分布式搜索--ElasticSearch概述&环境搭建&分词(一)

ShiShuoMing
119 阅读9分钟

零、前言

elasticsearch是一款非常强大的开源搜索引擎，具备非常多强大功能，可以帮助我们从海量数据中快速找到需要的内容

elasticsearch结合kibana、Logstash、Beats，也就是elastic stack（ELK）。被广泛应用在日志数据分析、实时监控等领域

elasticsearch是elastic stack的核心，负责存储、搜索、分析数据，而数据可视化和数据抓取都可替换成其他技术使用。

elasticsearch底层是基于lucene来实现的。Lucene是一个Java语言的搜索引擎类库，其核心技术是基于倒排索引 ，使得查询性能非常好。

image.png

一、倒排索引

(1)正向索引

倒排索引的概念是相对于MySQL这样的正向索引而得出的。

例如给下表（tb_goods）中的id创建索引：

image.png

  • 如果根据id查询，那么直接走索引，基于B+树，查询速度非常快。这种方式的索引就是正向索引
  • 但如果是基于title做模糊查询，只能是逐行扫描数据，也就是扫描整个表，随着数据量增加，其查询效率也会越来越低。当数据量达到数百万时，那效率就是一场灾难。

(2)倒排索引

  • 倒排索引中有两个非常重要的概念：

    • 文档（Document） ：用来搜索的数据，其中的每一条数据就是一个文档。例如，商品表中的每一个商品，用户表中的每个用户

    • 词条（Term） ：对文档数据或用户搜索数据，利用某种算法分词，得到的具备含义的词语就是词条。例如：我是中国人，就可以分为：我、是、中国人、中国、国人这样的几个词条

创建倒排索引是对正向索引的一种特殊处理，流程如下：

  1. 将每一个文档的数据利用算法分词，得到一个个词条
  2. 创建表，每行数据包括词条、词条所在文档id、位置等信息
  3. 因为词条唯一性，可以给词条创建索引，例如hash表结构索引

image.png

  • 基于倒排索引的搜索流程如下（以搜索"华为手机"为例）：

    1. 用户输入条件"华为手机"进行搜索。
    2. 对用户输入内容分词，得到词条：华为、手机。
    3. 拿着词条在倒排索引中查找，可以得到包含词条的文档id：1、2、3 (2在两个词条对应的文档id均出现，会优先展示)。
    4. 拿着文档id到正向索引中查找具体文档。

虽然要先查询倒排索引，再查询文档，但是无论是词条、还是文档id都建立了索引，查询速度非常快！无需全表扫描。

(3)区别

正向索引是最传统的，根据id索引的方式。但根据词条查询时，必须先逐条获取每个文档，然后判断文档中是否包含所需要的词条，是根据文档找词条的过程。

而倒排索引则相反，是先找到用户要搜索的词条，根据词条得到保护词条的文档的id，然后根据id获取文档。是根据词条找文档的过程。

  • 正向索引：

    • 优点：

      • 可以给多个字段创建索引
      • 根据索引字段搜索、排序速度非常快

    • 缺点：

      • 根据非索引字段，或者索引字段中的部分词条查找时，只能全表扫描。

  • 倒排索引：

    • 优点：

      • 根据词条搜索、模糊搜索时，速度非常快

        • 例如,在浏览器中搜索网页中的部分关键字，搜索引擎

    • 缺点：

      • 只能给词条创建索引，而不是字段
      • 无法根据字段做排序

二、相关概念

elasticsearch中有很多独有的概念，与mysql中略有差别，但也有相似之处。

(1)文档和字段

elasticsearch是面向**文档（Document）**存储的，可以是数据库中的一条商品数据，一个订单信息。文档数据会被序列化为json格式后存储在elasticsearch中： image.png

而Json文档中往往包含很多的字段（Field） ，类似于数据库中的列。

(2)索引和映射

索引（Index） ，就是相同类型的文档的集合。

例如：

  • 所有用户文档，就可以组织在一起，称为用户的索引；
  • 所有商品的文档，可以组织在一起，称为商品的索引；
  • 所有订单的文档，可以组织在一起，称为订单的索引；

image.png

因此，我们可以把索引当做是数据库中的表。

数据库的表会有约束信息，用来定义表的结构、字段的名称、类型等信息。因此，索引库中就有映射（mapping） ，是索引中文档的字段约束信息，类似表的结构约束。

  • 两者各自有自己的擅长之处：

    • Mysql：擅长事务类型操作，可以确保数据的安全和一致性
    • Elasticsearch：擅长海量数据的搜索、分析、计算

  • 因此在企业中，往往是两者结合使用：

    • 对安全性要求较高的写操作，使用mysql实现
    • 对查询性能要求较高的搜索需求，使用elasticsearch实现
    • 两者再基于某种方式，实现数据的同步，保证一致性

三、部署单点elasticsearch

(1)创建网络

因为我们还需要部署kibana容器，因此需要让es和kibana容器互联。这里先创建一个网络：

docker network create es-net

(2)拉取镜像

docker pull elasticsearch:7.12.1

(3)运行

运行docker命令，部署单点es：

docker run -d \
	--name es \
    -e "ES_JAVA_OPTS=-Xms512m -Xmx512m" \
    -e "discovery.type=single-node" \
    -v es-data:/usr/share/elasticsearch/data \
    -v es-plugins:/usr/share/elasticsearch/plugins \
    --privileged \
    --network es-net \
    -p 9200:9200 \
    -p 9300:9300 \
elasticsearch:7.12.1

命令解释：

  • --name：设置名称
  • -e "ES_JAVA_OPTS=-Xms512m -Xmx512m"：内存大小
  • -e "discovery.type=single-node"：非集群模式
  • -v es-data:/usr/share/elasticsearch/data：挂载逻辑卷，绑定es的数据目录
  • -v es-logs:/usr/share/elasticsearch/logs：挂载逻辑卷，绑定es的日志目录
  • -v es-plugins:/usr/share/elasticsearch/plugins：挂载逻辑卷，绑定es的插件目录
  • --privileged：授予逻辑卷访问权
  • --network es-net ：加入一个名为es-net的网络中
  • -p 9200:9200：暴露ttp协议端口映射配置
  • -p 9300:9300：各个节点互连端口映射配置

在浏览器中输入：http://120.55.95.185:9200 即可看到elasticsearch的响应结果：

image.png

如此表明我们部署成功啦

四、部署kibana

kibana可以给我们提供一个elasticsearch的可视化界面，便于我们学习，其中Dev Tools工具可以让我们非常方便的去编写DSL语句。

(1)拉取镜像

这里我们也采用kibana的7.12.1版本的镜像，需要与elasticsearch保持一致。

docker pull kibana:7.12.1

(2)运行

运行docker命令，部署kibana

docker run -d \
--name kibana \
-e ELASTICSEARCH_HOSTS=http://es:9200 \
--network=es-net \
-p 5601:5601  \
kibana:7.12.1

命令解读：

  • --network es-net ：加入一个名为es-net的网络中，与elasticsearch在同一个网络中

  • -e ELASTICSEARCH_HOSTS=http://es:9200"：设置elasticsearch的地址，因为kibana已经与elasticsearch在一个网络，因此可以用容器名直接访问elasticsearch

  • -p 5601:5601：http暴露端口映射配置

kibana启动一般比较慢，在浏览器输入地址访问：http://120.55.95.185:5601，看到此页面即表明成功 image.png

Add data会帮我们导入一些数据，Explore on my own不会，可以自己玩。我们选择第二个

(3)Dev Tools开发工具

kibana中提供了一个DevTools界面，可以在这个界面中编写DSL来操作elasticsearch。并且对DSL语句有自动补全功能：

image.png

五.安装IK分词器

(1) 分词器作用

es在创建倒排索引时需要对文档进行分词；在搜索时，需要对用户输入内容分词。但默认的分词规则对中文处理并不友好，因此我们需要安装其他合适的分词器。

(2)在线安装ik插件（较慢)

# 进入容器内部
docker exec -it elasticsearch /bin/bash

# 在线下载并安装
./bin/elasticsearch-plugin  install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.12.1/elasticsearch-analysis-ik-7.12.1.zip

#退出
exit

#重启容器
docker restart es

(3)离线安装ik插件（推荐）

(3.1)查看数据卷目录

安装插件需要知道elasticsearch的plugins目录位置，而我们用了数据卷挂载，因此需要查看elasticsearch的数据卷目录，通过下面命令查看:

docker volume inspect es-plugins

image.png

说明plugins目录被挂载到了：/var/lib/docker/volumes/es-plugins/_data 这个目录中。

(3.2)切换到插件数据卷中
cd /var/lib/docker/volumes/es-plugins/_data
(3.3) 上传到es容器

image.png 将文件夹上传到服务器中，也可以自己去GitHub下载7.12.1版本压缩包。

(3.4) 重启容器
docker restart es
(3.5) 测试

IK分词器包含两种模式：

  • ik_smart：最少切分，粗粒度，搜索到概率较小但比较节省内存
  • ik_max_word：最细切分，细粒度，搜索到概率更大但比较占用内存

image.png

image.png

六、扩展、停用词词典

随着互联网的发展，“造词运动”也越发的频繁。出现了很多新的词语，在原有的词汇列表中并不存在，会被分为单个字。比如：“奥力给”，“白嫖” 等(上述有效果是已经配置好了)。

所以我们的词汇也需要不断的更新，IK分词器提供了扩展词汇的功能。

1. 打开IK分词器config目录：

cd /var/lib/docker/volumes/es-plugins/_data/ik/config

2. 打开IKAnalyzer.cfg.xml配置文件并添加如下内容：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties>
        <comment>IK Analyzer 扩展配置</comment>
        <!--用户可以在这里配置自己的扩展字典 *** 添加扩展词典-->
        <entry key="ext_dict">ext.dic</entry>
        <!--用户可以在这里配置自己的扩展停止词字典 *** 添加停用词词典--> 
        <entry key="ext_stopwords">stopword.dic</entry>
</properties>

3.在config目录中新建一个ext.dic，stopword.dic文件

touch stopword.dic
touch ext.dic

4.打开文件并垂直添加停用词

停用词文件可添加 ：啊，的，哦。 等无意义的词语

扩展词文件可添加网络热词等词语

5.重启elasticsearch容器

docker restart es

6.测试

image.png

注意文件的编码必须是 UTF-8 格式，严禁使用Windows记事本编辑

avatar
文章
阅读
粉丝