elasticsearch-权威指南笔记-基础部分
参考这里的文档es权威指南
话说这个坑爹的文档是2.x版本的es，英文版本也是，所以就没啥好抱怨的了。
官方教程中有很多坑
例如，需要启动text上的索引。
还有就是get这个是不能带json的，所以很多get的操作其实都是直接用post。
关于集群
- 所有节点都是平等的，除了主节点。
- 任何节点都可接受查询并且了解所有文档所处位置。
- 默认每个分片都有一个副本，而且分布在不同的节点上，保证数据安全。
- 一个索引有多个分片，这个似乎是为了提高性能。
- 主分片数目是固定的，创建索引的时候指定，但是副本可以是随时添加的
关于文档
- es中文档就是一个数据记录，json格式
- _index, _type, _id唯一确定了一个文档
- _id基本是不冲突的
- 直接使用head就能在不返回的情况下查询文档是否存在，这个其实可以有其他的实现方式吧。
- 更新之后，旧文档就无法访问了，蛋疼，还以为这个功能可以实现版本控制。
- 可以用PUT /website/blog/123?op_type=create或者PUT /website/blog/123/_create确保创建新文档而不是更新已有文档。
- delete操作其实是更新文档版本加标记文档为已删除，这么做是为了跨节点同步，最终文档会被删除。
- 关于版本控制
- es使用版本号控制文档更新和并发
- 内部版本一定是递增的
- 可以用PUT /website/blog/1?version=1方式来指定对版本号1进行修改，如果版本号已变则操作失败，这样可以保证冲突的情况下，不会出现未知问题。
- 所有文档的更新或删除 API，都可以接受
version参数 - 可以通过PUT /website/blog/2?version=5&version_type=external的方式来使用外部api。
- 可以通过/website/blog/1/_update这种的方式进行文档的部分更新，这个过程内部实际上就是post一个新文档过去，只不过省了一些操作而已
- update还有一种操作是可以用脚本，不过看上去都是一些比较简单的脚本，另外脚本默认是禁用的。
- update的操作，必须是已经存在的文档，如果不存在会出现错误。
- 获取多个文档，可以通过GET /_mget进行，而且灵活性比较大，可以在index下或者type下进行mget，参数是比较灵活的，而且某个文档没有不妨碍其他文档被检索到。
- bulkapi的处理有点蛋疼，它是给一个操作，指定相应的文档，然后给操作的body，一行行来的，python的api中，也遵循这个结构。
- 路由分片，也就是用hash%shards的方式，计算文档属于哪个分片，挺常用的技巧。
- 一个修改操作，将会由任何持有主分片的节点执行，但是结果会被同步转发到所有的分片副本节点，结果全部完成后才会发给客户端。
- 一个查询操作，任何主分片或者副本分片都可以响应，而且为了更大的性能，这个查询还会被负载均衡一下。
- update的请求转发，不是只转发操作，而是转发整个文档。看来es的内部通信还是挺大的流量的。
- mget内部会被分解为多个操作，由多个节点执行完后，由被访问节点构建最终的回复。
- bulk奇怪的结构是因为，这样的结构可以一边读取操作的数据，一边转发所有的操作到对应的分片节点，效率比较高。
查询
well， for search
似乎6.x开始就不能在一个index下用多个type了，7.x直接没有type了，这个倒是简洁了，不过还是有点蛋疼。
搜索的结果还是很多信息的，不过都是json的，挺好理解。
搜索的url可以用来组合多个index和type，还能用通配符。
跟mongo差不多的skip方式GET /_search?size=5&from=10
简单查询使用url参数，以get方式进行
有一个默认的_all字段，等于是一个对整个文档的组合，默认在这上面查询。
es里面有精确查询和全文查询的区别，对于文本是全文查询的，而日期之类有精确查询的功能。
倒排索引，蛋疼。。。
分析分析要索引的文档以及查询的关键词，其中包含分词器。分词器有默认的，但是我们要的是自己定义的。有些分析器支持拼音检索，或者首字母检索。
虽然说，get的查询方式带body是被es支持的，但是真心不推荐用，因为很多时候都不好用。
查询语句，貌似其本质跟mongo的真没啥太大的区别，就是形式上不太一样而已：
{
"bool": {
"must": { "match": { "tweet": "elasticsearch" }},
"must_not": { "match": { "name": "mary" }},
"should": { "match": { "tweet": "full text" }},
"filter": { "range": { "age" : { "gt" : 30 }} }
}
}查询分为查询与过滤，查询是给结果进行排序的，而且比较慢，过滤则是直接给出结果，所以比较快。
几种基本查询：
{ "match_all": {}}{ "match": { "age": 26 }} { "match": { "date": "2014-09-01" }} { "match": { "public": true }} { "match": { "tag": "full_text" }}{ "multi_match": { "query": "full text search", "fields": [ "title", "body" ] } }{ "range": { "age": { "gte": 20, "lt": 30 } } }{ "term": { "age": 26 }} { "term": { "date": "2014-09-01" }} { "term": { "public": true }} { "term": { "tag": "full_text" }} 这个只适用于精确查询，也就是字符串不会被解析。{ "terms": { "tag": [ "search", "full_text", "nosql" ] }}{ "exists": { "field": "title" } } 只要有就返回，不解析内容 missing被删掉了，所以需要用bool和must_not来进行组合，蛋疼
可以用bool来组合多查询
must文档 必须 匹配这些条件才能被包含进来。must_not文档 必须不 匹配这些条件才能被包含进来。should如果满足这些语句中的任意语句，将增加_score，否则，无任何影响。它们主要用于修正每个文档的相关性得分。filter必须 匹配，但它以不评分、过滤模式来进行。这些语句对评分没有贡献，只是根据过滤标准来排除或包含文档。这个不会被评分，很快而且内部有优化。
一个很复杂的查询。 { "bool": { "must": { "match": { "title": "how to make millions" }}, "must_not": { "match": { "tag": "spam" }}, "should": [ { "match": { "tag": "starred" }} ], "filter": { "bool": { "must": [ { "range": { "date": { "gte": "2014-01-01" }}}, { "range": { "price": { "lte": 29.99 }}} ], "must_not": [ { "term": { "category": "ebooks" }} ] } } } }不评分的查询，很快，而且也很常用。
{ "constant_score": { "filter": { "term": { "category": "ebooks" } } } }排序就是应用了sort关键字，但是需要注意，排序之后，不再计算score
GET /_search { "query" : { "bool" : { "filter" : { "term" : { "user_id" : 1 }} } }, "sort": { "date": { "order": "desc" }} }
Elasticsearch 的相似度算法 被定义为检索词频率/反向文档频率， TF/IDF ，包括以下内容
检索词频率 检索词在该字段出现的频率？出现频率越高，相关性也越高。 字段中出现过 5 次要比只出现过 1 次的相关性高。 反向文档频率 每个检索词在索引中出现的频率？频率越高，相关性越低。检索词出现在多数文档中会比出现在少数文档中的权重更低。 字段长度准则 字段的长度是多少？长度越长，相关性越低。 检索词出现在一个短的 title 要比同样的词出现在一个长的 content 字段权重更大。
索引管理
直接put数据就可以创建索引，但是这时候的索引是默认的，可能不具备很多特性
主分片，创建好了就不能修改了，副本可以随时扩增，甚至可以为0。
分析器的配置，看一个自定义的例子
PUT /my_index
{
"settings": {
"analysis": {
"char_filter": {
"&_to_and": {
"type": "mapping",
"mappings": [ "&=> and "]
}},
"filter": {
"my_stopwords": {
"type": "stop",
"stopwords": [ "the", "a" ]
}},
"analyzer": {
"my_analyzer": {
"type": "custom",
"char_filter": [ "html_strip", "&_to_and" ],
"tokenizer": "standard",
"filter": [ "lowercase", "my_stopwords" ]
}}
}}}目前已经不允许在同一个索引中创建两个以上的type，7.x会直接移除type
_source作为一个保存原始文档的手段，是可以被禁用的，这个觉得有点奇怪。
dynamic可以被关掉，而且可以针对每一个field单独开关。
动态映射模板，用于默认的行为不符合我们的要求的情况下，似乎平时不太能用到，如果系统规划做的很合适的话：
PUT /my_index
{
"mappings": {
"my_type": {
"dynamic_templates": [
{ "es": {
"match": "*_es",
"match_mapping_type": "string",
"mapping": {
"type": "string",
"analyzer": "spanish"
}
}},
{ "en": {
"match": "*",
"match_mapping_type": "string",
"mapping": {
"type": "string",
"analyzer": "english"
}
}}
]
}}}一般来说，需要事先规划好索引的mapping等，但是计划总没有变化快，偶尔还是需要对索引进行设置变更，但是既存的是无法修改设置的，所以要么重建一个，复制数据，要么就用alias建一个索引别名。alias通常更快。
感觉alias其实就是在同一份数据上，进行了不同的倒排表的创建。
步骤，有点奇怪这些json的文档描述是怎么定义的
用新的设置创建新的索引
创建alias
PUT /my_index_v2 { "mappings": { "my_type": { "properties": { "tags": { "type": "string", "index": "not_analyzed" } } } } } POST /_aliases { "actions": [ { "remove": { "index": "my_index_v1", "alias": "my_index" }}, { "add": { "index": "my_index_v2", "alias": "my_index" }} ] }
吐槽，难怪es引入版本和各种文档更新的手段，es内部的数据是写完了就不改的，新追加的数据不会导致以前的索引重建，而是直接新建一块索引，并将原来的索引加入新建的索引块，所以es中的文档可以认为都是只读的。因而查询效率比较高，但是也引入了很多的问题。
最终，所有新建的索引都会被合并优化。这是后台低优先级执行的，所以不要指望每天有大量数据写入的情况下还能很好的合并优化，除非机器资源很足。
es的文档索引并不是实时的，有个1S的间隔，但是这个一般足够长了，如果不够的话，可以手动刷新，用
POST /_refresh
POST /blogs/_refresh 另外刷新的频率是可以i设置的
PUT /my_logs
{
"settings": {
"refresh_interval": "30s"
}
}映射
- 映射就是为了让es知道某个文档应该怎么去分析。
- 核心简单域类型
- 字符串:
text - 整数 :
byte,short,integer,long - 浮点数:
float,double - 布尔型:
boolean - 日期:
date
- 字符串:
- 6.x以后，就已经没有string了，都是text类型
- 空值不会被索引
- 话说，多层次的（nested）object会被扁平化处理，这个是内部的处理，不需要外部知道。
关于URL
url中的一些特殊字段都是有特殊含义的，例如_search, _mapping之类的。
posted on 2018-04-14 22:33 dwSun 阅读(...) 评论(...) 编辑 收藏