kibana对Elasticsearch做增删改查操作，以及一些聚合查询

kibana是一个可视化平台，设计出来用于和Elasticsearch一起使用的。你可以用kibana搜索、查看、交互存放在Elasticsearch索引里的数据。

准备工作:Elasticsearch启动完毕，elasticsearch-head启动完毕 kibana 启动完毕

然后访问http://localhost:5601,点击Dev Tools，就是以下图片的界面.

 然后我们就可以对Elasticsearch做增删改查数据的操作了

1.先添加索引也就是数据库的库名

PUT test_data
{
  "settings": {
    "index":{
        "number_of_shards":5,
        "number_of_replicas":1
    }
  }
}

添加成功，会在Elasticsearch-head 中查看是否多出来一个索引

 2.继续添加类型和数据

#test_data索引名称，相当于数据库名称 
#product 类型，相当于数据库的表名
#1就是要存储数据的id，不写的话默认给一个长字符串
PUT test_data/product/1
{
  "name":"华为电脑",
  "address":"深圳",
  "price":9600,
  "creat_time":"2019-01-02"
}

Elasticsearch-head就有数据了

 3.修改某个字段的数据

#修改
POST test_data/product/3/_update
{
  "doc":{
    "price":5835
  }
}

4.删除一条记录

#删除
DELETE test_data/product/3

5.删除index，删除整个库

#删除索引
DELETE test_data

6. 获取设置信息

GET test_data/_settings

7.获取所有的设置

GET _all/_settings

这样一个简单的增删改查就弄好了

接下来用添加好的数据做一些简单的聚合分析，一些统计，求最大数，最小数，平均值等等

1.根据商品名称计算每个商品数量

#计算每种电脑有多少数量
GET test_data/product/_search
{
  "size": 0,
  "aggs": {
    "group_by_name": {
      "terms": {
        "field": "name.keyword"
      }
    }
  }
}
#size:只获取聚合结果，而不执行聚合原始数据
#aggs:固定语法，要对一份数据执行分组聚合操作
#group_by_name:就是对每个aggs，都要起一个名字，这个名字是随机的，你随便取什么都ok
#terms：根据字段的值进行分组
#field：根据指定的字段的值进行分组

 对返回的数据分析

hits.hits:指定了size是0，所以hits.hits为空，否则会把执行聚合的那些原始数据给你返回回来

aggregations:聚合结果                         group_by_name：我们指定的某个聚合的名称

buckets：根据我们指定的field划分出的buckets           key：每个bucket对应的那个值

doc_count：这个bucket分组内，有多少个数据           默认的排序规则：按照doc_count降序排序

2.计算北京地区，统计地址的数量

#计算北京地区，统计地址的数量
GET test_data/product/_search
{
  "size": 0,
  "query": {
    "match": {
        "address": "深圳"
    }
  },
  "aggs": {
    "all_names": {
      "terms": {
        "field": "address.keyword"
      }
    }
  }
}

返回的数据

 3.计算每个商品下的平均价格/最小价格/最大价格/总价

#计算北京地区，统计地址的数量
GET test_data/product/_search
{
  "size": 0,
  "aggs": {
    "group_by_names":{
      "terms": {"field": "name.keyword"},
      "aggs": {
        "avg_price":{"avg": {"field": "price"}},
        "min_price":{"min": {"field": "price"}},
        "max_price":{"max": {"field": "price"}},
        "sum_price":{"sum": {"field": "price"}}
      }
    }
  }
}
#count:buckets,terms,自动就会有一个doc_count,就相当于是count
#avg:avg aggs 求平均值
#max:求一个bucket内，指定field值最大的那个数据
#min：求一个bucket内，指定field值最小的那个数据
#sum：求一个bucket内，指定field值的总和先分组，再算每组的平均值

 返回结果

avg_price：我们自己取的metric aggs的名字
value：我们的metric计算的结果，每个bucket中的数据的price字段求平均值后的结果

4.计算商品下的平均价格，并且按照平均价格降序排列

collect_mode

对于子聚合的计算，有两种方式：

• depth_first 直接进行子聚合的计算
• breadth_first 先计算出当前聚合的结果，针对这个结果在对子聚合进行计算。

"order": { "avg_price": "desc" }

#计算商品下的平均价格，并且按照平均价格降序排列
GET test_data/product/_search
{
  "size": 0,
  "aggs": {
   "all_names":{
     "terms": { "field": "name.keyword","collect_mode": "breadth_first","order": {
       "avg_price": "desc"}},
       "aggs": {
         "avg_price": {
           "avg": {"field": "price"}
         }
       }
     }
  }
}

返回结果

 5.按照指定的价格范围区间进行分组，然后在每组内再按照name进行分组，最后再计算每组的平均价格 

"ranges": [{},{}]

#按照指定的价格范围区间进行分组，然后在每组内再按照name进行分组，最后再计算每组的平均价格  ranges:[{}]
GET test_data/product/_search
{
  "size": 0,
  "aggs": {
   "group_by_price":{
      "range": {
        "field": "price",
        "ranges": [
          {
            "from": 50,
            "to": 4000
          }
        ]
      },
      "aggs": {
        "group_by_names": {
          "terms": {
            "field": "name.keyword"
          },
          "aggs": {
            "avg_price": {
              "avg": {
                "field": "price"
              }
            }
          }
        }
      }
     }
  }
}

返回结果

6.histogram

类似于terms，也是进行bucket分组操作，接收一个field，按照这个field的值的各个范围区间，进行bucket分组操作

interval：10，划分范围，0~10，10~20，20~30

#histogram
GET test_data/product/_search
{
  "size": 0,
  "aggs": {
   "price":
   {
     "histogram": {
       "field": "price",
       "interval": 6000
     },
     "aggs": {
       "revenue": {
         "sum": {
           "field": "price"
         }
       }
     }
   }
  }
}

返回结果

7.date histogram

按照我们指定的某个date类型的日期field，以及日期interval，按照一定的日期间隔，去划分bucket

date interval = 1m，  2017-01-01~2017-01-31，就是一个bucket        2017-02-01~2017-02-28，就是一个bucket

然后会去扫描每个数据的date field，判断date落在哪个bucket中，就将其放入那个bucket

min_doc_count：即使某个日期interval，2017-01-01~2017-01-31中，一条数据都没有，那么这个区间也是要返回的，不然默认是会过滤掉这个区间的

min_doc_count：即使某个日期interval，2017-01-01~2017-01-31中，一条数据都没有，那么这个区间也是要返回的，不然默认是会过滤掉这个区间的

GET test_data/product/_search
{
  "size": 0,
  "aggs": {
    "time":{
      "date_histogram": {
        "field": "creat_time",
        "interval": "month",
        "format": "yyyy-MM-dd",
        "min_doc_count": 0,
        "extended_bounds":{
          "min":"2019-01-01",
          "max":"2019-01-02"
        }
      }
    }
  }
}

返回数据

8.global

就是global bucket，就是将所有数据纳入聚合的scope，而不管之前的query

GET test_data/product/_search
{
  "size": 0,
  "query": {
    "term": {
      "brand": {
        "value": "华为电脑"
      }
    }
  },
  "aggs": {
    "single_brand_avg_price": {
      "avg": {
        "field": "price"
      }
    },
    "all":{
      "global": {},
      "aggs": {
        "all_brand_avg_price": {
          "avg": {
            "field": "price"
          }
        }
      }
    }
  }
}
#single_brand_avg_price：就是针对query搜索结果，执行的，拿到的，就是华为电脑的平均价格
#all.all_brand_avg_price：拿到所有品牌的平均价格

返回结果