Elasticsearch学习
一、ElasticSearch简介
1.什么是ElasticSearch
Elaticsearch，简称为es
-
E：EalsticSearch 搜索和分析的功能
-
L：Logstach 搜集数据的功能，类似于flume，是日志收集系统
-
K：Kibana 数据可视化，可以用图表的方式来去展示，文不如表，表不如图，是数据可视化平台
-
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。
2.es的优点
-
具有分布式的功能
-
数据高可用，集群高可用
-
API简单
-
多语言支持
-
支持PB级别的数据
-
完成搜索的功能和分析功能
-
基于Lucene，隐藏了Lucene的复杂性，提供简单的API
二、Elasticsearch核心概念
1.索引 index
一个索引就是一个拥有几分相似特征的文档的集合。比如说，你可以有一个客户数据的索引，还有一个订单数据的索引。在一个集群中，可以定义任意多的索引。我们在使用Mysql或者Oracle的时候，为了区分数据，我们会建立不同的数据库，库下面还有表的。es功能就像一个关系型数据库，在这个数据库我们可以往里面添加数据，查询数据。
2.类型 type
在一个索引中，你可以定义一种或多种类型。一个类型是你的索引的一个逻辑上的分类/分区，其语义完全由你来定。好比数据库里面的一张表。相当于表结构的描述，描述每个字段的类型
3.字段Field
相当于是数据表的字段，对文档数据根据不同属性进行的分类标识
4.映射 mapping
mapping是处理数据的方式和规则方面做一些限制，如某个字段的数据类型、默认值、分析器、是否被索引等等，这些都是映射里面可以设置的，其它就是处理es里面数据的一些使用规则设置也叫做映射，按着最优规则处理数据对性能提高很大，因此才需要建立映射，并且需要思考如何建立映射才能对性能更好。
5.文档 document
一个文档是一个可被索引的基础信息单元。文档就是最终的数据了，可以认为一个文档就是一条记录。是es里面最小的数据单元，就好比数据库表里面的一条数据
6.集群 cluster
一个集群就是由一个或多个节点组织在一起，它们共同持有整个的数据，并一起提供索引和搜索功能。一个集群由一个唯一的名字标识，这个名字默认就是“elasticsearch”。这个名字是重要的，因为一个节点只能通过指定某个集群的名字，来加入这个集群
7.节点 node
一个节点是集群中的一个服务器，作为集群的一部分，它存储数据，参与集群的索引和搜索功能。在一个集群里，只要你想，可以拥有任意多个节点。而且，如果当前你的网络中没有运行任何Elasticsearch节点，这时启动一个节点，会默认创建并加入一个叫做“elasticsearch”的集群。
8.分片 shards
-
一台服务器，无法存储大量的数据，es把一个index里面的数据，分为多个shard，分布式的存储在各个服务器上面。
-
作用：水平分割/扩展你的内容容量。
- 在分片（潜在地，位于多个节点上）之上进行分布式的、并行的操作，进而提高性能/吞吐量。
9.复制 replicas
-
在一个网络/云的环境里，失败随时都可能发生，在某个分片/节点不知怎么的就处于离线状态，或者由于任何原因消失了，这种情况下，有一个故障转移机制是非常有用并且是强烈推荐的。为此目的，es允许你创建分片的一份或多份拷贝，这些拷贝叫做复制分片，或者直接叫复制。
-
作用：在分片/节点失败的情况下，提供了高可用性。
- 扩展搜索量/吞吐量
-
默认情况下，es中的每个索引被分片5个主分片和1个复制，这意味着，如果你的集群中至少有两个节点，你的索引将会有5个主分片和另外5个复制分片（1个完全拷贝），这样的话每个索引总共就有10个分片。
10.理解
我们可以对应数据库来理解：
比如：书包含有书的类型、作者、价格
- 在数据库中表示如下：
- 在es中表示如下：
- 首先建立一个名叫books 的索引，然后创建一个名叫 book 的类型，类型是通过 Mapping 来定义每个字段的类型
- 类型、作者都是 Keyword 类型，价格是Integer 类型，最后就是把数据组织成 Json 格式存放进去了。
三、Elasticsearch 安装
1.这里使用docker镜像下载
docker pull elasticsearch:5.6.8
如图：
2.安装es容器
docker run -di --name=es -p 9200:9200 -p 9300:9300 elasticsearch:5.6.8
如图：
3.测试
9200端口为Web管理平台端口
9300为服务默认端口
浏览器输入地址访问： http://虚拟机IP地址:9200/
4.开启远程连接
上面完成安装后，es并不能正常使用，elasticsearch从5版本以后默认不开启远程连接，程序直接连接会报错误
我们需要修改es配置开启远程连接：
#1.进入容器
docker exec -it es /bin/bash
#2.进入config目录
cd config
#3.vi命令无法识别，因为docker容器里面没有该命令，我们可以安装该编辑器。
apt-get update
apt-get install vim
如图：
#4.等待安装好了后，修改elasticsearch.yml配置
vi elasticsearch.yml
#添加下面一行代码：
cluster.name: my-elasticsearch
如图：
#5.重启docker
docker restart es
5.出现问题
1.重启后发现重启启动失败了，因为elasticsearch在启动的时候会进行一些检查，比如最多打开的文件的个数以及虚拟内存区域数量等等，如果你放开了此配置，意味着需要打开更多的文件以及虚拟内存，所以我们还需要系统调优：
#6.修改limits.conf
vi/etc/security/limits.conf
#7.添加下面两行代码：
* soft nofile 65536
* hard nofile 65536
nofile是单个进程允许打开的最大文件个数
soft nofile 是软限制 hard nofile是硬限制
如图：
2.修改vi /etc/sysctl.conf
#8.修改sysctl.conf
vi /etc/sysctl.conf
#9.添加下面一行代码
#限制一个进程可以拥有的VMA(虚拟内存区域)的数量
vm.max_map_count=655360
如图：
#10.执行下面命令 修改内核参数马上生效
sysctl -p
#11.重启
reboot
6.跨域配置
#12修改配置文件：elasticsearch.yml增加三句命令
http.cors.enabled: true #允许elasticsearch跨域访问，默认是false
http.cors.allow-origin: "*" #表示跨域访问允许的域名地址
network.host: 192.168.220.100 #这里写自己的虚拟机地址
#13.重启docker
docker restart es
#如果想让容器开启重启，可以执行下面命令
docker update --restart=always 容器名称或者容器id
如图：
四、ElasticSearch的客户端操作
1.使用elasticsearch-head
ElasticSearch不同于Solr自带图形化界面，我们可以通过安装ElasticSearch的head插件，完成图形化界面的效果，完成索引数据的查看。
1.这里采用本地安装方式进行head插件的安装: 下载head插件
2.将elasticsearch-head-master压缩包解压到任意目录，要和elasticsearch的安装目录区别开
3. 下载nodejs
4. 将grunt安装为全局命令 ，Grunt是基于Node.js的项目构建工具
#在elasticsearch-head-master存放位置下输入cmd打开控制台
#输入如下执行命令：
1.cnpm install -g grunt-cli
如图：
#2.再输入指令
npm install
#3.将head插件启动
grunt server
测试：打开浏览器，输入 http://localhost:9100
此时连接 http://虚拟机IP地址:9200可以看到健康值说明成功了
2.使用Postman工具进行Restful接口访问
2.1ElasticSearch的接口语法：
curl -X<VERB> '<PROTOCOL>://<HOST>:<PORT>/<PATH>?<QUERY_STRING>' -d '<BODY>
| 参数 | 解释 |
|---|---|
| VERB | 适当的 HTTP 方法 或 谓词 : GET 、 POST 、 PUT 、 HEAD 或者 DELETE |
| PROTOCOL | http 或者 https |
| HOST | Elasticsearch 集群中任意节点的主机名，或者用 localhost 代表本地机器上的节点 |
| PORT | 运行 Elasticsearch HTTP 服务的端口号，默认是 9200 |
| PATH | API 的终端路径 |
| QUERY_STRING | 任意可选的查询字符串参数 |
| BODY | 一个 JSON 格式的请求体 |
2.2创建索引index
- 创建索引(方式一)
#请求url：
PUT 192.168.23.129:9200/aaa
#请求体：
{
"mappings": {
"article": {
"properties": {
"id": {
"type": "long",
"store": true,
"index":"not_analyzed"
},
"title": {
"type": "text",
"store": true,
"index":"analyzed",
"analyzer":"standard"
},
"content": {
"type": "text",
"store": true,
"index":"analyzed",
"analyzer":"standard"
}
}
}
}
}
如图：
响应结果：
elasticsearch-head查看：
- 创建索引(方式二)
如图用head图形化界面工具里的新建索引：
elasticsearch-head查看：
2.3设置映射mapping
- 设置Mapping
刚刚只是单纯的创建了bbb索引，并没有设置mapping信息，下面给bbb设置mapping信息。当然也可以创建索引的同时创建mapping信息（后面使用过）
#请求url：
POST http://192.168.23.129:9200/bbb/hello/_mappin
#请求体：
{
"hello": {
"properties": {
"id": {
"type": "long",
"store": true
},
"title": {
"type": "text",
"store": true,
"index":true,
"analyzer":"standard"
},
"content": {
"type": "text",
"store": true,
"index":true,
"analyzer":"standard"
}
}
}
}
如图：
响应结果：
elasticsearch-head查看：
2.4删除索引index
删除索引aaa
#请求url：
DELETE 192.168.23.129:9200/aaa
如图：
elasticsearch-head查看，aaa已被删除：
2.5创建文档document
#请求url：
POST 192.168.23.129:9200/bbb/hello/1
#请求体：
{
"id":1,
"title":"aaa",
"content":"bbb"
}
如图：
elasticsearch-head查看：
2.6修改文档document
#请求url：
POST 192.168.23.129:9200/bbb/hello/1
#请求体：
{
"id":1,
"title":"ccc",
"content":"ddd"
}
如图：
elasticsearch-head查看：
2.7删除文档document
#请求url：
DELETE 192.168.23.129:9200/bbb/hello/1
如图：
elasticsearch-head查看：
2.8查询文档-根据id查询
这里新建一个document用来查询
#新建一个document
POST 192.168.23.129:9200/bbb/hello/1
{
"id":1,
"title":"床前明月光aaa",
"content":"疑是地上霜bbb"
}
#查询文档-根据id查询
GET 192.168.23.129:9200/bbb/hello/1
如图：
elasticsearch-head查看：
2.9查询文档-querystring查询
#请求url：
POST 192.168.23.129:9200/bbb/hello/_search
{
"query": {
"query_string": {
"default_field": "title",
"query": "床前明月光"
}
}
}
如图：
#请求url：
POST 192.168.23.129:9200/bbb/hello/_search
{
"query": {
"query_string": {
"default_field": "title",
"query": "夜光"
}
}
}
以上根据“床前明月光”和“夜光”都可以查到title，显然“夜光”查到的并不符合我们的需求，而且查到的也很不合理，这是因为分词器的原因，用querystring查询会进行分词，此时用的是Standard分词。
2.10查询文档-term查询
#请求url：
POST 192.168.23.129:9200/bbb/hello/_search
{
"query": {
"term": {
"title": "前"
}
}
}
如图：
#请求url：
POST 192.168.23.129:9200/bbb/hello/_search
{
"query": {
"term": {
"title": "床前"
}
}
}
如图：
以上根据“前”可以查到title，而“床前”查不到title，这是因为用term查询不会进行分词。
五、IK分词器
-
简介：
IK Analyzer 是一个开源的，基于 java 语言开发的轻量级的中文分词工具包。从 2006年 12 月推出 1.0 版开始， IKAnalyzer 已经推出了 4 个大版本。最初，它是以开源项目Luence 为应用主体的，结合词典分词和文法分析算法的中文分词组件。从 3.0 版本开始，IK 发展为面向 Java 的公用分词组件，独立 Lucene 项目，同时提供了对 Lucene 的默认优化实现。在 2012 版本中，IK 实现了简单的分词歧义排除算法，标志着 IK 分词器从单纯的词典分词向模拟语义分词衍化。 -
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，比如前面的Standard分词会把“床前明月光”分成“床”，“前”，“明“，”月”，“光”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。
-
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
1.安装ik分词器
- IK分词器下载地址
- 将ik分词器上传到服务器上，然后解压，指令如下：
#解压
unzip elasticsearch-analysis-ik-5.6.8.zip
#改名为ik
mv elasticsearch ik
#将ik目录拷贝到docker容器的plugins目录下
docker cp ./ik es:/usr/share/elasticsearch/plugins
如图：
- IK分词器测试
此时测试ik_smart
访问：http://192.168.23.129:9200/_analyze analyzer=ik_smart&pretty=true&text=我爱祖国
结果如下：
此时测试ik_max_word
访问：http://192.168.23.129:9200/_analyze analyzer=ik_max_word&pretty=true&text=我爱祖国
2.使用ik分词器
- 未使用ik分词器
#请求url：
POST 192.168.23.129:9200/bbb/hello/_search
{
"query": {
"term": {
"title": "月"
}
}
}
“床前明月光”分成“床”，“前”，“明“，”月”，“光”，所以“月”查得到，“月光”查不到
- 接下来咱们使用ik分词器
先创建一个使用ik分词器的新的索引ccc
PUT 192.168.23.129:9200/ccc
{
"mappings": {
"article": {
"properties": {
"id": {
"type": "long",
"store": true,
"index":"not_analyzed"
},
"title": {
"type": "text",
"store": true,
"index":"analyzed",
"analyzer":"ik_max_word"
},
"content": {
"type": "text",
"store": true,
"index":"analyzed",
"analyzer":"ik_max_word"
}
}
}
}
}
}
响应结果：
再创建document
#请求url：
POST 192.168.23.129:9200/ccc/article/1
#请求体：
{
"id":1,
"title":"床前明月光aaa",
"content":"疑是地上霜bbb"
}
如图：
- 此时再次使用ik分词器的term查询
#请求url：
POST 192.168.23.129:9200/ccc/article/_search
{
"query": {
"term": {
"title": "月光"
}
}
}
可以查到了
- 此时使用ik分词器querystring查询
#请求url：
POST 192.168.23.129:9200/ccc/article/_search
{
"query": {
"query_string": {
"default_field": "title",
"query": "夜光"
}
}
}
之前使用Standard分词器可以根据“夜光”查到，此时结果查不到了
六、Kibana使用
介绍
- Kibana 是一款开源的数据分析和可视化平台，它是 Elastic Stack 成员之一，设计用于和 Elasticsearch协作。您可以使用 Kibana 对 Elasticsearch 索引中的数据进行搜索、查看、交互操作。您可以很方便的利用图表、表格及地图对数据进行多元化的分析和呈现。
- Kibana 可以使大数据通俗易懂。它很简单，基于浏览器的界面便于您快速创建和分享动态数据仪表板来追踪 Elasticsearch 的实时数据变化。
- 搭建 Kibana 非常简单。您可以分分钟完成 Kibana 的安装并开始探索 Elasticsearch 的索引数据 — 没有代码、不需要额外的基础设施。
1.Kibana下载安装
这里使用虚拟机的docker镜像下载
指令如下：
#镜像下载
docker pull docker.io/kibana:5.6.8
#安装kibana容器
docker run -it -d -e ELASTICSEARCH_URL=http://192.168.23.129:9200 --name kibana
-p 5601:5601 kibana:5.6.8
安装后访问：http://192.168.23.129:5601 如下：
如图所示安装成功：
如图便是我们之前的数据了：
2.DSL语句使用
#查看所有索引
GET /_cat/indices?v
#删除某个索引
DELETE /skuinfo
#新增索引
PUT /user
#创建映射
PUT /user/userinfo/_mapping
{
"properties": {
"name":{
"type": "text",
"analyzer": "ik_smart",
"search_analyzer": "ik_smart",
"store": false
},
"city":{
"type": "text",
"analyzer": "ik_smart",
"search_analyzer": "ik_smart",
"store": false
},
"age":{
"type": "long",
"store": false
},
"description":{
"type": "text",
"analyzer": "ik_smart",
"search_analyzer": "ik_smart",
"store": false
}
}
}
#新增文档数据 id=1
PUT /user/userinfo/1
{
"name":"a",
"age":22,
"city":"beijing",
"description":"i love you"
}
#更新数据,id=1
PUT /user/userinfo/4
{
"name":"b",
"description":"you love me"
}
#根据ID查询
GET /user/userinfo/1
#恢复文档数据 id=1
PUT /user/userinfo/1
{
"name":"a",
"age":22,
"city":"beijing",
"description":"i love you"
}
#使用POST更新某个域的数据
POST /user/userinfo/1/_update
{
"doc":{
"name":"b",
"description":"you love me"
}
}
#根据ID查询
GET /user/userinfo/1
#删除数据
DELETE user/userinfo/1
#查询所有
GET /user/_search
#根据ID查询
GET /user/userinfo/1
#搜索排序
GET /user/_search
{
"query":{
"match_all": {}
},
"sort":{
"age":{
"order":"desc"
}
}
}
#分页实现
GET /user/_search
{
"query":{
"match_all": {}
},
"sort":{
"age":{
"order":"desc"
}
},
"from": 0,
"size": 2
}
#查询-term
GET _search
{
"query":{
"term":{
"city":"武汉"
}
}
}
#查询-terms 允许多个Term
GET _search
{
"query":{
"terms":{
"city":
[
"武汉",
"广州"
]
}
}
}
#match查询
GET _search
{
"query": {
"match": {
"description": "武汉"
}
}
}
#过滤-range 范围过滤
#gt表示> gte表示=>
#lt表示< lte表示<=
GET _search
{
"query":{
"range": {
"age": {
"gte": 30,
"lte": 57
}
}
}
}
#过滤搜索 exists：是指包含某个域的数据检索
GET _search
{
"query": {
"exists":{
"field":"address"
}
}
}
#过滤搜索 bool
#must : 多个查询条件的完全匹配,相当于 and。
#must_not : 多个查询条件的相反匹配，相当于 not。
#should : 至少有一个查询条件匹配, 相当于 or。
GET _search
{
"query": {
"bool": {
"must": [
{
"term": {
"city": {
"value": "深圳"
}
}
},
{
"range":{
"age":{
"gte":20,
"lte":99
}
}
}
]
}
}
}
#查询所有 match_all
GET _search
{
"query": {
"match_all": {}
}
}
#字符串匹配
GET _search
{
"query": {
"match": {
"description": "武汉"
}
}
}
#前缀匹配 prefix
GET _search
{
"query": {
"prefix": {
"name": {
"value": "赵"
}
}
}
}
#多个域匹配搜索
GET _search
{
"query": {
"multi_match": {
"query": "深圳",
"fields": [
"city",
"description"
]
}
}
}
#过滤-range 范围过滤
#gt表示> gte表示=>
#lt表示< lte表示<=
GET _search
{
"query": {
"bool": {
"must": [
{"match": {
"city": "深圳武汉"
}}
],
"filter": {
"range": {
"age": {
"gte": 20,
"lte": 60
}
}
}
}
}
}
七、使用Java编程操作ElasticSearch
- pox.xml
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>com.lxs</groupId>
<artifactId>es-demo</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<dependency>
<groupId>org.elasticsearch</groupId>
<artifactId>elasticsearch</artifactId>
<version>5.6.8</version>
</dependency>
<dependency>
<groupId>org.elasticsearch.client</groupId>
<artifactId>transport</artifactId>
<version>5.6.8</version>
</dependency>
<dependency>
<groupId>org.apache.logging.log4j</groupId>
<artifactId>log4j-to-slf4j</artifactId>
<version>2.9.1</version>
</dependency>
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-api</artifactId>
<version>1.7.24</version>
</dependency>
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-simple</artifactId>
<version>1.7.21</version>
</dependency>
<dependency>
<groupId>log4j</groupId>
<artifactId>log4j</artifactId>
<version>1.2.12</version>
</dependency>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
</dependency>
<dependency>
<groupId>com.fasterxml.jackson.core</groupId>
<artifactId>jackson-core</artifactId>
<version>2.8.1</version>
</dependency>
<dependency>
<groupId>com.fasterxml.jackson.core</groupId>
<artifactId>jackson-databind</artifactId>
<version>2.8.1</version>
</dependency>
<dependency>
<groupId>com.fasterxml.jackson.core</groupId>
<artifactId>jackson-annotations</artifactId>
<version>2.8.1</version>
</dependency>
</dependencies>
</project>
1.创建索引index
//创建索引
public void test1() throws Exception{
// 创建Client连接对象
TransportClient client;
//创建一个client对象
Settings settings = Settings.builder().put("cluster.name", "my-elasticsearch").build();
//2:客户端
client = new PreBuiltTransportClient(settings);
client.addTransportAddress(new InetSocketTransportAddress(InetAddress.getByName("192.168.23.129"), 9300));
//创建名称为ddd的索引
client.admin().indices().prepareCreate("ddd").get();
//释放资源
client.close();
}
2.创建映射mapping
public void test2() throws Exception{
// 创建Client连接对象
TransportClient client;
//创建一个client对象
Settings settings = Settings.builder().put("cluster.name", "my-elasticsearch").build();
//2:客户端
client = new PreBuiltTransportClient(settings);
client.addTransportAddress(new InetSocketTransportAddress(InetAddress.getByName("192.168.23.129"), 9300));
XContentBuilder builder = XContentFactory.jsonBuilder()
.startObject()
.startObject("article")
.startObject("properties")
.startObject("id")
.field("type", "integer").field("store", "yes")
.endObject()
.startObject("title")
.field("type", "string").field("store", "yes").field("analyzer", "ik_smart")
.endObject()
.startObject("content")
.field("type", "string").field("store", "yes").field("analyzer", "ik_smart")
.endObject()
.endObject()
.endObject()
.endObject();
//3使用api创建索引
client.admin().indices().preparePutMapping("ddd").setType("article").setSource(builder).get();
//4：关闭client
client.close();
3.建立文档document
// 创建Client连接对象
TransportClient client;
//创建一个client对象
Settings settings = Settings.builder().put("cluster.name", "my-elasticsearch").build();
//2:客户端
client = new PreBuiltTransportClient(settings);
client.addTransportAddress(new InetSocketTransportAddress(InetAddress.getByName("192.168.23.129"), 9300));
//创建一个文档对象
XContentBuilder builder = XContentFactory.jsonBuilder()
.startObject()
.field("id",2l)
.field("title","床前明月光")
.field("content", "疑是地上霜")
.endObject();
//把文档对象添加到索引库
client.prepareIndex()
//设置索引名称
.setIndex("ddd")
//设置type
.setType("article")
//设置文档的id，如果不设置的话自动的生成一个id
.setId("1")
//设置文档信息
.setSource(builder)
//执行操作
.get();
//关闭客户端
client.close();
4.查询文档操作
4.1使用termQuery查询
public void testQueryByQueryString() throws Exception {
//1:配置
TransportClient client;
//创建一个client对象
Settings settings = Settings.builder().put("cluster.name", "my-elasticsearch").build();
//2:客户端
client = new PreBuiltTransportClient(settings);
client.addTransportAddress(new InetSocketTransportAddress(InetAddress.getByName("192.168.23.129"), 9300));
//构件queryBuilder
QueryBuilder queryBuilder = QueryBuilders.queryStringQuery("床").defaultField("title");
//执行查询得到
search(queryBuilder);
}
4.2使用QueryString
public void testQueryByQueryString() throws Exception {
//1:配置
TransportClient client;
//创建一个client对象
Settings settings = Settings.builder().put("cluster.name", "my-elasticsearch").build();
//2:客户端
client = new PreBuiltTransportClient(settings);
client.addTransportAddress(new InetSocketTransportAddress(InetAddress.getByName("192.168.23.129"), 9300));
//构件queryBuilder
QueryBuilder queryBuilder = QueryBuilders.matchQuery("title", "床前明月光");
//执行查询得到
search(queryBuilder);
}
4.3使用MatchQuery
public void testQueryByMathQuery() throws Exception {
//1:配置
TransportClient client;
//创建一个client对象
Settings settings = Settings.builder().put("cluster.name", "my-elasticsearch").build();
//2:客户端
client = new PreBuiltTransportClient(settings);
client.addTransportAddress(new InetSocketTransportAddress(InetAddress.getByName("192.168.23.129"), 9300));
//构件queryBuilder
QueryBuilder queryBuilder = QueryBuilders.matchQuery("title", "床前明月光");
//执行查询得到
search(queryBuilder);
}
4.4使用Id查询
public void testSearchById() throws Exception {
TransportClient client;
//创建一个client对象
Settings settings = Settings.builder().put("cluster.name", "my-elasticsearch").build();
//2:客户端
client = new PreBuiltTransportClient(settings);
client.addTransportAddress(new InetSocketTransportAddress(InetAddress.getByName("192.168.23.129"), 9300));
//创建一个查询对象
QueryBuilder queryBuilder = QueryBuilders.idsQuery().addIds("1");
search(queryBuilder);
}
4.5查询MathAll
public void testSearchByMathAll() throws Exception {
TransportClient client;
//创建一个client对象
Settings settings = Settings.builder().put("cluster.name", "my-elasticsearch").build();
//2:客户端
client = new PreBuiltTransportClient(settings);
client.addTransportAddress(new InetSocketTransportAddress(InetAddress.getByName("192.168.23.129"), 9300));
//创建一个查询对象
QueryBuilder queryBuilder = QueryBuilders.matchAllQuery();
//执行查询得到
SearchResponse searchResponse = client.prepareSearch("ddd")
.setTypes("article")
.setQuery(queryBuilder)
.setFrom(0)
.setSize(5)
.get();
//处理结果
SearchHits searchHits = searchResponse.getHits();
System.out.println("总行数:" + searchHits.getTotalHits());
Iterator<SearchHit> it = searchHits.iterator();
while (it.hasNext()) {
SearchHit searchHit = it.next();
//source->document的json输出
System.out.println(searchHit.getSourceAsString());
System.out.println("---文档属性-----");
Map<String, Object> document = searchHit.getSource();
System.out.println(document.get("id"));
System.out.println(document.get("title"));
System.out.println(document.get("content"));
}
}
4.6高亮显示代码实现
public void testSearchByHighlight() throws Exception {
TransportClient client;
//创建一个client对象
Settings settings = Settings.builder().put("cluster.name", "my-elasticsearch").build();
//2:客户端
client = new PreBuiltTransportClient(settings);
client.addTransportAddress(new InetSocketTransportAddress(InetAddress.getByName("192.168.23.129"), 9300));
//创建一个查询对象
QueryBuilder queryBuilder = QueryBuilders.multiMatchQuery("床", "title", "content");
HighlightBuilder highlightBuilder = new HighlightBuilder();
highlightBuilder.field("title");
highlightBuilder.field("content");
highlightBuilder.preTags("<em>");
highlightBuilder.postTags("</em>");
//执行查询得到
SearchResponse searchResponse = client.prepareSearch("index_hello")
.setTypes("article")
.setQuery(queryBuilder)
.highlighter(highlightBuilder)
.get();
//处理结果
SearchHits searchHits = searchResponse.getHits();
System.out.println("总行数:" + searchHits.getTotalHits());
Iterator<SearchHit> it = searchHits.iterator();
while (it.hasNext()) {
SearchHit searchHit = it.next();
//source->document的json输出
System.out.println("-----文档内容-------");
System.out.println(searchHit.getSourceAsString());
System.out.println("----高亮结果-----");
Map<String, HighlightField> highlightFields = searchHit.getHighlightFields();
for (Map.Entry<String, HighlightField> entry : highlightFields.entrySet()) {
System.out.println(entry.getKey() + ":\t" + Arrays.toString(entry.getValue().getFragments()));
}
}
}
八、Spring Data ElasticSearch
1.介绍：
- Spring Data的官网.
- Spring Data是一个用于简化数据库访问，并支持云服务的开源框架。其主要目标是使得对数据的访问变得方便快捷，并支持map-reduce框架和云计算数据服务。 Spring Data可以极大的简化JPA的写法，可以在几乎不用写实现的情况下，实现对数据的访问和操作。除了CRUD外，还包括如分页、排序等一些常用的功能。
pox.xml
<dependencies>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-data-elasticsearch</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-test</artifactId>
<scope>test</scope>
</dependency>
</dependencies>
配置启动器
@SpringBootApplication
public class Application {
public static void main(String[] args) {
SpringApplication.run(EsDemo2Application.class, args);
}
}
配置application.yml
spring:
data:
elasticsearch:
cluster-name: my-elasticsearch
cluster-nodes: 192.168.23.129:9300
编写实体类
@Document(indexName = "fff", type = "article")
public class Article {
@Id
@Field(type = FieldType.Long, store = true)
private Long id;
@Field(type = FieldType.Text, store = true, analyzer = "ik_smart")
private String title;
@Field(type = FieldType.Text, store = true, analyzer = "ik_smart")
private String content;
public Long getId() {
return id;
}
public void setId(Long id) {
this.id = id;
}
public String getTitle() {
return title;
}
public void setTitle(String title) {
this.title = title;
}
public String getContent() {
return content;
}
public void setContent(String content) {
this.content = content;
}
@Override
public String toString() {
return "Article{" +
"id=" + id +
", title='" + title + '\'' +
", content='" + content + '\'' +
'}';
}
}
编写dao
public interface ArticleDao extends ElasticsearchRepository<Article, Long> {
}
测试
@Autowired
private ArticleDao dao;
@Autowired
private ElasticsearchTemplate template;
@Test
public void createIndex() {
// template.createIndex(Article.class);
//配置mapping
template.putMapping(Article.class);
}
@Test
public void deleteDocumentById() throws Exception {
dao.deleteById(1l);
//全部删除
articleRepository.deleteAll();
}
@Test
public void findAll() {
dao.findAll().forEach(System.out :: println);
}
@Test
public void findById() {
System.out.println(dao.findById(1l));
}
聚合查询
编写实体类
@Document(indexName = "eeee", type = "eee")
public class Eee {
@Id
@Field(type = FieldType.Long, store = true)
private Long id;
@Field(type = FieldType.Text, store = true, analyzer = "ik_smart")
private String title;
@Field(type = FieldType.Text, store = true, analyzer = "ik_smart", fielddata = true)
private String content;
@Field(type = FieldType.Text, store = true, analyzer = "ik_smart", fielddata = true)
private String color;
@Field(type = FieldType.Double, store = true)
private Double num;
public Eee(Long id, String title, String content, String color, Double num) {
this.id = id;
this.title= title;
this.content= content;
this.color = color;
this.num= num;
}
public Eee() {
}
public Long getId() {
return id;
}
public void setId(Long id) {
this.id = id;
}
public String getTitle() {
return title;
}
public void setTitle(String title) {
this.title= title;
}
public String getContent() {
return brand;
}
public void setContent(String content) {
this.content= content;
}
public String getColor() {
return color;
}
public void setColor(String color) {
this.color = color;
}
public Double getNum() {
return num;
}
public void setNum(Double num) {
this.num= num;
}
}
编写dao
public interface EeeDao extends ElasticsearchRepository<Eee, Long> {
}
测试
@Autowired
private EeeDao eeeDao;
@Test
public void testQueryByAggs() {
NativeSearchQueryBuilder queryBuilder = new NativeSearchQueryBuilder().withQuery(QueryBuilders.matchAllQuery());
queryBuilder.withSourceFilter(new FetchSourceFilter(new String[] {}, new String[] {"content"}));
//添加聚合
queryBuilder.addAggregation(AggregationBuilders.terms("group_by_color").field("color"));
//执行结果，转换成聚合page
AggregatedPage<Eee> aggPage = (AggregatedPage<Eee>) eeeDao.search(queryBuilder.build());
//从聚合结果中获得bucket的名字对应的聚合
StringTerms agg = (StringTerms) aggPage.getAggregation("group_by_color");
List<StringTerms.Bucket> buckets = agg.getBuckets();
buckets.forEach(b -> {
String color = b.getKeyAsString();
Long docCount = b.getDocCount();
System.out.println("color = " + color + " 总数" + docCount);
});
}
@Test
public void testQueryBySubAggs() {
NativeSearchQueryBuilder queryBuilder = new NativeSearchQueryBuilder().withQuery(QueryBuilders.matchAllQuery());
queryBuilder.withSourceFilter(new FetchSourceFilter(new String[] {}, new String[] {"content"}));
//添加聚合
queryBuilder.addAggregation(AggregationBuilders.terms("group_by_color").field("color")
.subAggregation(AggregationBuilders.avg("avg_num").field("num")));
//执行结果，转换成聚合page
AggregatedPage<Car> aggPage = (AggregatedPage<Car>) eeeDao.search(queryBuilder.build());
//从聚合结果中获得bucket的名字对应的聚合
StringTerms agg = (StringTerms) aggPage.getAggregation("group_by_color");
List<StringTerms.Bucket> buckets = agg.getBuckets();
buckets.forEach(b -> {
String color = b.getKeyAsString();
Long docCount = b.getDocCount();
//取得内部聚合
InternalAvg avg = (InternalAvg) b.getAggregations().asMap().get("avg_num");
System.out.println("color = " + color + " 总数" + docCount + " 平均价格：" + avg.getValue());
});
}
4153
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
