数据库-Elasticsearch进阶学习笔记（分片、映射、分词器、即时搜索、全文搜索等）
目录
- 基础概念
-
- 定义
- 特点
- 索引(Index)
-
- 分片(Shards)
- 副本（Replicas）
- 分配(Allocation)
- 映射(Mapping)
-
- 动态映射
- 显式映射
- 常见数据类型
- 文档(document)
- 领域特定语言 （DSL）
-
- 分词器
- 得分排序
- 后台执行的操作
- 深入搜索（实践）
-
- 数据添加
-
- 创建索引及文档
- 结构化搜索
-
- 单一过滤器（term）
- 范围过滤器(range)
- 组合过滤器（bool过滤器）
- NULL值处理（exists）
- 全文搜索
-
- 基于词项与基于全文
- 匹配搜索（match）与操作符（operator）
- 权重提升(boost)
- 多字段搜索
-
- 最佳字段查询(dis_max与tie_breaker)
- 多字段进行相同搜索（multi_match）
- 部分匹配
-
- 输入即搜索(match_phrase_prefix)
- 通配符搜索(wildcard)
- 正则表达式搜索(regexp)
- 总结
- 附录
- 参考
本文基于数据库-ElasticSearch入门（索引、文档、查询），假设读者已学会安装ES，使用Postman和某语言的包或模块来对索引和文档进行基本的增删改查。
基础概念
定义
Elasticsearch 是一个开源的搜索引擎，建立在一个全文搜索引擎库 Apache Lucene基础之上。Elasticsearch 也是使用** Java** 编写的，它的内部使用 Lucene 做索引与搜索，但是它的目的是使全文检索变得简单， 通过隐藏 Lucene 的复杂性，取而代之的提供一套简单一致的 RESTful API。
特点
- 一个分布式的实时文档存储，每个字段可以被索引与搜索
- 一个分布式实时分析搜索引擎
- 能胜任上百个服务节点的扩展，并支持 PB 级别的结构化或者非结构化数据
curl "http://localhost:9200/"
{
"name" : "DESKTOP-BT64DM0",
"cluster_name" : "elasticsearch",
"cluster_uuid" : "Xk7sJl7OSei9DIyrn1G-vg",
"version" : {
"number" : "7.10.0",
"build_flavor" : "default",
"build_type" : "zip",
"build_hash" : "51e9d6f22758d0374a0f3f5c6e8f3a7997850f96",
"build_date" : "2020-11-09T21:30:33.964949Z",
"build_snapshot" : false,
"lucene_version" : "8.7.0",
"minimum_wire_compatibility_version" : "6.8.0",
"minimum_index_compatibility_version" : "6.0.0-beta1"
},
"tagline" : "You Know, for Search"
}
启动后访问9200端口，可以看到ES版本，集群名称，lucence版本等内容。
两个 Java 客户端都是通过 9300 端口并使用 Elasticsearch 的原生传输协议和集群交互。集群中的节点通过端口 9300 彼此通信。如果这个端口没有打开，节点将无法形成一个集群。
索引(Index)
可以创建索引时，携带请求体body，设置分片，mapping等
分片(Shards)
类似分表，进行容量扩展。ES可以将一个索引的分片放到不同的节点上，这样可以进行快速的分布式搜索。总的来说，分片可以
- 允许水平分分割/扩展容量。
- 允许进行分布式、并行的操作，提高吞吐量/性能。
副本（Replicas）
在一些情况下，可能导致某个节点/分片处于离线状态，为了保证出现故障时不影响服务，提出了副本，进行容灾备份，提供高可用性。
分配(Allocation)
master节点完成分配主分片和副本的过程。
映射(Mapping)
mapping是处理数据的方式和规则的限制。如字段的数据类型、是否被索引、分析器等。
动态映射
为了对新手友好一些，可以直接创建index，不用指定字段及类型，ES自动添加。
显式映射
了解字段类型之后，给不同的字段自定义数据类型，创建索引时进行指定。
PUT my-index
{
"mappings": {
"properties": {
"city": {
"type": "text",
"fields": {
"raw": {
"type": "keyword"
}
}
}
}
}
}
properties添加字段，fields使一个字段在不同类型搜索时是否可分析
city字段全文检索
city.raw字段是city的keyword版本，可被用于排序和聚合操作。
接下来先了解字段等概念，之后再配合搜索对映射进行深入理解。
常见数据类型
- boolean：true、false
- Numeric：
- byte：8位有符号整数
- short：16位有符号整数
- integer：32位有符号整数
- long、unsigned_long：有（无）符号64位整数
- Keywords：
- keyword：用于结构化内容，例如 ID、电子邮件地址、主机名、状态代码、邮政编码或标签。
- constant_keyword：始终包含相同值的关键字字段。
- wildcard：非结构化，机器生成的长数据
- date：日期，可使用format自定义
- Range：
- integer_range：32位有字符整数，-231 ~ 231-1
- long_range：64位有符号整数
- double_range：64位IEEE754类型浮点数
- date_range：日期，可以使用format自定义格式
- ip_range：ipv4和ipv6均支持
- Text：
- text：全文，一般是会进行分析和分析，邮件正文，商品描述等
- match_only_text：空间优化，禁用评分，适合日志消息。
文档(document)
- _index：文档存放在的索引
- _type：文档表示的对象类别，之前与关系型数据库的table对应，现在不再强调这个
- _id：文档唯一标识
- _version：版本，更新文档时，该字段会改变
- _source：数据
领域特定语言 （DSL）
使用 JSON 构造了一个请求。包含了filter range过滤器。
分词器
在全文检索情况下，对text等类型分词，方便建立倒排索引。常见的分词器有
- ik分词器
- icu分词器
- smartcn分词器
- pinyin分词器
更多分词器见参考，es官方github上有一些。腾讯云可支持大部分插件，点击ES集群->插件列表。如下图所示。
得分排序
按照相关性得分排序，一般使用TF-IDF算法（见参考，本文主要还是在ES实践方面，算法不赘述），通过_score返回得分
后台执行的操作
- 分配文档到不同的容器 或 分片 中，文档可以储存在一个或多个节点中
- 按集群节点来均衡分配这些分片，从而对索引和搜索过程进行负载均衡
- 复制每个分片以支持数据冗余，从而防止硬件故障导致的数据丢失
- 将集群中任一节点的请求路由到存有相关数据的节点
- 集群扩容时无缝整合新节点，重新分配分片以便从离群节点恢复
深入搜索（实践）
ES，you know, for search, 搜索才是重点！！！
数据添加
索引heros，字段及类型如下：
- name:keyword
- age:byte
- role:keyword
- birthday:date
- mail:text
- hobby:text
- sentence:text
数据如下：
| name | age | role | birthday | hobby | sentence | |
|---|---|---|---|---|---|---|
| 大乔 | 18 | 辅助 | 2003-11-10 | [email protected] | 写诗 画画 | 诗是自由的载体 |
| 小乔 | 19 | 法师 | 2002-01-20 | [email protected] | 画画 唱歌 | Whenever you need me, I’ll be here. |
| 孙策 | 25 | 坦克 | 1996-11-10 | [email protected] | 画画 唱歌 | 我向往诗和远方，也不会忘记她和故乡 |
| 周瑜 | 23 | 法师 | 1998-01-20 | [email protected] | 写诗 画画 | Whenever you are in trouble,I’m always near. |
| 刘备 | 30 | 打野 | 1991-10-20 | [email protected] | 兵法 武器 | Shi wo bu tai dong |
| 孙尚香 | 26 | 射手 | 1995-10-20 | 兵法 化妆 | 詩我不太懂 |
创建索引及文档
PUT /heros
这里使用的Kibana的DevTools，如果你看了ES系列第一篇文章，有白嫖腾讯云的ES集群，可以点击可视化配置，给Kibana配置公网白名单即可，由于我前面的文章还没有介绍Kibana的使用，你可以继续使用Postman、curl或elasticsearch-head插件来发起请求。
查看setting和mapping情况
GET /heros?pretty
添加一个文档
POST /heros/_doc/1001
{
"name":"大乔",
"age":18,
"role":"辅助",
"birthday":"2003-11-10",
"mail":"[email protected]",
"hobby":"写诗 画画",
"sentence":"诗是自由的载体"
}
结果如下
再次查询mapping
可以看到ES自动添加了类型，但是与我们要求的不符合。有些不会自动分词，无法进行后序的搜索。
删除索引，再次添加
PUT /heros
{
"settings": {
"number_of_shards": 1,
"number_of_replicas": 1
},
"mappings": {
"properties": {
"name":{
"type": "keyword"
},
"age":{
"type": "byte"
},
"role":{
"type": "keyword"
},
"mail":{
"type":"text"
},
"birthday":{
"type":"date"
},
"hobby":{
"type": "text"
},
"sentence":{
"type":"text"
}
}
}
}
之后添加文档，其他英雄的放在附录了，最终的索引应该如下图所示：
结构化搜索
结构化搜索（Structured search） 是指有关探询那些具有内在结构数据的过程。比如日期、时间和数字都是结构化的：它们有精确的格式，我们可以对这些格式进行逻辑操作。
在结构化查询中，要么存于集合之中，要么存在集合之外。结构化查询不关心文件的相关度或评分；它简单的对文档包括或排除处理。
单一过滤器（term）
我们首先来看最为常用的 term 查询， 可以用它处理数字（numbers）、布尔值（Booleans）、日期（date）等。
注意：ES5.0后，已经没有string类型了
警告：尽量不要用于text类型字段
查询角色是“法师”的英雄
GET /heros/_search
{
"query":{
"term":{
"role":"法师"
}
}
}
结果如下图所示
多个精确值terms
查询角色是“法师”或“射手”的英雄
GET /heros/_search
{
"query":{
"terms":{
"role":["法师","射手"]
}
}
}
结果如图所示
可以看到，多了射手角色的英雄。
范围过滤器(range)
{
"range":{
"field_name":{
},
}
}
对字段进行范围过滤，常用的如下
- gt: > 大于（greater than）
- lt: < 小于（less than）
- gte: >= 大于或等于（greater than or equal to）
- lte: <= 小于或等于（less than or equal to）
查询19<=age<25的英雄
GET /heros/_search
{
"query": {
"range":{
"age":{
"gte":19,
"lt":25
}
}
}
}
结果如下图所示
组合过滤器（bool过滤器）
将多个过滤器进行组组合
{
"bool" : {
"must" : [],
"must_not" : [],
"should" : [],
"filter":[],
}
}
- must:所有语句必须匹配，相当于and
- must_not：所有语句不能匹配，相当于not
- should：至少有一个语句匹配，相当于or
查询角色是法师或辅助，年龄必须小于20，邮箱不能是新浪邮箱的英雄
GET /heros/_search
{
"query": {
"bool": {
"must": {
"range":{
"age":{
"lt":20
}
}
},
"must_not":
{
"match":{"mail":"@sina.com"}
},
"should": [
{
"term": {"role": "法师"}
},
{
"term":{"role":"辅助"}
}
]
}
}
}
看前面的数据可以发现，就剩大乔了，结果如下图所示
NULL值处理（exists）
查询有邮箱的英雄
GET /heros/_search
{
"query": {
"exists": {
"field": "mail"
}
}
}
结果如下图所示
那么，如何查询不存在邮箱的英雄呢？之前有missing，现在不支持了，可以使用must_not进行嵌套
GET /heros/_search
{
"query": {
"bool": {
"must_not": {
"exists":{
"field": "mail"
}
}
}
}
}
结果如下图所示
全文搜索
基于词项与基于全文
如 term 或 fuzzy 这样的底层查询不需要分析阶段，它们对单个词项进行操作。
像 match 或 query_string 这样的查询是高层查询，它们了解字段映射的信息
匹配搜索（match）与操作符（operator）
查询sentence中含诗的英雄
GET /heros/_search
{
"query": {
"match": {
"sentence": "诗"
}
}
}
结果如下图所示
可以看到，评分语句更短的评分更高
多词搜索情况下
查询sentence中含“我 诗”的英雄
GET /heros/_search
{
"query": {
"match": {
"sentence": "我 诗"
}
}
}
结果如下图所示
可以看到有些只包含我或诗的内容也出来了，虽然排名落后，如何做到且呢，前面使用了must，这里使用operator实现
GET /heros/_search
{
"query": {
"match": {
"sentence": {
"query": "我 诗",
"operator": "and"
}
}
}
}
结果如下图所示
权重提升(boost)
查询sentence中必须包含"Whenever"，有"in"或者"be"的英雄
GET /heros/_search
{
"query": {
"bool": {
"must": [
{"match": {
"sentence": "Whenever"
}}
],
"should": [
{ "match": { "sentence": "in" }
},
{ "match": { "sentence": "be" }}
]
}
}
}
结果如下图所示
现要求含in的权重更高，也就是提高_score来提高搜索排名
boost默认为1，通过增加in的boost来提高in的排名
GET /heros/_search
{
"query": {
"bool": {
"must": [
{"match": {
"sentence": "Whenever"
}}
],
"should": [
{ "match": {
"sentence": {
"query": "in",
"boost": 2
}
}
},
{ "match": { "sentence": "be" }}
]
}
}
}
结果如下图所示
多字段搜索
前面已经进行了简单的多字符串搜索，不过，还有一些多字段时复杂的搜索情况。
最佳字段查询(dis_max与tie_breaker)
查询爱好有诗，sentence（随便起的名字，可以理解为个性签名或一句话介绍）中有诗或她的英雄
GET /heros/_search
{
"query": {
"bool": {
"should": [
{ "match": { "hobby": "诗" }},
{ "match": { "sentence": "诗 她" }}
]
}
}
}
结果如下图所示
可以看到，第二个结果是我们更想得到的。bool会打两次分，再除以语句总数2，第一个结果hobby和sentence都有诗，导致第一个结果就靠前了，由于hobby和sentence的竞争关系，所以需要找到最佳匹配字段。
使用dis_max来得到想要的结果
GET /heros/_search
{
"query": {
"dis_max": {
"queries": [
{ "match": { "hobby": "诗" }},
{ "match": { "sentence": "诗 她" }}
]
}
}
}
结果如下图所示
tips：想要在bool和dis_max之间，可以使用tie_breaker参数，请读者自行深入了解。
多字段进行相同搜索（multi_match）
查询hobby或sentence中含诗的英雄，也就是对hobby sentence做同一搜索，如果写多个match会比较繁琐，可以采用multi_match，字段使用列表的方式填写多个即可。
GET /heros/_search
{
"query": {
"multi_match": {
"query": "诗",
"fields": ["hobby","sentence"]
}
}
}
结果如下图所示
hobby和sentence都含诗的会排名靠前
部分匹配
即只输入一部分，也能匹配到，最经典的就是边输入边搜索，也。
输入即搜索(match_phrase_prefix)
现在很多搜索引擎都有用户边输入边提示的功能，不必等用户Enter，提高了用户体验
用户查询sentence，输入了when，查询此时的下拉框的结果
GET /heros/_search
{
"query": {
"match_phrase_prefix": {
"sentence": {
"query": "When"
}
}
}
}
结果如下图所示
通配符搜索(wildcard)
包含两个通配符"?“和”*"，? 匹配任意字符， * 匹配 0 或多个字符
搜索姓孙的英雄
GET /heros/_search
{
"query": {
"wildcard": {
"name": "孙*"
}
}
}
结果如下图所示
正则表达式搜索(regexp)
正则表达式更加的丰富，包含数字、特殊字符等
搜索邮箱含s、n，s在n前面的英雄
GET /heros/_search
{
"query": {
"regexp": {
"mail": "s.*n.*"
}
}
}
结果如下图所示
sunce符合，新浪邮箱也符合。
总结
本文讲了一些基础概念，深入研究了一些搜索（抛转引玉，官网还有很多搜索方式），本来想写集群的，白嫖腾讯云的只能固定三个节点，没法演示扩容之类的，下篇文章再说一下集群。
练习
查询角色是“坦克”的英雄？
查询年龄>18的“法师”英雄？
查询姓"孙"的且名字是两个字的英雄？
附录
POST /heros/_doc/1002
{
"name":"小乔",
"age":19,
"role":"法师",
"birthday":"2002-01-20",
"mail":"[email protected]",
"hobby":"画画 唱歌",
"sentence":"Whenever you need me, I'll be here."
}
POST /heros/_doc/1003
{
"name":"孙策",
"age":25,
"role":"坦克",
"birthday":"1996-11-10",
"mail":"[email protected]",
"hobby":"画画 唱歌",
"sentence":"我向往诗和远方，也不会忘记她和故乡"
}
POST /heros/_doc/1004
{
"name":"周瑜",
"age":23,
"role":"法师",
"birthday":"1998-01-20",
"mail":"[email protected]",
"hobby":"写诗 画画",
"sentence":"Whenever you are in trouble,I'm always near."
}
POST /heros/_doc/1005
{
"name":"刘备",
"age":30,
"role":"打野",
"birthday":"1991-10-20",
"mail":"[email protected]",
"hobby":"兵法 武器",
"sentence":"Shi wo bu tai dong"
}
POST /heros/_doc/1006
{
"name":"孙尚香",
"age":26,
"role":"射手",
"birthday":"1995-10-20",
"hobby":"兵法 化妆",
"sentence":"詩我不太懂"
}
参考
ES权威指南
ES Guide
ES中文社区
腾讯-ES服务产品文档
IK分词器
ICU分词器
smartcn分词器
TF-IDF与余弦相似性的应用（一）：自动提取关键词
更多ELK相关内容：数据库-ElasticSearch学习笔记_lady_killer9的博客-CSDN博客
喜欢本文的请动动小手点个赞，收藏一下，有问题请下方评论，转载请注明出处，并附有原文链接，谢谢！
如有侵权，请及时联系。如果您感觉有所收获，自愿打赏，可选择支付宝18833895206（小于），您的支持是我不断更新的动力。