --network es-net \
    -p 9200:9200 \
    -p 9300:9300 \
elasticsearch:7.12.1
# 重启后，重启容器
docker start es
# 输入地址加端口即可访问es
http://192.168.226.139:9200

# 导入数据
docker load -i kibana.tar
# 运行docker命令，部署kibana
docker run -d \
--name kibana \
-e ELASTICSEARCH_HOSTS=http://es:9200 \
--network=es-net \
-p 5601:5601  \
kibana:7.12.1
# 重启后重启容器
docker start kibana
# 输入地址加端口即可访问kibana
http://192.168.226.139:5601

ps：（1）重启后只需要重启容器即可；（2）如果没有删除容器，重新运行docker命令部署会报名字重复错误；（3）如果不删除容器，想修改名称创建容器的话，需要在ess和kibana中的请求连接要同步，否则会报Kibana server is not ready yet的问题。

  1. 分词器的作用–创建倒排索引时对文档分词、用户搜索时，对输入的内容分词。（P83）
  2. 测试分词器、安装IK分词器。
# 在kibana中测试分词器
# english-默认分词器、standard-标准分词器
POST /_analyze
{
	"text": "好好学习，天天向上",
	"analyzer": "english"
}

# 安装ik分词器
# 查看数据卷elasticsearch的plugins目录位置
docker volume inspect es-plugins
# 到这个目录下
cd /var/lib/docker/volumes/es-plugins/_data
# 上传elasticsearch-analysis-ik-7.12.1.zip,然后解压
unzip elasticsearch-analysis-ik-7.12.1.zip
# 不太建议上面的方式，我试过发现启动会报错，后面改了很久都是报错，不知道哪里的配置文件被修改了，然后恢复快照重新来过
# 使用FileZillar直接传输Windows下解压的文件夹，结果是成功的
# 重启es容器
docker restart es
# 查看es日志
docker logs -f es

# 测试ik分词器
# IK分词器包含两种模式
# ik_smart：最少切分   --  被搜索的概论低-粗粒度
# ik_max_word：最细切分 -- 内存占用高-细粒度
GET /_analyze
{
  "analyzer": "ik_max_word",
  "text": "好好学习天天向上，奥利给，噢噢点赞"
}
  1. ik分词器-扩展词库、停用词库。

注意当前文件的编码必须是 UTF-8 格式，严禁使用Windows记事本编辑

# 打开IK分词器config目录,在IKAnalyzer.cfg.xml配置文件内容添加
# 用户可以在这里配置自己的扩展字典
<entry key="ext_dict">ext.dic</entry>
#用户可以在这里配置自己的扩展停止词字典  *** 添加停用词词典
<entry key="ext_stopwords">stopword.dic</entry>

# 新建一个 ext.dic，可以参考config目录下复制一个配置文件进行修改
奥利给
# 在 stopword.dic 添加停用词
噢噢
# 修改过看效果，重启es容器即可
docker restart es
# 查看 日志
docker logs -f es
  1. 索引库操作（P85）
  2. mapping属性–mapping是对索引库中文档的约束。
  3. mapping属性包括：type：字段数据类型、index：是后创建索引-默认为true；analyzer：使用哪种分词器；properties：该字段的子字段。
  4. type简单类型–字符串：text（可分词的文本）、keyword（精确值）；数值：long、integer、short、byte、double、float；布尔：boolean；日期：date；对象：object。
  5. 创建索引库、查看索引库、删除索引库、禁止修改索引库。（P86）
# DSL语法
# 创建索引库名
PUT /索引库名
# 创建索引库的DSL语法例子
PUT /a
{
	"mappings": {
		"properties": {
			"info": {
				"type": "text",
				"analyzer": "ik_smart"
			},
			"name":{
				"type": "object",
				"properties": {
					"firstName": {
						"type": "keyword",
						"index": false
					}
				}
			}
		}
	}
}

# 查看索引库
GET /索引库名
# 删除索引库
DELETE /索引库名
# 索引库和mapping一旦创建就无法修改，但是可以添加新的字段
PUT /索引库名/_mapping
{
	"properties":{
		"新字段名":{
			"type":"integer"
		}
	}
}
  1. 文档操作–插入文档、查看文档、删除文档（P88）
  2. 修改文档–全量修改，会删除旧文档，添加新文档；局部修改，修改指定字段值。
# 插入文档
POST /索引库名/_doc/文档id
# 查看文档
GET /索引库名/_doc/文档id
# 删除文档
DELETE /索引库名/_doc/文档id

# 插入的DSL语法例子 -- 索引库名与上方创建相同
POST /a/_doc/1
{
	"info": "好好学习天天向上",
	"name": {
		"firstName": "小",
		"lastName": "盈"
	}
}

# 修改文档 -- 全量修改，会删除旧文档，添加新文档
PUT /索引库名/_doc/文档id
PUT /a/_doc/1
{
	"info": "好好学习天天向上",
	"email": "45543563.qq.com",
	"name": {
		"firstName": "小",
		"lastName": "盈"
	}
}
# 局部修改，修改指定字段值 -- 只能修改一个指段
POST /索引库名/_update/文档id
POST /a/_update/1
{
	"doc":{
		"email": "xiaoying@qq.com"
	}
}
  1. RestClient操作索引库（P90）
  2. 导入hotel-demo，分析hotel的mapping数据结构-字段名、数据类型、是否参与搜索、是否分词、分词器。
  3. tip：ES中支持两种地理坐标数据类型–geo_point：由维度和经度确定的一个点；geo_shape：有多个geo_point组成的复杂几何图形。
  4. 字段拷贝可以使用copy_to属性将当前字段拷贝到指定字段。
  5. 创建索引库、删除索引库、判断索引库是否存在。
  6. 索引库操作基本步骤：初始化RestHighLevelClient；创建XxxIndexRequest。xxx是Create、Get、Delete；准备DSL（Crete时需要）；发送请求，调用RestHighLevelClient#indices().xxx()方法。
# 酒店的mapping
PUT /hotel
{
	"mappings":{
		"properties":{
			"id":{
				"type": "keyword"
			},
			"name":{
				"type": "text",
				"analyzer": "ik_max_word",
				"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": "ik_max_word"
			}
		}
	}
}
  1. RestClient操作文档–利用JavaRestClient实现文档的CRUD。（P95）
  2. 在数据库查询酒店数据，导入到hotel索引库，实现酒店数据的CRUD。
  3. 新增文档-index、根据id查询文档-get、根据id修改文档-update、根据id删除文档-delete。
  4. 文档操作的基本步骤：初始化RestHighLevelClient；创建XxxRequest；准备参数（Index和Update时需要）；发送请求，调用RestHighLevelClient#.xxx()方法；解析结果（Get时需要）。
  5. 利用JavaRestClient批量导入酒店数据到ES。
DSL语法
  1. DSL查询语法（P101）
  2. 查询所有：查询出所有数据，一般测试用。例如：match_all。
  3. 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、multi_match；两者区别match根据一个字段查询，multi_match根据多个字段查询；参与查询的字段越多，查询性能越差。
  4. 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；
  5. 地理(geo）查询:根据经纬度查询。例如：geo_distance、geo_bounding_box。
  6. 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：Boolean Query、function_score。
  7. 相关性打分算法(P105)
  8. TF-IDF：在elasticsearch5.0之前，会随着词频增加而越来越大
  9. BM25：在elasticsearch5.0之后，会随着词频增加而增大，但增长曲线会趋于水平。
# 查询所有
GET /hotel/_search
{
	"query": {
		"match_all": {}
	}
}

# 全文检索 -- match查询（效率高）
GET /hotel/_search
{
	"query": {
		"match": {
			"all": "外滩如家"
		}
	}
}
# 全文检索 -- multi_match
GET /hotel/_search
{
	"query": {
		"multi_match": {
			"query": "外滩如家",
			"fields": ["brand", "name", "business"]
		}
	}
}

# 精确查询 -- term查询 精确匹配
GET /hotel/_search
{
	"query": {
		"term": {
			"city": {
				"value": "上海"
			}
		}
	}
}
# 精确查询 -- range查询  范围过滤
GET /hotel/_search
{
	"query": {
		"range": {
			"price": {
				"gte": 100,
				"lte": 300
			}
		}
	}
}

# 地理查询 -- distance查询
GET /hotel/_search
{
	"query": {
		"geo_distance": {
			"distance": "2km",
			"location": "31.21, 121.5"
		}
	}
}

# 复合查询 -- function_score   参加打分
# 给“如家”这个品牌的酒店靠前一点
GET /hotel/_search
{
	"query": {
		"function_score": {
			"query": {
				"match": {
					"all": "外滩"
				}
			},
			"functions": [    //算分函数
				{
					"filter": {    //条件
						"term": {
							"brand": "如家"
						}
					},
					"weight": 10   //算分权重
				}
			],
			"boost_mode": "sum"  //加权分式
		}
	}
}
# 复合查询 -- Boolean Query 
# 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 - 提高效率
# filter:必须匹配的条件，不参与打分 - 提高效率
# 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
GET /hotel/_search
{
	"query": {
		"bool": {
			"must": [
				{"match":{"name": "如家"}}
			],
			"must_not": [
				{"range":{"price":{"gt": 400}}}
			],
			"filter":[
				{"geo_distance": {
					"distance": "20km",
					"location": {
						"lat": 31.21,
						"lon": 121.5
					}
				}}
			]
		}
	}
}
  1. 搜索结果处理（P108）
  2. 排序 – 经过排序就不做相关性打分，提高查询效率。
  3. 分页–文档全部查询，然后截取当前文档的位置+显示的文档数；默认top10，查询更多修改参数-from、size。
  4. 深度分页问题–ES集群处理的时候，是将所有节点的结果聚合，在内存中排序，在选中相应的文档；搜索页数过深，或结果集（from+size）越大，对内存和CPU的消耗也越高。
  5. es设定结果集上限为10000。
  6. 分页方式(P109)
  7. from + size–优点：支持随机翻页；缺点：深度分页问题。场景：百度、谷歌、京东等的随机翻页搜索。
  8. after search–优点：没有查询上限（单词查询的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，例如手机向下翻页。
  9. scroll：优点：没有查询上限（单词查询的size不超过10000），缺点：会额外消耗内存，搜索结果是非实时的，场景：海量数据的获取和迁移。（已弃用）
  10. 高亮–将搜索结果中把搜索关键字突出显示。
# 对酒店数据按照用户评价降序排序，评价相同的按照价格升序排序
GET /hotel/_search
{
	"query": {
		"match_all": {}
	},
	"sort": [
		{
			"score": "desc"
		},
		{
			"price": "asc"
		}
	]
}
# 对酒店数据数据按照你的位置坐标的距离升序排序
GET /hotel/_search
{
	"query": {
		"match_all": {}
	},
	"sort": [
		{
			"_geo_distance": {
				"location": {
					"lat": 31.034661,
					"lon": 121.612282
				},
				"order": "asc",
				"unit": "km"
			}
		}
	]
}

# 分页查询 -- from-分页当前的位置  size-显示文档的总数
GET /hotel/_search
{
	"query": {
		"match_all": {}
	},
	"sort":[
		{
			"price": "asc"
		}
	],
	"from": 0,
	"size": 10
}

# 高亮查询，默认情况下，ES搜索字段必须与高亮字段一致，可以将"require_field_match":"false"-关闭搜索字段和高亮字段匹配
GET /hotel/_search
{
	"query": {
		"match": {
			"all": "如家"
		}
	},
	"highlight":{
		"fields":{
			"name":{
				"require_field_match":"false"
			}
		}
	}
}
  1. RestClient查询文档–利用JavaRestClient查询文档。（P111）
  2. 基本步骤–创建SearchRequest对象-准备Request.source()，其中QueryBuilders来构建查询条件，再传入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. 全文检索 – 要构建条件只需要QueryBuilders。
  4. 高亮–高亮结果解析是参考JSON结果，逐层解析。
数据聚合
  1. 聚合–对文档数据的统计、分析、计算。（P120）
  2. 聚合的常见种类
  3. Bucket（桶聚合）：对文档数据分组；TermAggregation：按照文档字段分组；Date Histogram：按日期阶梯分组，如一周或一月为一组。
  4. Metric（度量聚合或嵌套聚合）：对文档数据做计算，例如avg、min、max、status（同时求sum、min等）等；
  5. Pipeline（管道聚合）：基于其它聚合结果再做聚合。
  6. 参与聚合的字段类型必须为：keyword、数值、日期、布尔。
  7. DSL实现Bucket聚合（P121）
  8. aggs代表聚合，与query同级；query的作用：限定聚合的的文档范围。
  9. 聚合必须的三要素：聚合名称、聚合类型、聚合字段。
  10. 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。
  11. DSL实现Metrics聚合（P122）
  12. ResrClient实现聚合（P123）
# 统计所有数据中的酒店品牌有几种，此时可以根据酒店品牌的名称做聚合
# size-设置size为0，结果中不包含文档，只包含聚合结果
# aggs-定义聚合    brandAgg-给聚合起个名字
# terms-聚合的类型，按照品牌值聚合，所以选择
# field-参与聚合的字段  size- 希望获取的聚合结果数量
GET /hotel/_search
{
	"size": 0,
	"aggs": {
		"brandAgg": {
			"terms": {
				"field":"brand",
				"size": 10
			}
		}
	}
}
# 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
GET /hotel/_search
{
	"size": 0,
	"aggs": {
		"brandAgg": {
			"terms": {
				"field":"brand",
				"size": 10,
				"order": {
					"_count": "asc"
				}
			}
		}
	}
}
# Bucket聚合是对索引库的所有文档做聚合，我们可以限定要聚合的文档范围，只要添加query条件
GET /hotel/_search
{
	"query": {
		"range": {
			"price": {
				"lte": 200
			}
		}
	},
	"size": 0,
	"aggs": {
		"brandAgg": {
			"terms": {
				"field":"brand",
				"size": 10
			}
		}
	}
}

# 获取每个品牌的用户评分的min、max、avg等值.
# aggs-brands聚合的子聚合，也就是分组后对每组分别计算
# scoreAgg-聚合名称
# stats-聚合类型，这里stats可以计算min、max、avg等
# field-聚合字段，这里是score
GET /hotel/_search
{
	"size": 0,
	"aggs": {
		"brandAgg": {
			"terms": {
				"field":"brand",
				"size": 10,
				"order": {
					"scoreAgg.avg": "desc"
				}
			},
			"aggs": {
				"scoreAgg": {
					"stats": {
						"field": "score"
					}
				}
			}
		}
	}
}
  1. 自动补全（P126）
  2. 安装拼音分词器，测试。
  3. 自定义分词器–elasticsearch中分词器（analyzer）的组成包含三部分：
  4. character filters：在tokenizer之前对文本进行处理。例如删除字符、替换字符。
  5. 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。
  6. tokenizer filter：将tokenizer输出的词条做进一步处理。例如大小写转换、同义词处理、拼音处理等。
# 安装pinyin分词器
# 查看数据卷elasticsearch的plugins目录位置
docker volume inspect es-plugins
# 到这个目录下
cd /var/lib/docker/volumes/es-plugins/_data
# 使用FileZillar直接传输Windows下解压的pinyin分词器的文件夹，结果是成功的
# 重启es容器
docker restart es
# 查看es日志
docker logs -f es
# 测试拼音分词器
GET /_analyze
{
  "text": ["如家酒店还不错"],
  "analyzer": "pinyin"
}

# 删除索引库
DELETE /test

# 自定义拼音分词器,创建索引库时，通过settings来配置自定义的analyzer（分词器）;拼音分词器适合在创建倒排索引的时候使用，但不能在搜索的时候使用。--导致多音字都被搜出来
# 创建倒排索引时应该用my_analyzer分词器  -- analyzer；
# 字段在搜索时应该使用ik_smart分词器 -- search_analyzer;
PUT /test
{
  "settings": {
    "analysis": {
      "analyzer": { 
        "my_analyzer": { 
          "tokenizer": "ik_max_word",
          "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":{
  		"name": {
  			"type": "text",
  			"analyzer": "my_analyzer",
  			"search_analyzer": "ik_smart"
  		}
  	}
  }
}
# 测试自定义分词器
GET /test/_analyze
{
  "text": ["如家酒店还不错"],
  "analyzer": "pinyin"
}
  1. 自动补全–completion suggester查询-实现自动补全功能。（P128）
  2. 自动补全对字段的要求：类型是completion类型；字段值是多词条的数组。
  3. 案例：酒店数据自动补全–实现hotel索引库的自动补全、拼音搜索功能。（P130）
# 自动补全的索引库
PUT test1
{
	"mappings":{
        "properties":{
            "title": {
                "type": "completion"
            }
        }
  }
}
# 示例数据
POST test1/_doc
{
	"title":["Sony", "WH-1000XM3"]
}
POST test1/_doc
{
	"title":["SK-II", "PITERA"]
}
POST test1/_doc
{
	"title":["Nintendo", "switch"]
}
# 自动补全查询
POST /test1/_search
{
  "suggest": {
    "title_suggest": {
      "text": "s", # 关键字
      "completion": {
        "field": "title", # 补全字段
        "skip_duplicates": true, # 跳过重复的
        "size": 10 # 获取前10条结果
      }
    }
  }
}
  1. 数据同步–elasticsearch与mysql之间的数据同步（P132）
  2. 问题：微服务中，负责酒店管理（操作mysql ）的业务与负责酒店搜索（操作elasticsearch ）的业务可能在两个不同的微服务上，数据同步该如何实现呢？ 解决办法：
  3. 方式一：同步调用；优点：实现简单，粗暴；缺点：业务耦合度高。
  4. 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。
  5. 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。–使用canal中间件。
  6. ES集群结构(P138)
  7. 单机的elasticsearch做数据存储，必然面临两个问题：
  8. 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。
  9. 单点故障问题–将分片数据在不同节点备份（replica ）。
  10. 每个索引库的分片数量、副本数量都是在创建索引库时指定的，并且分片数量一旦设置以后无法修改。
  11. elasticsearch中集群节点有不同的职责:
  12. master eligi（主节点）–备选主节点：主节点可以管理和记录集群状态、决定分片在哪个节点、处理创建和删除索引库的请求。
  13. data（数据节点）–数据节点：存储数据、搜索、聚合、CRUD。
  14. ingest–数据存储之前的预处理。
  15. coordinating（协调节点）–路由请求到其它节点合并其它节点处理的结果，返回给用户。
  16. ES集群的脑裂–当主节点与其他节点网络故障时，可能发生脑裂问题。
  17. 协调节点的作用
  18. 分布式新增如何确定分片–coordinating node根据id做hash运算，得到结果对shard数量取余，余数就是对应的分片。
  19. 分布式查询的两个阶段。
  20. 分散阶段： coordinating node将查询请求分发给不同分片。
  21. 收集阶段：将查询结果汇总到coordinating node ，整理并返回给用户。
  22. 故障转移–master宕机后，EligibleMaster选举为新的主节点；master节点监控分片、节点状态，将故障节点上的分片转移到正常节点，确保数据安全。
黑马旅游
  1. 黑马旅游案例。
  2. 基本搜索和分页–案例1：实现黑马旅游的酒店搜索功能，完成关键字搜索和分页。（P115）
  3. 条件过滤–案例2：添加品牌、城市、星级、价格等过滤功能。
  4. 附近的酒店–案例3：我附近的酒店。
  5. 广告置顶–案例4：让指定的酒店在搜索结果中排名置顶。
  6. 排序–给黑马旅游添加排序功能。
  7. 高亮显示–给黑马旅游添加搜索关键字高亮效果。
  8. 聚合-RestClient–在IUserService中定义方法，实现对品牌、城市、星级的聚合。(P124)
  9. 酒店搜索页面自动补全–实现酒店搜索页面输入框的自动补全。（P131）
  10. 消息同步–利用MQ实现mysql与elasticsearch数据同步。（P133）

->微服务技术栈课程视频

https://www.bilibili.com/video/BV1LQ4y127n4?p=1

<-

记录每一个学习瞬间

忆~遂愿
关注
  • 10
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 15
    评论
autokeras学习笔记-安装篇
06-07
autokeras学习笔记-安装篇
基因工程技术-笔记整理实用文档doc.doc
11-30
基因工程技术-笔记整理实用文档doc.doc
微服务框架 SpringCloud微服务架构 25 黑马旅游案例 25.5 排序和搜索关键字高亮
谢谢你们的关注
12-08 403
微服务框架 SpringCloud微服务架构 25 黑马旅游案例 25.5 排序和搜索关键字高亮
elasticsearch基础2——DSL查询文档,黑马旅游项目查询功能
vincewm的博客
09-14 1410
DSL查询文档、RestClient查询文档、全文检索查询、精准查询、复合查询、地理坐标查询、分页、排序、高亮、黑马旅游案例
分布式搜索引擎----黑马旅游案例
weixin_53604412的博客
03-20 577
黑马--elasticsearch 案例
【Elasticsearch】黑马旅游网实践
小皮皮LL的博客
11-20 3488
文章目录黑马旅游网实践1.酒店搜索和分页1.1 需求分析1.2 定义实体类1.3 定义controller1.4 实现搜索业务2.酒店结果过滤2.1 需求分析2.2 修改实体类RequestParams2.3 修改搜索业务3.查询周边的酒店3.1 需求分析3.2 修改实体类3.3 距离排序API3.4 添加距离排序3.5 排序距离显示4.酒店竞价排名4.1 需求分析4.2 修改HotelDoc实体4.3 添加广告标记4.4 添加算分函数查询5.酒店实现聚合5.1 需求分析5.2 业务实现6.酒店数据自动补全
黑马程序员---微服务笔记【实用篇】
Father_Of_Soft的博客
04-17 2172
SpringCloud微服务技术栈同步笔记。 SpringCloudAlibaba、RabbitMQ、Docker、Redis、Elasticsearch等众多行业大厂必备技术一网打尽。
微服务--数据聚合
忆~遂愿的博客
03-22 338
微服务数据聚合整理笔记
微服务实用篇--学习笔记
忆~遂愿的博客
03-23 114
@目录服务项目项目涉及技术实用篇背景注册中心配置中心远程调用服务网关项目部署异步通信分布式搜索DSL语法数据聚合黑马旅游服务项目 黑马- SpringCloud微服务技术栈实用篇完成时间2023-3-22。 项目涉及技术 知识点是按照集数依次整理，方便日后回来查找。 考虑到不是固定的联网方式，时而WiFi，时而热点，配置静态IP会导致每次网络变更后都需要重新配置，所以虚拟机使用的动态路由，当需...
微服务---Redis实用篇-黑马头条项目-优惠卷秒杀功能(使用redis分布式锁实现)
爪蛙毁一生的博客
05-14 292
分布式锁：满足分布式系统或集群模式下多进程可见并且互斥的锁。分布式锁的核心思想就是让大家都使用同一把锁，只要大家使用的是同一把锁，那么我们就能锁住线程，不让线程进行，让程序串行执行，这就是分布式锁的核心思路那么分布式锁他应该满足一些什么样的条件呢？可见性：多个线程都能看到相同的结果，注意：这个地方说的可见性并不是并发编程中指的内存可见性，只是说多个进程之间都能感知到变化的意思互斥：互斥是分布式锁的最基本的条件，使得程序串行执行高可用：程序不易崩溃，时时刻刻都保证较高的可用性。
微服务项目部署--docker
忆~遂愿的博客
03-12 498
微服务项目部署过程
go学习笔记-文档-文档
07-21
go学习笔记-文档
数通认证HCIP-Datacom笔记
04-16
数通认证HCIP-Datacom笔记
SpringCloud-微服务课程笔记
02-26
Spring Cloud是一个基于Spring Boot的开发工具包，用于快速构建分布式系统和微服务架构。它提供了一系列的组件和工具，以简化分布式系统的开发和管理。 Spring Cloud的主要特点包括： 1. 服务注册与发现：Spring ...
Docker高级篇之Docker微服务实战
qq_43456605的博客
06-09 533
将要上传到docker中的jar包最好要和Dockerfile放在同一个目录下。
微服务之基本介绍
weixin_47480200的博客
06-09 1253
单体应用架构->垂直应用架构一>分布式架构一>SOA架构-->微服务架构。
微服务链路追踪&ELK
最新发布
Casual_Lei的博客
06-15 1317
​ 微服务架构是一个分布式架构，它按业务划分服务单元，一个分布式系统往往有很多个服务单元。由于服务单元数量众多，业务的复杂性，如果出现了错误和异常，很难去定位。主要体现在，一个请求可能需要调用很多个服务，而内部服务的调用复杂性，决定了问题难以定位。所以微服务架构中，必须实现分布式链路追踪，去跟进一个请求到底有哪些服务参与，参与的顺序又是怎样的，从而达到每个请求的步骤清晰可见，出了问题，很快定位。​ 作用:快速定位到问题出现在哪个地方。
P4. 微服务: 匹配系统(上)
m0_67850950的博客
06-11 1046
实现第四部分的上篇，介绍了整个匹配系统的流程，简单实现了一个匹配系统。主要是学习如何使用 websocket 实现一个功能，知道为什么用微服务，为什么用 websocket，以及如何使用和配置。
c语言专题精讲篇--笔记汇总
07-30
C语言是一种广泛应用于计算机科学和软件开发的编程语言。它具有强大的功能和灵活性，适用于开发各种类型的应用程序。 C语言专题精讲篇是一个对C语言进行深入学习和讲解的系列文章或课程。它汇总了C语言相关的重要知识点和技巧，旨在帮助学习者更好地理解和运用C语言。 这个专题中的笔记涵盖了C语言的各个方面，包括基本语法、数据类型、运算符、流程控制、函数、数组、指针、结构体、文件操作等。通过系统性的学习和总结，这些笔记可以帮助学习者逐步掌握C语言的核心概念和常用技巧。 在这个专题中，学习者可以学到如何编写简单的C程序，如何使用变量和运算符进行计算，如何使用条件和循环语句控制程序流程，如何使用函数进行代码的模块化，如何使用数组和指针进行数据的处理，如何使用结构体组织复杂数据，如何进行文件的读写等等。 C语言专题精讲篇的目的是帮助学习者全面、深入地了解C语言的各个方面，并能够独立编写和调试简单到中等难度的C程序。通过反复实践和练习，学习者可以逐渐提高自己的编程能力，并为进一步学习更高级的编程语言打下坚实的基础。 总之，C语言专题精讲篇的笔记汇总是一份重要的学习资料，可以帮助学习者系统地学习和掌握C语言的基础知识和常用技巧，为他们未来的编程之路打下坚实的基石。

“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 15
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

打赏作者

忆~遂愿

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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