独孤九剑之Elasticsearch Java API破剑式

0、题记
之前Elasticsearch的应用比较多,但大多集中在关系型、非关系型数据库与Elasticsearch之间的同步。以上内容完成了Elasticsearch所需要的基础数据量的供给。但想要在海量的数据中找到和自己相关的业务数据,实现对已有的数据实现全文检索、分类统计等功能并应用到业务系统中,必须借助Java API来实现。

1、Elasticsearch Java API 概览
Elasticsearch Java API 相关使用研究结果:

1.1 国内的博文讲解Elasticsearch Java API 大多偏重于实现,没有对Elasticsearch Java API 整体进行讲解。这样的问题是头疼医头,脚痛医脚,始终不得原理。

1.2 Elasticsearch1.X,2.X,5.X随着版本的迭代,除了系统升级,Java API也做了相对较大的调整。

也就是说,1.X的API在2.X以及5.X乃至未来6.X版本都不是通用的。如1.x的fuzzyLikeThisQuery在后续版本都不再存在。

1.3 Elasticsearch官网Java API提供了相对丰富的解读。(文末参考给出了官网地址)

1.4 Elasticsearch Java API 大致分如下四类:

1.4.1、TransportClient

步骤1:获取client;

步骤2:执行对应的增、删、改、查操作。

查询使用参考(以下我已经验证过,好用ok):

/**

  • Query Search
  • @param index
  • @param type
  • @param term
  • @param queryString
    */
    private static void querySearch(String index, String type,String term,String queryString){
    Client client = createTransportClient();
    SearchResponse response = client.prepareSearch(index)
    .setTypes(type)
    // 设置查询类型
    // 1.SearchType.DFS_QUERY_THEN_FETCH = 精确查询
    // 2.SearchType.SCAN = 扫描查询,无序
    // 3.SearchType.COUNT = 不设置的话,这个为默认值,还有的自己去试试吧
    .setSearchType(SearchType.DFS_QUERY_THEN_FETCH)
    // 设置查询关键词
    .setQuery(QueryBuilders.matchQuery(term, queryString))
    .addHighlightedField(term)
    .setHighlighterPreTags("<em>")
    .setHighlighterPostTags("</em>")
    // 设置查询数据的位置,分页用
    .setFrom(0)
    // 设置查询结果集的最大条数
    .setSize(60)
    // 设置是否按查询匹配度排序
    .setExplain(true)
    // 最后就是返回搜索响应信息
    .execute()
    .actionGet();
    SearchHits searchHits = response.getHits();
    System.out.println("-----------------在["+term+"]中搜索关键字["+queryString+"]---------------------");
    System.out.println("共匹配到:"+searchHits.getTotalHits()+"条记录!");
    SearchHit[] hits = searchHits.getHits();
    for (SearchHit searchHit : hits) {
    //获取高亮的字段
    Map<String, HighlightField> highlightFields = searchHit.getHighlightFields();
    HighlightField highlightField = highlightFields.get(term);
    System.out.println("高亮字段:"+highlightField.getName()+"\n高亮部分内容:"+highlightField.getFragments()[0].string());
    Map<String, Object> sourceAsMap = searchHit.sourceAsMap();
    Set<String> keySet = sourceAsMap.keySet();
    for (String string : keySet) {
    //key value 值对应关系
    System.out.println(string+":"+sourceAsMap.get(string));
    }
    System.out.println();
    }
    }
    1.4.2、RestClient

elasticsearch 5.0引入了一个新的客户端 RestClient ,使用HTTP API elasticsearch代替内部协议。这需要更少依赖关系。你也不需要关注那么多版本,当前客户端也可以用于elasticsearch 2.x版本。

使用参考如下(以下我没有代码验证):

HttpEntity entity = new NStringEntity(
"{ \"query\": { \"match_all\": {}}}",
ContentType.APPLICATION_JSON);
// alternative: performRequestAsync
Response response = restClient.performRequest("POST", "/_search", emptyMap(), entity);
String json = toString(response.getEntity());
// ...
1.4.3、Jest

Jest是ElasticSearch的Java HTTP Rest客户端。 Jest填补了 ElasticSearch 缺少 Http Rest接口 客户端的空白。

通过Maven编译实现,需要设定好不同的版本。现在pom.xml最新的Elasticsearch版本为5.3.3(2017年5月27日),5.3.3的API向ES2.3.4插入索引数据,不能保障数据正常插入,且没有报错。

具体使用参考(以下示例跑通,验证ok):

/**

  • @brief:全文检索入口
  • @throws Exception
    */
    private static void fullTextQuery(String queryString) throws Exception {
    JestClient jestClient = JestExample.getJestClient(); //工厂模式实现
    SearchSourceBuilder searchSourceBuilder = new SearchSourceBuilder();
    searchSourceBuilder.query(QueryBuilders.queryStringQuery(queryString));

Search search = new Search.Builder(searchSourceBuilder.toString())
// .addIndex("article")
.build();
SearchResult result = jestClient.execute(search);
System.out.println(result.getJsonString());
}
1.4.3.1 Jest介绍

Jest是Elasticsearch 的Java Http Rest 客户端。

ElasticSearch已经具备应用于Elasticsearch内部的Java API,但是Jest弥补了ES自有API缺少Elasticsearch Http Rest接口客户端的不足。

1.4.3.2、 Jest优势概括如下:

1)提供Restful API, 原生ES API不具备;

2)若ES集群使用不同的ES版本,使用原生ES API会有问题,而Jest不会;

3) 更安全(可以在Http层添加安全处理)。

1.4.3.3、pom

概括下,Jest使用maven的方式管理项目。支持最新的Elasticsearch。

pom.xml有相关配置信息。(默认是最新ES版本相关的pom.xml,截止:2017-08-13 16:38, 其默认支持版本5.3.2)。

<dependency>

<groupId>io.searchbox</groupId>
<artifactId>jest</artifactId>
<version>2.0.0</version>
</dependency>
高版本ES也是可以使用的,我实际开发ES5.4.0,用的JEST的做的后端接口开发。

1.4.3.4、Jest使用

喜欢的点点关注,点点赞。
对Java技术,架构技术感兴趣的同学,欢迎加QQ群668041364?,一起学习,相互讨论。

群内已经有小伙伴将知识体系整理好(源码,笔记,PPT,学习视频),欢迎加群领取。

转载于:https://blog.51cto.com/14233733/2403647

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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