Elasticearch 搜索引擎（1

Elasticearch 搜索引擎

简介：

• Elasticsearch是一个基于Lucene的搜索服务器。 Lucene 还是一个库，必须要懂一点搜索引擎原理的人才能用的好，所以后来又有人基于 Lucene 进行封装，写出了 Elasticsearch。 它提供了一个分布式多用户能力的全文搜索引擎，基于RESTful web接口。
• Elasticsearch是用 Java语言开发的，并作为Apache许可条款下的开放源码发布，是一种流行的企业级搜索引擎。
• 安装简单 开箱即用！ 使用时直接解压即可，可以实时与数据库进行更新！ Elasticsearch用于云计算中，能够达到实时搜索，稳定，可靠，快速，安装使用方便。
• 使用简单，内部集成了很多的 http请求，启动后直接调用即可实现功能。 且支持大量的语言：Java C# php python …
• 官方网址
• Git hub

总结： elasticsearch是一个基于Lucene的高扩展的分布式搜索服务器，支持开箱即用。 elasticsearch隐藏了Lucene的复杂性，对外提供Restful 接口来操作索引、搜索。 突出优点：

1. 扩展性好，可部署上百台服务器集群，处理PB级数据。 大数据Byte、KB、MB、GB、TB、PB、EB、ZB、YB、DB、NB
2. 近实时的去索引数据、搜索数据。更新实时数据处理很快，至少比 solr搜索引擎快！
3. 可通过自定义插件，如 COS 备份、QQ分词、ik分词器…等满足特定功能需求。

结构 / 原理 ：

elasticsearch 的原理就很像是一个数据库+搜索引擎

• 可以存储数据，分析数据，查询…
• elasticaSearch 对于查询效率，存储数据，集群都是优于数据库的， 但它没有数据库的强大 sql能力:存储过程….

索引结构

• ElasticaSearch中，有几个专业的名词： 索引 类型 文档 ElasticaSearch中的索引，索引与数据库的索引概念不同，它更像是数据库的库 ElasticaSearch中，索引有两种解释：物理概念黑色，逻辑概念橙色

物理概念： 索引文件 ElasticSearch 的数据存储文件 , 相当于数据库的 sql 文件！ 逻辑概念：

• index索引： 是一个 倒排索引表
• 分词列表： 将Docment 数据，进行倒排索引产生，不重复的组成分词列表。 相当于一个搜索的关键词列表… 百度搜索并不是 模糊查询 而是关键字查询： 当你百度搜素： 为什么经常掉头发？，并不会针对是根据这个问题给你进行查找，而是可是能：掉发… 经常掉发等关键词…
• Document 文档： 每一个 docment相当于一条数据，一个文档里面有 field1 相当于一个个的属性… Document 使用 JSON 格式表示

为了便于大家理解ES里的数据模型，将它与关系型数据库 MySQL 做类比：

关系数据库 ⇒ 数据库 ⇒ 表 ⇒ 行 ⇒ 列(Columns) Elasticsearch ⇒ 索引(Index) ⇒ 类型(type7.0即将淘汰) ⇒ 文档(Docments) ⇒ 字段(Fields)

• 一个 Elasticsearch 集群可以包含多个索引(数据库)，也就是说其中包含了很多类型(表)。 6.0及之后移除了一个索引允许映射多个类型的操作， 索引就有点像一个表了…
• 这些类型中包含了很多的文档(行)，然后每个文档中又包含了很多的字段(列)。
• Elasticsearch的交互，可以使用Java API，也可以直接使用HTTP的Restful API方式

原理：

• ElasticSearch 创建一个index索引库/表 (版本不同概念会有变化)，创建Docment文档一条记录 每次在给文档添加Docment, 都会将数据进行 倒排索引 对文档其中的关键字，生成并生成/存储： 分词列表
• 比如： 百度搜索一个问题： 云顶S1最强阵容组合 装备合成 会根据分词器处理： 云顶 S1 装备 阵容...等关键词。 之后就会去根据每个 Document 的分词列表进行匹配… 匹配度高的就优先展示给用户查看咯~

倒排索引

倒排索引(Inverted Index)：倒排索引，它也是索引。索引，初衷都是为了快速检索到你要的数据。

• 倒排索引是实现“单词-文档矩阵”的一种具体存储形式，通过倒排索引， 可以根据单词快速获取包含这个单词的文档列表。倒排索引主要由两个部分组成：“单词词典”和“倒排文件”。

• 书本的目录， 和新华字典的 拼音搜词 目录和索引页，其实就很形象的可以比喻为正排索引和倒排索引。为了进一步加深理解，再看看熟悉的搜索引擎。
• 没有搜索引擎时，我们只能直接输入一个网址，然后获取网站内容，这时我们的行为是地址 >找> 内容。此谓「正向索引」。
• 通过搜索框来找网站时候，通过：内容 >找> 地址百度搜索直接问问题,而不是找链接.. 此谓「倒排索引」。

倒排索引的核心组成

• 当程序向搜索引擎中添加一条文档时候，会通过一种分词算法，将文档数据进行拆分并记录！
• 文档中拆分的单词组成一个 单词表 ，并生成一个对应的倒排列表 这都可以在文件中查看的…
• 添加的数据，和生成的单词表 单词表，精确记录了，一个单词所拥有的一个文档 id;

• 单词表 和 倒排列表

• 单词词典：记录所有文档的单词，一般都比较大。还会记录单词到倒排列表的关联信息。
• 倒排列表：记录了单词对应的文档集合，由倒排索引项组成。倒排索引项包含如下信息： 文档ID，用于获取原始信息 单词频率TF，记录该单词在该文档中的出现次数，用于后续相关性算分 分越高，用户最先看到！ 位置Position，记录单词在文档中分词的位置，用于语句搜索(phrase query) 偏移Offset，记录单词在文档的开始和结束位置，实现高亮显示，通常在前面加 JS 使其输出页面直接: 高亮显示！

倒排索引的实现

• 当用户通过搜索引擎，去搜索一段话：S1云顶之一最强阵容 当然浏览器并不会，直接通过 S1云顶之一最强阵容 去进行查找，对吧。你百度时候的会出现一模一样的标题吗？
• 搜索引擎会对搜索的数据进行拆分，很多关键字：S1 云顶 最强阵容... +倒排索引进行查找，展示！ 另外中文分词还是比较复杂的，不像英文分词一般用空格分隔就可以。可以通过IK 分词器解决

ElasticaSearch安装

Windows 安装非常简单，开箱即用 linux可以参考：ELK实现日志收集器

解压

注意安装解压，在一个没有 空格和中文 的英文目录下！

• bin: 脚本目录，包括：启动、停止等可执行脚本 启动脚本：elasticsearch.bat
• config: 配置文件目录
• data: 索引目录，存放索引文件的地方
• logs：日志目录
• modules：模块目录，包括了es的功能模块 内置模块
• plugins: 插件目录，es支持插件机制 : 中文分词…等插件！

查看配置：

elasticsearch.yml

cluster.name: wf			#配置elasticsearch的集群名称，默认是elasticsearch。建议修改成一个有意义的名称。
node.name: xc_node_1		#节点名，通常一台物理服务器就是一个节点
network.host: 0.0.0.0		#设置绑定主机的ip地址，设置为0.0.0.0表示绑定任何ip，允许外网访问
http.port: 9200				#端口
transport.tcp.port: 9300	#集群结点之间通信端口node.maste 
node.master: true			#集群中的主节点默认是true,如果原来的master宕机会重新选举新的master.
node.data: true				#指定该节点是否存储索引数据，默认为true.
discovery.zen.ping.unicast.hosts: ["0.0.0.0:9300"] 	#设置集群中master节点的初始列表,多个就逗号隔开配置：["0.0.0.0:9300","0.0.0.0:9200"]
discovery.zen.minimum_master_nodes: 1		#主结点数量的最少值 ,此值的公式为：
node.ingest: true							#为了在 indexing（索引）之前预处理 documents（文档）。
bootstrap.memory_lock: false				#设置为true可以锁住ES使用的内存，避免内存与swap分区交换数据。 
node.max_local_storage_nodes: 2				#单机允许的最大存储结点数，通常单机启动一个结点建议设置为1

#discovery.zen.ping.timeout: 3s 			#设置ES自动发现节点连接超时的时间，默认为3秒，如果网络延迟高可设置大些。 

path.data: D:\WSMwork\elasticsearch\elasticsearch\data	#设置插件的存放路径，默认是es根目录下的plugins文件夹 
path.logs: D:\WSMwork\elasticsearch\elasticsearch\logs	#设置日志文件的存储路径，默认是es根目录下的logs文件夹 

http.cors.enabled: true						#启动跨域支持！
http.cors.allow-origin: /.*/				#支持各种语言的 origin 跨域, 直接使用内置接口完成开发！

• 集群只是一个概念，其实一台服务器也可以称为集群，只有一个elasticsearch的集群环境!

jvm.options 无论是 linux 还是 windows 开启时，要指定提供运行的内存… 当然可以直接给一个默认值

在jvm.options中设置 -Xms和-Xmx： 两个值设置为相等 将 Xmx 设置为不超过物理内存的一半。

log4j2.properties 日志文件设置，注意日志级别的配置。

启动：

进入bin目录，在cmd下运行：elasticsearch.bat 浏览器输入：http://localhost:9200

启动页面，也展示着一些信息：lucene_version的版本...

ES快速入门

ES作为一个索引及搜索服务，对外提供丰富的REST接口

• 因此，对于JS 等工程即使没有集成，只要可以发起请求，直接接口调用也可以完成, 开发

创建索引 相当于数据库的 库

关于索引这个语： 索引两个意思 一个文件 一个查找方式

• 索引（名词） ES是基于Lucene构建的一个搜索服务，它要从索引库搜索符合条件索引数据。
• 索引（动词） 索引库刚创建起来是空的，将数据添加到索引库的过程称为索引。

创建索引库：put

put请求 http://localhost:9200/索引库名称

可选参数设置：JSON格式

{
	"settings": {
		"index": {
			"number_of_shards": 1,   //分片个数
			"number_of_replicas": 0  //备份个数
		}
	}
}

• number_of_shards：分片 对于一个大量的数据进行切分，在多台服务器中存放… 不适合单击应用！ 设置分片的数量，在集群中通常设置多个分片，表示一个索引库将拆分成多片分别存储不同的结点， 提高了ES的处理能力和高可用性，入门程序使用单机环境，这里设置为1 默认为5
• number_of_replicas：备份,创建两个库存储相同的数据.. 设置副本的数量，设置副本是为了提高ES的高可靠性，本次单机环境设置为0，默认值为1

查看索引库：get

创建好了直接 get 相同的地址 就是查看了! , 返回JSON 可以查看信息！

测试：

创建映射 相当于一个 表 /_mapping

注意：

• 6.0之前的版本有type（类型==表名）概念，type相当于关系数据库的表，
• ES官方将在8.0版本中彻底删除type。 暂时把type起一个没有特殊意义的名字.

上边讲的创建索引库相当于关系数据库中的数据库还是表？

• 如果相当于数据库 就表示一个索引库可以创建很多不同类型的文档，这在ES中也是允许的。
• 如果相当于表 就表示一个索引库只能存储相同类型的文档， ES官方建议，在一个索引库中只存储相同类型的文档。

创建映射 put

put请求： post http://localhost:9200/索引库名称/映射名称(类型,表)/_mapping

• 必须 /_mapping 结尾，JSON 属性参数！

’表’ 属性设置！JSON方式定义：

{	
	//properties：固定的配置规则
	"properties": {
		//自定义的列fieid,及类型设置：text keyword...后面详细介绍！
		"name": {
			"type": "text"
		},
		"description": {
			"type": "text"
		},
		"studymodel": {
			"type": "keyword"
		}
	}
}

查看映射：get

Get请求： http://localhost:9200/索引库名称

测试：

创建文档 相当于给表添加数据

创建文档 post 或 put

post 或 put 请求： http://localhost:9200/索引名/映射名/id值

• 传入JSON 参数形式，赋值生成一个Document
• 如果不指定id值ES会自动生成一个唯一ID

根据上面的JSON 模拟一个测试JSON

{
	"name": "Bootstrap开发框架",
	"description": "Bootstrap是由Twitter推出的一个前台页面开发框架，在行业之中使用较为广泛。此开发框架包 含了大量的CSS、JS程序代码，可以帮助开发者（尤其是不擅长页面开发的程序人员）轻松的实现一个不受浏览器限制的 精美界面效果。",
	"studymodel": "201001"
}

查询数据：get

Get请求： http://localhost:9200/索引名/映射名/id值 或 http://localhost:9200/索引名/映射名/_search 查询所有数据！及属性信息

搜索文档

• 查询名称中包括spring 关键字的的记录,还记得上面属性类型 text keyword text支持拆分关键词查询 http://localhost:9200/wsm/w1/_search?q=name:bootstrap 将数据拆分为一组关键词进行查看~
• 查询学习模式为 201001 的记录 http://localhost:9200/wsm/w1/_search?q=studymodel:201001 可以发现studymodel 并不支持关键词拆分查询…

测试：

• took：本次操作花费的时间，单位为毫秒。
• timed_out：请求是否超时
• _shards：说明本次操作共搜索了哪些分片
• hits：搜索命中的记录
• hits.total ： 符合条件的文档总数 hits.hits ：匹配度较高的前N个文档
• hits.max_score：文档匹配得分，这里为最高分
• _score：每个文档都有一个匹配度得分，按照降序排列。
• _source：显示了文档的原始内容。

分词器 /_analyze

注意:

• 一般只有映射的 text 类型, 才可以使用, 分词器.
• 即: 表的，列类型，必须是 text 才可以使用分词器 keyword 不支持使用;

测试分词器

每次新增数据时候，底层就会默认执行了….

• 在添加文档时会进行分词，索引中存放的就是一个一个的词（term）, 当你去搜索时就是拿关键字去匹配词，最终找到词关联的文档。

测试当前索引库使用的分词器： post

post 发送： localhost:9200/_analyze

• text 类型才可以进行分词，而且这里这是测，一段字符数据进行 分词器分词！
• 测试数据： {"text":"中华人民共和国财政部"}

• 因为 elasticsearch 是老外写的，对中文的分词难免会有不同，所以出现了 IK分词器插件
• elasticsearch： plugins: 插件目录 , 允许集成外部的插件，来完成快速的开发！

IK 分词器测试：post

安装IK分词器插件 点击

post请求没什么变化： localhost:9200/_analyze

• 但是对于，JSON 的测试参数后面需要加一段属性配置："analyzer":"ik_max_word" ik 分词器的规则

• 直接运行测试就直接发现结果数据：更符合咱中国人的感觉！

analyzer 两种分词模式

ik分词器有两种分词模式：ik_max_word和ik_smart模式

• ik_max_word 精确拆分 最细粒度的拆分，比如会将：中华人民共和国人民大会堂”拆分为 中华人民共和国、中华人民、中华、华人、人民共和国、人民、共和国、大会堂、大会、会堂等词语。 但这种结果对于搜索引擎并不好，结果多细致，但不能连贯，很难查询到准确的数据！
• ik_smart 粗略拆分 最粗粒度的拆分，比如会将：中华人民共和国人民大会堂”拆分为 中华人民共和国、人民大会堂。 相对来说这样差分的不多，搜索引擎查看的时候，可以更加精确的指定数据！

IK 自定义词库

• 如果要让分词器支持一些专有词语，可以 自定义词库。
• 对于一些 网络热点词汇：吃鸡 云顶… ik 分词器中可能并不会有分词器进行区分… 所以可以支持自定义分词.

Ik 插件安装目录下：config/main.dic 文件夹:

• 可以看到 main.dic文件，中包含了很多常用的关键词，这就是一个Ik的词库

映射 + 常见的映射类型:

映射维护方法: 表的 CURD 操作

CURD:

• 数据库技术中的缩写词: Create创建 Update修改 Retrieve查看 Delete删除

创建映射 post

一个索引只能有, 不多于一个映射! post 请求: http://localhost:9200/索引/映射/_mapping

• JSON 参数设置, 字段;

更新映射 post / put

post put 皆可: http://localhost:9200/索引/映射/_mapping

• 就是正常的, 创建到的请求, 把要更新新增的 列直接加入JSON即可
• 但已有字段不允许更新。 如果要强行更改JSON 运行了, 它并不会 包错/移除… 而是直接增加一个你修改的字段, 原字段不受影响!

查询所有索引的映射 get

GET请求: http://localhost:9200/_mapping

• 查询所有的索引映射
• 可以指定索引查看所有 映射 : http://localhost:9200/索引/_mapping
• 或查看：指定索引/指定映射/_mapping: http://localhost:9200/索引/映射/_mapping

删除映射 delete

Delete 请求: http://localhost:9200/索引

常用映射类型

• 字符串：字符串包括text和keyword两种类型
• 数字：byte、short、integer、long、float、double、
• 时间：date
• 布尔值boolean: true、false
• 数组: array
• 二进制: binary

text文本字段

• text 可以通过analyzer属性指定分词器 👆👆详解
• 通过index属性指定是否索引。 默认为index=true，即要进行索引，只有进行索引才可以从索引库搜索到。 但是也有一些内容不需要索引，比如: 商品图片地址列，只被用来展示图片，不进行搜索图片，拆分关键词… 此时可以将index设置为false

设置映射，属性

{
	"properties": {
		"Field字段/列": {
			"type": "text",
			"index":false
		}
	}
}

测试:

重新创建: 索引/映射/文档 , 文档设置 index=false 在次指定查看是否可以获取到数据!

• index = false 的列, 不难参与查询,不到数据!

keyword关键字字段

keyword字段为关键字字段，通常搜索keyword是按照整体搜索

• 所以创建keyword字段的索引时是不进行分词的，比如：邮政编码、手机号码、身份证等。
• keyword字段通常用于过虑、排序、聚合等。
• 查询方式是精确查询。 查询条件必须和值一样!

测试

• 需要精确的进行, 值的绑定查询!

date日期类型

• 日期类型不用设置分词器
• 通常日期类型的字段用于排序。 通过format设置日期格式

下边的设置允许date字段存储年月日时分秒、年月日及毫秒三种格式。

{
	"properties": {
		"Field字段/列": {
			"type": "date",
			"format": "yyyy-MM-dd HH:mm:ss||yyyy-MM-dd"
		}
	}
}

数值类型

• 尽量选择范围小的类型，提高搜索效率, 减轻内存消耗
• 对于浮点数尽量用 比例因子: 浮点类型的数据于，整型类型数据相比，会比较大占用空间 毕竟，它比整型多小数! 所以比例因子，会进行四舍五入，把浮点的数据变为整数！方便操作！节省空间内存！数据优化．

使用比例因子: 100

{
	"properties": {
		"Field字段/列": {
			"type": "scaled_float", 
			"scaling_factor": 100 
		}
	}
}

• 如果我们输入的价格是23.45则ES中会将23.45乘以100存储在ES中。
• 如果输入的价格是23.456，ES会将23.456乘以100再取一个接近原始值的数 四舍五入得出2346。 使用比例因子的好处是整型比浮点型更易压缩，节省磁盘空间。