前言
ES权威指南
1.Java交互
1.1 节点客户端（Node client）
节点客户端作为一个非数据节点加入到本地集群中。换句话说，它本身不保存任何数据，但是它知道数据在集群中的哪个节点中，并且可以把请求转发到正确的节点。
1.2 传输客户端（Transport client）
轻量级的传输客户端可以可以将请求发送到远程集群。它本身不加入集群，但是它可以将请求转发到集群中的一个节点上。
1.3 spring-data-elasticsearch
与Spring框架整合，可以使用java链式风格构建语句或者使用Json请求，构建index可以使用注解方式或模版方式。
2.REST API
3.深入搜索
3.1 term/terms 包含搜索 : 处理数字（numbers）、布尔值（Booleans）、日期（dates）、文本（text）
-{ "term" : { "price" : 20 }}
-{"terms" : { "price" : [20, 30] }}
3.2 bool过滤器 : must、should、must_not
-{ "bool" : { "must" : [], "should" : [], "must_not" : [] }}
-{ "query": { "bool": { "should": [ { "match": { "title": "brown" }}, { "match": { "title": "fox" }}, { "match": { "title": "dog" }} ], "minimum_should_match": 2 } }} //minimum_should_match控制should中多少条件需要被满足，可以是数字可以是百分比，百分比会自动截断
-{"should": [ { "match": { "content": { "query": "Elasticsearch", "boost": 3 } }}, { "match": { "content": { "query": "Lucene", "boost": 2 } }} ]} //boost用来控制条件的权重
3.3 range 范围搜索 :
在倒排索引中的词项就是采取字典顺序（lexicographically）排列的，这也是字符串范围可以使用这个顺序来确定的原因
-"range" :{ "price" : { "gte" : 20, "lte" : 40 }}
-"range" : { "title" : { "gte" : "a", "lt" : "b" }}
3.4 exists、missing 处理null
-{ "exists" : { "field" : "tags" } } //tags字段不为null的
-{ "missing" : { "field" : "tags" } } //tags字段为null的,es5.x废弃
判断一个对象是否为null时，相当于做一个bool判断
-{ "name" : { "first" : "John", "last" : "Smith" }}
-{ "exists" : { "field" : "name" }}
-{ "bool": { "should": [ { "exists": { "field": "name.first" }}, { "exists": { "field": "name.last" }} ] }}
3.5 match 高层查询
-{"match": { "title": "QUICK!" }} //单词查询
-{"match": { "title": { "query": "BROWN DOG!"} }} //多词查询默认是包含关系,即brown/dog
-{"match": { "title": { "query": "BROWN DOG!", "operator": "and" }}} // 多词查询精确匹配
-{"match": { "title": { "query": "quick brown dog", "minimum_should_match": "75%" }}} // 控制匹配精度，这里会自动截断成66.66%，匹配包含2个词以上的文档
Elasticsearch 执行上面这个 match 查询的步骤是：
1) 检查字段类型。如果标题 title 字段是一个 string 类型（ analyzed ）已分析的全文字段，这意味着查询字符串本身也应该被分析。
2) 分析查询字符串。将查询的字符串 QUICK! 传入标准分析器中，输出的结果是单个项 quick 。因为只有一个单词项，所以 match 查询执行的是单个底层 term 查询。
3) 查找匹配文档。用 term 查询在倒排索引中查找 quick 然后获取一组包含该项的文档。
4) 为每个文档评分。用 term 查询计算每个文档相关度评分 _score ，这是种将词频（term frequency，即词 quick 在相关文档的 title 字段中出现的频率）和反向文档频率（inverse document frequency，即词 quick 在所有文档的 title 字段中出现的频率），以及字段的长度（即字段越短相关度越高）相结合的计算方式。
PS: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：
1）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。
2）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。
3）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。
3.6 analyzer 分析器
1）查询自己定义的 analyzer ，否则
2）字段映射里定义的 search_analyzer ，否则
3）字段映射里定义的 analyzer ，否则
4）索引设置中名为 default_search 的分析器，默认为
5）索引设置中名为 default 的分析器，默认为
6）standard 标准分析器
3.7 dis_max 分离最大化查询:将任何与任一查询匹配的文档作为结果返回，但只将最佳匹配的评分作为查询的评分结果返回，比如针对如下文档
(1) { "title": "Quick
brownrabbits", "body": "Brownrabbits are commonly seen."}(2) { "title": "Keeping pets healthy", "body": "My quick
brownfoxeats rabbits on a regular basis."}
使用bool查询，(1)文档匹配中两个，两个评分相加然后除以子查询个数（这里为2），(2)文档匹配中一个，两个评分相加然后除以子查询个数（这里为2），所以(1)文档评分会高一点
{ "query": { "bool": { "should": [ { "match": { "title": "Brown fox" }}, { "match": { "body": "Brown fox" }} ] } }}
使用dis_max查询，(1)文档匹配中两个，两个评分相加然后除以子查询个数（这里为2），(2)文档匹配中一个，只有该评分参与最终评分的计算，所以(2)文档评分会高一点
{ "query": { "dis_max": { "queries": [ { "match": { "title": "Brown fox" }}, { "match": { "body": "Brown fox" }} ] } }}
PS：tie_breaker(0到1之间的数)，提供了一种 dis_max 和 bool 之间的折中选择，它的评分方式如下：(1) 获得最佳匹配语句的评分 _score;(2)将其他匹配语句的评分结果与 tie_breaker 相乘;(3)对以上评分求和并规范化。
{ "query": { "dis_max": { "queries": [ { "match": { "title": "Quick pets" }}, { "match": { "body": "Quick pets" }} ], "tie_breaker": 0.3 } }}
3.8 multi_match 多字段查询，支持正则表达式(可以使用 ^ 字符语法为单个字段提升权重)
{ "multi_match": { "query": "Quick brown fox", "fields": [ "*_title", "chapter_title^2" ] } }
使用"type": "most_fields"将所有匹配字段的评分合并起来
{ "query": { "multi_match": { "query": "jumping rabbits", "type": "most_fields", "fields": [ "title", "title.std" ] } }}
3.9 copy_to 自定义 _all 字段解决跨字段查询问题
{ "mappings": { "person": { "properties": { "first_name": { "type": "string", "copy_to": "full_name" }, "last_name": { "type": "string", "copy_to": "full_name" }, "full_name": { "type": "string" } } } }}
3.10 sort 排序
{"sort": {"date": {"order":"desc"}}}
{"sort": [ { "date": { "order": "desc" }}, { "_score": { "order": "desc" }} ]} //多级排序
{"sort": { "dates": { "order": "asc", "mode": "min" }}} //使用min,avg,max,sum模式
对analyzed字段字符串进行强制排序会消耗大量内存，可以使用多值字段字符串进行排序
"tweet": {
"type": "string",
"analyzer": "english",
"fields": { "raw": { "type": "string", "index": "not_analyzed" } }
}
=>{"sort": "tweet.raw"}