Elasticsearch学习笔记（二）Elasticsearch入门
文章目录
- Elasticsearch系列文章目录
- elasticsearch术语简介
- 索引
- **倒排索引**
- 文档
- 创建索引
- 自定义ID
- 让ES自动生成ID
- 查询索引
- 简单查询
- 检查索引是否存在
- 带参数查询
- **DSL(Domain Specific Language特定领域语言)**
- 复杂查询
- 只查询一部分字段
- 全文搜索
- 短语搜索
- 高亮我们的搜索
- 聚合**aggregations**
- 更新文档
- 删除文档
Elasticsearch系列文章目录
- Elasticsearch学习笔记（一）Elasticsearch2.4.2安装
- Elasticsearch学习笔记（二）Elasticsearch入门
- Elasticsearch学习笔记（三）Elasticsearch5.1.2安装
- Elasticsearch学习笔记（四）版本控制[并发安全]
- Elasticsearch学习笔记（五）批量操作
- Elasticsearch学习笔记（六）Elasticsearch分布式集群值helloWord
- Elasticsearch学习笔记（七）Elasticsearch分布式集群工作原理简介
elasticsearch术语简介
Elasticsearch是一个分布式的文档(document)存储引擎。它可以实时存储并检索复杂数据结构——序列化的JSON文档
当然，我们不仅需要存储数据，还要快速的批量查询。虽然已经有很多NoSQL的解决方案允许我们以文档的形式存储对象，但它们依旧需要考虑如何查询这些数据，以及哪些字段需要被索引以便检索时更加快速。
在Elasticsearch中，每一个字段的数据都是默认被索引的。也就是说，每个字段专门有一个反向索引用于快速检索。而且，与其它数据库不同，它可以在同一个查询中利用所有的这些反向索引，以惊人的速度返回结果。
本文我们将探讨如何使用API来创建、检索、更新和删除文档
索引
在Elasticsearch中存储数据的行为就叫做索引(indexing)
在Elasticsearch中，文档归属于一种类型(type),而这些类型存在于**索引(index)**中，我们可以画一些简单的对比图来类比传统关系型数据库：
Relational DB -> Databases -> Tables -> Rows -> Columns
Elasticsearch -> Indices -> Types -> Documents -> Fields
Elasticsearch集群可以包含多个索引(indices)（数据库），每一个索引可以包含多个类型(types)（表），每一个类型包含多个文档(documents)（行），然后每个文档包含多个字段(Fields)（列）。
倒排索引
传统数据库为特定列增加一个索引，例如B-Tree索引来加速检索。Elasticsearch和Lucene使用一种叫做**倒排索引(inverted index)**的数据结构来达到相同目的。具体倒排索引后续再讲。
文档
什么是文档？简单来讲，一个文档就对应于关系型数据库中的一张表，field对应于数据库中的一个字段。可以参考《Elasticsearch学习笔记（二）Elasticsearch入门》中的对应关系。
- 文档元数据
一个文档不只有数据。它还包含了元数据(metadata)——关于文档的信息。三个必须的元数据节点是：
| 节点 | 说明 |
|---|---|
_index |
文档存储的地方 |
_type |
文档代表的对象的类 |
_id |
文档的唯一标识 |
来看一下之前存入数据库中的数据，在我们存入数据的基础上，Elasticsearch额外添加了这三个字段：
- 索引名字必须是全部小写，不能以下划线开头，不能包含逗号。事实上，我们的数据被存储和索引在 分片(shards) 中，索引只是一个把一个或多个分片分组在一起的逻辑空间。
_type的名字可以是大写或小写，不能包含下划线或逗号- 当创建一个文档，你可以自定义
_id，也可以让Elasticsearch帮你自动生成。 - 元数据不仅仅只有3个，还有很多，后续再讲
创建索引
自定义ID
我们创建一个员工目录，我们将进行如下操作：
- 为每个员工的 文档(document) 建立索引，每个文档包含了相应员工的所有信息。
- 每个文档的类型为
employee。 employee类型归属于索引megacorp。megacorp索引存储在Elasticsearch集群中。
其实一条curl命令即可完成新建索引的工作：
curl -XPUT 'http://10.104.29.19:9211/megacorp/employee/1' -d '
{
"first_name" : "John",
"last_name" : "Smith",
"age" : 25,
"about" : "I love to go rock climbing",
"interests": [ "sports", "music" ]
}'
但是直接这样请求报错:index_not_found_exception,那我们就先创建一个index:
curl -XPUT 'http://10.104.29.19:9211/megacorp/'
结果：
[root@vm-29-19-pro01-bgp config]# curl -XPUT 'http://10.104.29.19:9211/megacorp/'
{"acknowledged":true}
然后在执行上面的创建索引命令即可。
当然除了直接用curl命令，也可以使用head插件:
让我们来看下生成的索引：
可以看到elasticsearch自动添加了一个_score，score是评分相关的，是搜索引擎中很重要的一个参数。关于score后续再讲。
还有一个_version，Elasticsearch中每个文档都有版本号，每当文档变化（包括删除）都会使_version增加。后续我们将探讨如何使用_version号确保你程序的一部分不会覆盖掉另一部分所做的更改（多版本并发控制，线程安全）。
让ES自动生成ID
想让ES自动生成ID简单，只需要使用POST即可：
自动生成的ID有22个字符长，URL-safe, Base64-encoded string universally unique identifiers, 或者叫 UUIDs。
查询索引
简单查询
可以使用curl命令直接查询
[root@vm-29-19-pro01-bgp config]# curl -i -XGET '10.104.29.19:9211/megacorp/employee/1'
HTTP/1.1 200 OK
Content-Type: application/json; charset=UTF-8
Content-Length: 205
{"_index":"megacorp","_type":"employee","_id":"1","_version":1,"found":true,"_source":{"first_name":"John","last_name":"Smith","age":25,"about":"I love to go rock climbing","interests":["sports","music"]}}
也可以使用head插件来查：
GET请求返回的响应内容包括
{"found": true}。这意味着文档已经找到。如果我们请求一个不存在的文档，依旧会得到一个JSON，不过found值变成了false。
我们通过HTTP方法
GET来检索文档，同样的，我们可以使用DELETE方法删除文档，使用HEAD方法检查某文档是否存在。如果想更新已存在的文档，我们只需再PUT一次。
检查索引是否存在
一种方式是通过上面的查询返回结果中的found字段判断，另一种是通过查看curl的返回头部信息（其实当found=false时就会返回404错误码）：
[root@vm-29-19-pro01-bgp whatslive-api]# curl -i -XHEAD http://10.104.29.19:9211/website/blog/124
HTTP/1.1 404 Not Found
es.resource.id: website
es.resource.type: index_expression
es.index: website
Content-Type: text/plain; charset=UTF-8
Content-Length: 0
带参数查询
/megacorp/employee/_search
接下来除非特殊情况，就不截图了，还是直接列出请求和结果比较好。
请求curl -i -XGET '10.104.29.19:9211/megacorp/employee/_search'
结果：
{
"took": 9,
"timed_out": false,
"_shards": {
"total": 5,
"successful": 5,
"failed": 0
},
"hits": {
"total": 3,
"max_score": 1.0,
"hits": [{
"_index": "megacorp",
"_type": "employee",
"_id": "2",
"_score": 1.0,
"_source": {
"first_name": "Jane",
"last_name": "Smith",
"age": 32,
"about": "I like to collect rock albums",
"interests": ["music"]
}
},
{
"_index": "megacorp",
"_type": "employee",
"_id": "1",
"_score": 1.0,
"_source": {
"first_name": "John",
"last_name": "Smith",
"age": 25,
"about": "I love to go rock climbing",
"interests": ["sports",
"music"]
}
},
{
"_index": "megacorp",
"_type": "employee",
"_id": "3",
"_score": 1.0,
"_source": {
"first_name": "Douglas",
"last_name": "Fir",
"age": 35,
"about": "I like to build cabinets",
"interests": ["forestry"]
}
}]
}
}
查询结果中有集群的信息shards和命中数，也就是查询结果数。
- 搜索姓氏中包含 Smith 的员工
curl -XGET '10.104.29.19:9211/megacorp/employee/_search?q=last_name:Smith'
或head插件中：
DSL(Domain Specific Language特定领域语言)
DSL查询(Query DSL),它允许你构建更加复杂、强大的查询。
DSL(Domain Specific Language特定领域语言) 以JSON请求体的形式出现。其实上面使用head插件截图的查询方式就是DSL。
复杂查询
复杂查询一般使用DSL来构建
我们查询“last_name=Smith并且30岁以上的员工”
{
"query": {
"filtered": {
"filter": {
"range": {
"age": {
"gt": 30
}
}
},
"query": {
"match": {
"last_name": "Smith"
}
}
}
}
}
- 这部分查询属于区间过滤器(range filter),它用于查找所有年龄大于30岁的数据——
gt为"greater than"的缩写。 - 这部分查询与之前的
match**语句(query)**一致。
结果：
{
"took": 8,
"timed_out": false,
"_shards": {
"total": 5,
"successful": 5,
"failed": 0
},
"hits": {
"total": 1,
"max_score": 0.30685282,
"hits": [{
"_index": "megacorp",
"_type": "employee",
"_id": "2",
"_score": 0.30685282,
"_source": {
"first_name": "Jane",
"last_name": "Smith",
"age": 32,
"about": "I like to collect rock albums",
"interests": ["music"]
}
}]
}
}
只查询一部分字段
- 只显示数据，不显示其他额外信息
megacorp/employee/1/_source
{
"first_name": "John",
"last_name": "Smith",
"age": 25,
"about": "I love to go rock climbing",
"interests": ["sports",
"music"]
}
- 只查询一部分字段
megacorp/employee/1?_source=about,age
{
"_index": "megacorp",
"_type": "employee",
"_id": "1",
"_version": 1,
"found": true,
"_source": {
"age": 25,
"about": "I love to go rock climbing"
}
}
全文搜索
在关系型数据库中想要进行全文搜索比较困难，当然现在MySQL最新版本已经支持全文索引了，不过性能还有待考究。
示例：搜索所有喜欢**“rock climbing”**的员工
{
"query": {
"match": {
"about": "rock climbing"
}
}
}
查询出两条结果：
{
"took": 25,
"timed_out": false,
"_shards": {
"total": 5,
"successful": 5,
"failed": 0
},
"hits": {
"total": 2,
"max_score": 0.16273327,
"hits": [{
"_index": "megacorp",
"_type": "employee",
"_id": "1",
"_score": 0.16273327,
"_source": {
"first_name": "John",
"last_name": "Smith",
"age": 25,
"about": "I love to go rock climbing",
"interests": ["sports",
"music"]
}
},
{
"_index": "megacorp",
"_type": "employee",
"_id": "2",
"_score": 0.016878016,
"_source": {
"first_name": "Jane",
"last_name": "Smith",
"age": 32,
"about": "I like to collect rock albums",
"interests": ["music"]
}
}]
}
}
结果分析：
默认情况下，Elasticsearch根据结果相关性评分来对结果集进行排序，所谓的「结果相关性评分」就是文档与查询条件的匹配程度[上面搜索结果中的_score字段]。很显然，排名第一的John Smith的about字段明确的写到**“rock climbing”。
但是为什么Jane Smith也会出现在结果里呢？原因是“rock”在她的abuot字段中被提及了。因为只有“rock”被提及而“climbing”**没有，所以她的_score要低于John。
短语搜索
短语搜索的意思就是要求要搜索的短语完全匹配。上面的查询结果中
id=2的员工就没有完全匹配，因为其about字段中并没有包含climbing。要想全部匹配只需要使用match_phrase即可
{
"query": {
"match_phrase": {
"about": "rock climbing"
}
}
}
搜索结果中只剩下了id=1的记录.
高亮我们的搜索
如果直接使用lucene进行高亮搜索的话，还要写一段代码来实现（当然这样做自由度更高），使用elasticsearch则只需要简单的命令即可
{
"query": {
"match_phrase": {
"about": "rock climbing"
}
},
"highlight": {
"fields": {
"about": {}
}
}
}
在查询的时候添加highlight参数，再返回结果中会增加一个highlight字段，里面的内容是高亮的数据：增加了标识。
{
"took": 145,
"timed_out": false,
"_shards": {
"total": 5,
"successful": 5,
"failed": 0
},
"hits": {
"total": 1,
"max_score": 0.23013961,
"hits": [{
"_index": "megacorp",
"_type": "employee",
"_id": "1",
"_score": 0.23013961,
"_source": {
"first_name": "John",
"last_name": "Smith",
"age": 25,
"about": "I love to go rock climbing",
"interests": ["sports",
"music"]
},
"highlight": {
"about": ["I love to go rock climbing"]
}
}]
}
}
聚合aggregations
先忽略语法，简单看看输出结果，语法后续再讲
查询员工中相同共同点及人数
{
"aggs": {
"all_interests": {
"terms": {
"field": "interests"
}
}
}
}
会在原有结果基础上添加一个aggregations字段：
"aggregations": {
"all_interests": {
"doc_count_error_upper_bound": 0,
"sum_other_doc_count": 0,
"buckets": [{
"key": "music",
"doc_count": 2
},
{
"key": "forestry",
"doc_count": 1
},
{
"key": "sports",
"doc_count": 1
}]
}
}
从上面结果可以看出，喜欢music的有2人，喜欢sports的有1人，喜欢forestry的有1人。
当然我们也可以添加其他查询条件，比如统计"last_name=smith"的员工中相同爱好及人数
{
"query": {
"match": {
"last_name": "smith"
}
},
"aggs": {
"all_interests": {
"terms": {
"field": "interests"
}
}
}
}
此时查询结果中就只剩下last_name=smith的数据了。
"aggregations": {
"all_interests": {
"doc_count_error_upper_bound": 0,
"sum_other_doc_count": 0,
"buckets": [{
"key": "music",
"doc_count": 2
},
{
"key": "sports",
"doc_count": 1
}]
}
}
聚合也允许分级汇总。例如，让我们统计每种兴趣下职员的平均年龄：
{
"query": {
"match": {
"last_name": "smith"
}
},
"aggs": {
"all_interests": {
"terms": {
"field": "interests"
},
"aggs": {
"avg_age": {
"avg": {
"field": "age"
}
}
}
}
}
}
结果：
"aggregations": {
"all_interests": {
"doc_count_error_upper_bound": 0,
"sum_other_doc_count": 0,
"buckets": [{
"key": "music",
"doc_count": 2,
"avg_age": {
"value": 28.5
}
},
{
"key": "sports",
"doc_count": 1,
"avg_age": {
"value": 25
}
}]
}
}
可以看到返回结果中多了“avg_age”平均年龄字段。
请求参数中的
avg_age是我们自己定义的
更新文档
记住lucene中文档是不可以被修改的，修改文档的过程其实是一个新建一个文档并且version+1，并将旧的文档标记为删除，之后会被清理掉。
我们把之前创建的文档id=1的年龄改为33岁：
从上面的结果中可以看得version变为了2，并且created=false,因为之前应存在id=1的文档了
删除文档
这里我们把id=1的文档删除，注意返回结果中version又加了1，这是因为这里的删除和更新一样，并没有立即删除，而是做了个标记，之后才会真正被删除。