ElasticSearch（提高篇）

前言

Elasticsearch的简单入门请参考之前写的一篇文章Elasticsearch简单入门篇，这篇简单介绍啦Elasticsearch的基本安装、Docker安装方法、基本的概念，以及如何使用Java代码实现对Elasticsearch的CRUD操作等入门知识。

内容摘要

1.1.Elastic Stack应用场景

• 网站搜索、代码搜索等（例如生产环境的日志收集 ——格式化分析——全文检索——系统预警）
• 日志管理与分析、应用系统性能分析、安全指标监控等

1.2.Elastic Stack技术架构

Elastic static家族产品

高级架构

Elastic的技术架构可以简单，也可以高级，它是很具有扩展性的，最简单的技术架构就是使用Beats进行数据的收集，Beats是一种抽象的称呼，具体的可以是使用FileBeat收集数据源为文件的数据或者使用TopBeat来收集系统中的监控信息，可以说类似Linux系统中的TOP命令，当然还有很多的Beats的具体实现，再使用logstash进行数据的转换和导入到Elasticsearch中，最后使用Kibana进行数据的操作以及数据的可视化等操作。

当然，在生产环境中，我们的数据可能在不同的地方，例如关系型数据库Postgre，或者MQ，再或者Redis中，我们可以统一使用Logstash进行数据的转换，同时，也可以根据数据的热度不同将ES集群架构为一种冷温热架构，利用ES的多节点，将一天以内的数据称谓热数据，读写频繁，就存放在ES的热节点中，七天以内的数据称之为温数据，就是偶尔使用的数据存放在温节点中，将极少数会用到的数据存放在冷节点中。

1.3.ES基本概念回顾

文档（Document）

Elasticsearch面向文档性，文档就是所有可搜索数据的最小单位。比如，一篇PDF中的内容，一部电影的内容，一首歌等，文档会被序列化成JSON格式，保存在Elasticsearch中，必不可少的是每个文档都会有自己的唯一标识，可以自己指定，也可以由Elasticsearch帮你生成。类似数据库的一行数据。

元数据（标注文档信息）

"_index" : "user",
"_type" : "_doc",
"_id" : "l0D6UmwBn8Enzbv1XLz0",
"_score" : 1.6943597,
"_source" : {
    "user" : "mj",
    "sex" : "男",
    "age" : "18"
}

• _index：文档所属的索引名称。
• _type：文档所属的类型名。
• _id：文档的唯一标识。
• _version：文档的版本信息。
• _score：文档的相关性打分。
• _source：文档的原始JSON内容。

索引（index）

索引是文档的容器，是一类文档的集合，类似关系数据库中的表，索引体现的是一种逻辑空间的概念，每个索引都应该有自己的Mapping定义，用于定义包含文档的字段名和字段类型。其中Shard（分片）体现的是物理空间的一种概念，就是索引中的数据存放在Shard上，因为有啦集群，要保证高空用，当其中一个机器崩溃中，保存在它上的分片数据也能被正常访问，因此，存在啦分片副本。

索引中有两个重要的概念，Mapping和Setting。Mapping定义的是文档字段和字段类型，Setting定义的是数据的不同分布。

类型（Type）

• 在7.0之前，一个index可以创建多个Type。之后就只能一个index对应一个Type。

节点（Node）

一个节点就是一个Elaseticsearch实例，本质就是一个JAVA进程。每一个节点启动后，默认就是一个master eligible节点。就是具备成为master资格的节点，你也可以狠心的指定它没有这个资格（node.master:false），

第一个节点启动后，他就选自己成为Master节点类，每一个节点上都保存了集群状态，但是，只有Master才能修改集群状态信息。集群状态信息就比如：

• 所有的节点信息。
• 所有的索引信息，索引对应的mapping信息和setting信息。
• 分片的路由信息。

分片（shard）

• 主分片：用于解决数据的水平扩展问题，通过主分片就数据分布在集群内的不同节点上，主分片在创建索引的时候就指定了，后面就不允许修改，除非重新定义Index。
• 副本：用于解决高可用的问题，分片是主分片的拷贝。副本分片数可以动态的调整，增加副本数量可以在一定的程度上提高服务的可用性。关于主分片的理解可以如下图，看是怎样实现高可用的，

"settings" : {
    "index" : {
        // 设置主分片数
        "number_of_shards" : "1",
        "auto_expand_replicas" : "0-1",
        "provided_name" : "kibana_sample_data_logs",
        "creation_date" : "1564753951554",
        // 设置副本分片数
        "number_of_replicas" : "1",
        "uuid" : "VVMLRyw6TZeSfUvvLNYXEw",
        "version" : {
            "created" : "7010099"
        }
    }
}

1.4.倒排索引

正排索引：就是文档ID到文档内容的索引，简单讲，就是根据ID找文档。

倒排索引：就是根据文档内容找文档。

倒排索引包含如下信息：

• 单词词典：用于记录所有文档的单词，以及单词到倒排列表的关联关系。
• 倒排列表：记录的是单词对应的文档集合，由倒排索引项组成，其中包含
  • 文档ID
  • 单词出现的次数，用于相关性的评分
  • 单词出现的位置
  • 偏移量，用于记录单词的开始位置和结束位置，用于单词的高亮显示

举例说明什么是正排索引和倒排索引，其中正排索引如下：

文档ID	文档内容
1101	Elasticsearch Study
1102	Elasticsearch Server
1103	master Elasticsearch

讲上例Elasticsearch单词修改为倒排索引，如下：

文档ID（Doc ID）	出现次数（TF）	位置（Position）	偏移量（Offset）
1101	1	0	<0,13>
1102	1	0	<0,13>
1103	1	1	<7,20>

Elasticsearch中的每一个字段都有自己的倒排索引，也可以指定某些字段不做索引，可以节省存储空间，缺点就是不能被搜索到。

1.5.Analyzer分词

Analysis：文本分析，就是将文本转换为单词（term或者token）的过程，其中Analyzer就是通过Analysis实现的，Elasticsearch给我们内置例很多分词器。

• Standard Analyzer：默认的分词器，按照词切分，并作大写转小写处理
• Simple Analyzer：按照非字母切分（符号被过滤），并作大写转小写处理
• Stop Anayzer：停用词（the、is）切分，并作大写转小写处理
• Whitespace Anayzer：空格切分，不做大写转小写处理
• IK：中文分词器，需要插件安装
• ICU：国际化的分词器，需要插件安装
• jieba：时下流行的一个中文分词器。安装方法见附录

PS：Elasticsearch安装插件，[root@34d02ff9d16c elasticsearch]# bin/elasticsearch-plugin install analysis-icu

查看已经安装的插件：bin/elasticsearch-plugin list

1.6.Search API

在ES中，我们可以使用URL Search和Request Body Search进行相关的查询操作。

URL 查询

使用基本的查询

GET /user/_search?q=2012&df=title&sort=year:desc&from=0&size=10
{
	􏲽profile􏲿: true
}

• 使用q指定查询的字符串
• 使用df指定查询的字段
• 使用sort进行排序，使用from和size指定分页
• 使用profile可以查询查询是如何进行查询的

指定所有字段的泛查询

GET /user/_search?q=2012
{
	"profile":"true"
}

指定字段的查询

GET /user/_search?q=title:2012&sort=year:desc&from=0&size=10&timeout=1s
{
	"profile":"true"
}

Term查询

GET /user/_search?q=title:Beautiful Mind
{
	"profile":"true"
}

• 上例中的Beautiful和Mind就是两个Term，Term是查询中最小的单位。
• Term查询是OR的关系，在上例中就是title字段包含Beautiful或者包含Mind都会被检索到。

Phrase查询

GET /user/_search?q=title:"Beautiful Mind"
{
	"profile":"true"
}

• 使用引号表示Phrase查询
• Phrase查询表示的不仅是And的关系，即Title字段中不仅要包含Beautiful Mind，而且。顺序还要一致。

分组查询

GET /user/_search?q=title:(Beautiful Mind)
{
	"profile":"true"
}

• 使用中括号表示分组查询，一般使用Term查询的时候都会带上分组查询。

布尔查询

• 使用 AND、OR、NOT或者||、&&、!
• 还可以使用+（表示must）,使用-（表示must_not）
• 需要注意的是必须大写

GET /user/_search?q=title:(Beautiful NOT Mind)
{
	"profile":"true"
}

GET /user/_search?q=title:(Beautiful %2BMind)
{
	"profile":"true"
}

PS：%2B表示的就是+，上例子表示的就是title字段中既要包含Beautiful，也要包含Mind字段

范围查询

GET /user/_search?q=title:beautiful AND age:[2002 TO 2018%7D
{
	"profile":"true"
}

• 使用[ ]表示闭区间，使用{ }表示开区间，例如age :[* TO 56]
• 使用算术符表示范围，例如year :>=2019 && <=1970

PS：URL Search还有很多查询方式。例如通配符查询，正则插叙，模糊匹配，相似查询，其中通配符查询不建议使用。

Request Body 查询

将查询的条件参数放在Request Body中，调用查询接口，就是Request Body查询，

基本 的查询

POST /movies,404_idx/_search?ignore_unavailable=true
{
  "profile": true,
	"query": {
		"match_all": {}
	}
}

• 使用gnore_unavailable=true可以避免索引404_idx不存在导致的报错
• profile和URL Search查询一样，可以看到查询的执行方式

分页查询

POST /movies/_search
{
  "from":10,
  "size":20,
  "query":{
    "match_all": {}
  }
}

排序查询

POST /movies/_search
{
  "sort":[{"order_date":"desc"}],
  "query":{
    "match_all": {}
  }
}

过滤要查询的字段

POST /movies/_search
{
  "_source":["order_date"],
  "query":{
    "match_all": {}
  }
}

• 如果一个文档中的字段太多，我们不需全部字段显示，就可以使用_source指定字段。可以使用通配符。

使用脚本查询

• 将ES中的文档字段进行一定的处理后，再根据这个新的字段进行排序，

GET /movies/_search
{
  "script_fields": {
    "new_field": {
      "script": {
        "lang": "painless",
        "source": "doc['name'].value+'是大佬'"
      }
    }
  },
  "query": {
    "match_all": {}
  }
}

Term查询

POST /movies/_search
{
  "query": {
    "match": {
      "title": "last christmas"
    }
  }
}

POST movies/_search
{
  "query": {
    "match": {
      "title": {
        "query": "last christmas",
        "operator": "and"
      }
    }
  }
}

• 使用match，表示的就是OR的关系
• 使用operator，表示查询方式

Math_phrase查询

POST movies/_search
{
  "query": {
    "match_phrase": {
      "title":{
        "query": "one love",
         "slop": 4
      }
    }
  }
}

• slop指定查询的字符中允许出现的字符

1.7.Dynamic Mapping

Mapping可以简单的理解为数据库中的Schema定义，用于定义索引中的字段的名称，定义字段的类型，字段的倒排索引，指定字段使用何种分词器等。Dynamic Mapping意思就是在我们创建文档的时候，如果索引不存在，就会自动的创建索引，同时自动的创建Mapping，ElasticSearch会自动的帮我们推算出字段的类型，当然，也会存在推算不准确的时候，就需要我们手动的设置。常用的字段类型如下：

• 简单类型：Text、Date、Integer、Boolean等
• 复杂类型：对象类型和嵌套类型。

我们可以使用GET /shgx/_mapping查询索引的Mapping的设置，需要注意的是以下几点：

• 当我们对索引中的文档新增字段时候，希望可以更新索引的Mapping就可以可以设置Dynamic:true。
• 对于已经有数据的字段，就不再允许修改其Mapping，因为Lucene生成的倒排索引后就不允许修改。

Dynamic Mapping可以设置三个值，分别是：

• true：文档可被索引，新增字段也可被索引，Mapping也会被更新。
• false：文档可被索引，新增字段不能被索引，Mapping不会被更新。
• strict：新增字段写入，直接报错。

如何写Mapping

第一种方式是参考官方API，纯手工写，也可以先创建一个临时的Index让ElasticSearch自动当我们推断出基本的Mapping，然后自己在改吧改吧，最后把临时索引删掉就是啦。下面列举一些常用的Mapping设置属性：

• index：可以设置改字段是否需要被索引到。设置为false就不会生成倒排索引，节省啦磁盘开销
• null_value：可以控制NULL是否可以被索引
• cope_to：将字段值放在一个新的字段中，可以使用新的字段search，但这个字段不会出现在_source中。
• anaylzer：指定字段的分词器
• search_anaylzer：指定索引使用的分词器
• index_options：控制倒排索引的生成结构，有四种情况
  • docs：倒排索引只记录文档ID
  • freqs：记录文档ID和Term
  • positions：记录文档ID、Term和Term Position
  • offsets：记录文档ID、Term、Term Position和offsets

PS：Text类型的字段默认的是Position，其它类型默认的是docs，记录的越多，占用的存储空间就越大。

1.8.Aggregation聚合分析

ElasticSearch不仅仅是搜索强大，他的统计功能也是相当的强大的，聚合分析就是统计整个数据的一个分类数量等，例如武侯区有多少新楼盘。天府新区有多少新楼盘，通过聚合分析我们只需要写一条语句就可以得到。在加上Kibana的可视化分析，简直就是清晰，高效。常用的集合有以下几种：

• Bucket Aggregation：满足特定条件的一些集合，使用关键字terms
• Metric Aggregation：简单的数学运算，对字段进行统计分析，使用关键字min、max、sum、avg等，使用关键字aggs
• Pipeline Aggregation：二次聚合
• Matrix Aggregation：对多个字段进行操作，提供一个结果矩阵

Bucket分析示例

GET kibana_sample_data_flights/_search
{
	"size": 0,
	"aggs":{
		"flight_dest":{
			"terms":{
				"field":"DestCountry"
			}
		}
	}
}

Metric分析示例

GET kibana_sample_data_flights/_search
{
	"size": 0,
	"aggs":{
		"flight_dest":{
			"terms":{
				"field":"DestCountry"
			},
			"aggs":{
				"avg_price":{
					"avg":{
						"field":"AvgTicketPrice"
					}
				},
				"max_price":{
					"max":{
						"field":"AvgTicketPrice"
					}
				},
				"min_price":{
					"min":{
						"field":"AvgTicketPrice"
					}
				}
			}
		}
	}
}

附录一

相关阅读

• 安装docker ：www.docker.com/products/do…
• 安装 docker-compose ：docs.docker.com/compose/ins…
• Elasticsearch + Logstash + Kibana的 docker-compose配置 ：github.com/deviantony/…
• docker安装 Elasticsearch插件 ：www.elastic.co/cn/blog/ela…
• Elasticsearch的中文社区elasticsearch.cn/
• Beats的产品：www.elastic.co/cn/download…
• 不错的中文分词器：github.com/fxsjy/jieba
• 不错的英文分词器：github.com/nltk/nltk
• IK分词器：github.com/medcl/elast…
• THULAC分词器，清华大学自然语言处理系的分词器github.com/thunlp/THUL…
• ES发展史：www.cnblogs.com/wangzhen379…
• ELK6.0部署：：Elasticsearch+Logstash+Kibana搭建分布式日志平台
• ElasticSearch集群可视化工具cerebro
• 测试数据集下载

更多文章，更好的阅读体验，请前往个人网站查看 码酱博客