ElasticSearch搜索引擎介绍

士多啤莉娜

已于 2024-03-29 10:38:54 修改

阅读量1.3k

点赞数 36

文章标签：搜索引擎 elasticsearch 大数据 docker jmeter

于 2024-03-28 16:53:01 首次发布

本文链接：https://blog.csdn.net/su3su3su3/article/details/137105593

版权

在这里插入图片描述

ElasticSearch搜索引擎介绍

一、概述

搜索在现代日常生活场景中都非常常见，如百度、京东、天猫等等。数据量都是庞大的，所以直接基于数据库搜索必定不是他们的首选，在这些场景下，要完成数据的高效搜索，都会基于搜索引擎实现。

而对于搜索实现来说，市面上常见三种技术：Lucene、Solr、ElasticSearch。Lucene严格意义来讲，并不能称为搜索引擎，其本身是一套类库，需要开发人员根据其内部API完成具体功能实现。而Solr和ElasticSearch都是基于Lucene进行了封装，他俩可以称为搜索引擎。但由于实现细节的不同，所以ElasticSearch是目前搜索引擎的首选。

ElasticSearch是一个开源的、支持分布式的、能够进行近实时搜索和分析、能够处理PB级数据量的搜索引擎。目前有很多平台和工作场景会涉及到对ElasticSearch的使用

维基百科数据搜索
Github数据搜索
电商平台商品搜索
数据分析和挖掘

二、ElasticSearch和MySQL的区别

Lucene 算法倒排索引先分词建立原来数据的关系

Mysql数据操作具备事务性，而ElasticSearch没有
MySQL支持外键，而ElasticSearch不支持
Mysql采用B+树索引，而ElasticSearch采用倒排索引

三、ES安装

采用docker-componse工具安装

1、下载docker-compose

curl -L https://get.daocloud.io/docker/compose/releases/download/1.25.5/dockercompose-`uname -s`-`uname -m` > /usr/local/bin/docker-compose

2、授权

sudo chmod +x /usr/local/bin/docker-compose

3、创建链接

sudo ln -s /usr/local/bin/docker-compose /usr/bin/docker-compose

4、检查安装是否完成

docker-compose -v

5、相关命令

--查看版本
docker-compose version
--根据yml创建
service docker-compose up -d
–-指定yaml
docker-compose up -f xxx.yaml
--查看images
docker-compose images
--停止/启动service
docker-compose stop/start
--销毁
docker-compose down

6、ES安装

--创建两个目录
mkdir -p /usr/local/elk/{elasticsearch/data,elasticsearch/plugins}

--授权
chmod 777 /usr/local/elk/elasticsearch/data

vim docker-compose.yml

version: '3'
services:
elasticsearch:
image: elasticsearch:7.10.1 #镜像
container_name: elasticsearch #定义容器名称
restart: always #开机启动，失败也会一直重启
environment:
- "cluster.name=elasticsearch" #设置集群名称为elasticsearch
- "discovery.type=single-node" #以单一节点模式启动
- "ES_JAVA_OPTS=-Xms512m -Xmx1024m" #设置使用jvm内存大小 生成环境建议最低3g以上
volumes:
- /usr/local/elk/elasticsearch/plugins:/usr/share/elasticsearch/plugins #
插件文件挂载
- /usr/local/elk/elasticsearch/data:/usr/share/elasticsearch/data #数据文件
挂载
ports:
- 9200:9200
kibana: #图形化操作工具
image: kibana:7.10.1
container_name: elk_kibana
restart: always
depends_on:
- elasticsearch #kibana在elasticsearch启动之后再启动
environment:
- ELASTICSEARCH_URL=http://elasticsearch:9200 #设置访问elasticsearch的地址
ports:
- 5601:5601

docker-componse up -d

http://ip:5601/
在这里插入图片描述

四、 ElasticSearch核心概念介绍

ES在使用时，会涉及到五个核心概念：索引（Index）、映射（Mapping）、文档（Document）、倒排索引。
在这里插入图片描述
注：在老版本ElasticSearch中还有一个概念Type，用于进行数据分类，但是在ES7开始已经将Type移除

4.1 索引（index）

索引相当于关系型数据库中的一张表，一个index包含若干document，通过Index代表一类类似的或者相同的document。

4.1.1 添加索引

-- PUT 索引名称
PUT person

在这里插入图片描述

4.1.2 查询索引

-- 查询单个索引 GET 索引名称
GET person
-- 查询多个索引信息 GET 索引名称,索引名称
GET person,person1
-- 查询所有索引信息
GET _all

在这里插入图片描述

4.1.3 删除索引

-- 删除索引 DELETE 索引名称
DELETE person1

在这里插入图片描述

4.2 映射（Mapping）

域（Field）相当于数据表中的字段列，当有了索引之后，需要在索引中设置域的相关信息如：名称，
类型等。这个过程称为：映射（Mapping）。相当于关系型数据库中表的设计。
在这里插入图片描述

4.2.1 数据类型

字符串

text：会进行分词，如华为手机，会分成：华为，手机。被分出来的每一个词，称为term（词
条）
keyword：不会进行分词，如华为手机，只有一个词条，即华为手机。

数值

long：带符号64位整数
integer：带符号32位整数
short：带符号16位整数
byte：带符号8位整数
double：双精度64位浮点数
float：单精度32位浮点数
half_float：半精度16位浮点数

布尔

binary

日期

date

范围类型

integer_range
float_range
long_range
double_range
date_range

数组

对象

4.2.2 添加映射

对于映射，只能进行字段添加，不能对字段进行修改或删除，如有需要，则重新创建映射

添加映射（添加/修改字段）

-- 为已存在的索引库添加映射
PUT person/_mapping
{
"properties":{
"name":{
"type":"text"
},
"age":{
"type":"integer"
}
}
}

-- 创建索引+映射
PUT person
{
"mappings": {
"properties": {
"name": {
"type": "text"
},
"age": {
"type": "integer"
}
}
}
}

在这里插入图片描述

查看映射

--查看索引映射信息
GET person/_mapping

在这里插入图片描述

4.3 文档（Document）

ES中最小的数据单元，代表索引中的一条数据，通常是使用json的数据格式表示的

4.3.1 添加文档（添加一行数据）

手动设置id

POST person/_doc/1
{
"name":"张三",
"age":18,
"address":"北京"
}

自动生成id

POST person/_doc
{
"name":"张三",
"age":18,
"address":"北京"
}

在这里插入图片描述

4.3.2 查询文档

根据id查询文档

GET person/_doc/1

在这里插入图片描述

查询所有文档

GET person/_search

在这里插入图片描述

4.3.3 修改文档

PUT person/_doc/1
{
"name": "张三丰",
"age": 180,
"address": "武当山"
}

在这里插入图片描述

4.3.4 删除文档

--DELETE 索引名称/_doc/文档id
DELETE person/_doc/1

在这里插入图片描述

五、ik分词器及搜索支持

5.1 分词器

默认分词器支持英文及空格

在这里插入图片描述

POST _analyze
{
"text": "I love beijing"
}

POST _analyze
{
"text": "Ilovebeijing"
}

POST _analyze
{
"text": "我爱北京天安门"
}

需安装分词器
支持 ik_max_word、 ik_smart 两种分词器

PUT person2
{
"mappings": {
"properties": {
"name": {
"type": "text",
"analyzer": "ik_smart"
},
"age": {
"type": "integer"
},
"address":{
"type":"text",
"analyzer": "ik_max_word"
}
}
}
}

5.2 搜索

term：搜索内容不进行分词
match：对搜索内容进行分词，同时搜索：北京、大运河

--term：对搜索内容不进行分词
GET person2/_search
{
"query": {
"term": {
"address": "大运河"
}
}
}
#match：对搜索内容进行分词，同时搜索：北京、大运河
GET person2/_search
{
"query": {
"match": {
"address": "北京大运河"
}
}
}

5.3 高亮提示

六、ES监控与调优

士多啤莉娜

关注

36
点赞
踩
18

收藏

觉得还不错? 一键收藏
1
评论
ElasticSearch搜索引擎介绍

搜索在现代日常生活场景中都非常常见，如百度、京东、天猫等等。数据量都是庞大的，所以直接基于数据库搜索必定不是他们的首选，在这些场景下，要完成数据的高效搜索，都会基于搜索引擎实现。而对于搜索实现来说，市面上常见三种技术：Lucene、Solr、ElasticSearch。Lucene严格意义来讲，并不能称为搜索引擎，其本身是一套类库，需要开发人员根据其内部API完成具体功能实现。而Solr和ElasticSearch都是基于Lucene进行了封装，他俩可以称为搜索引擎。
复制链接

扫一扫