2、Elasticsearch 基础功能

第3章 Elasticsearch 基础功能
以 8.X 版本为基础通过 Kibana 软件给大家演示基本操作。
3.1 索引操作
3.1.1 创建索引
ES 软件的索引可以类比为 MySQL 中表的概念，创建一个索引，类似于创建一个表。
查询完成后，Kibana 右侧会返回响应结果及请求状态

重复创建索引时，Kibana 右侧会返回响应结果，其中包含错误信息。

3.1.2 查询指定索引
根据索引名称查询指定索引，如果查询到，会返回索引的详细信息

如果查询的索引未存在，会返回错误信息

3.1.3 查询所有索引
为了方便，可以查询当前所有索引数据。这里请求路径中的_cat 表示查看的意思，indices
表示索引，所以整体含义就是查看当前 ES 服务器中的所有索引，就好像 MySQL 中的 show
tables 的感觉

这里的查询结果表示索引的状态信息，按顺序数据表示结果如下：

3.1.4 删除索引
删除指定已存在的索引

如果删除一个不存在的索引，那么会返回错误信息

3.2 文档操作
文档是 ES 软件搜索数据的最小单位, 不依赖预先定义的模式，所以可以将文档类比为表的
一行JSON类型的数据。我们知道关系型数据库中，要提前定义字段才能使用，在Elasticsearch
中，对于字段是非常灵活的，有时候，我们可以忽略该字段，或者动态的添加一个新的字段。

3.2.1 创建文档
索引已经创建好了，接下来我们来创建文档，并添加数据。这里的文档可以类比为关系型数
据库中的表数据，添加的数据格式为 JSON 格式

此处因为没有指定数据唯一性标识，所以无法使用 PUT 请求，只能使用 POST 请求，且对
数据会生成随机的唯一性标识。否则会返回错误信息

如果在创建数据时，指定唯一性标识，那么请求范式 POST，PUT 都可以

3.2.2 查询文档
根据唯一性标识可以查询对应的文档

3.2.3 修改文档
修改文档本质上和新增文档是一样的，如果存在就修改，如果不存在就新增

3.2.4 删除文档
删除一个文档不会立即从磁盘上移除，它只是被标记成已删除（逻辑删除）。

3.2.5 查询所有文档

3.3 数据搜索
为了方便演示，事先准备多条数据

3.3.1 查询所有文档

3.3.2 匹配查询文档
这里的查询表示文档数据中 JSON 对象数据中的 name 属性是 zhangsan。

3.3.3 匹配查询字段
默认情况下，Elasticsearch 在搜索的结果中，会把文档中保存在_source 的所有字段都返回。
如果我们只想获取其中的部分字段，我们可以添加_source 的过滤

3.4 聚合搜索
聚合允许使用者对 es 文档进行统计分析，类似与关系型数据库中的 group by，当然还有很
多其他的聚合，例如取最大值、平均值等等。
3.4.1 平均值

3.4.2 求和

3.4.3 最大值

3.4.4 TopN

3.5 索引模板
我们之前对索引进行一些配置信息设置，但是都是在单个索引上进行设置。在实际开发
中，我们可能需要创建不止一个索引，但是每个索引或多或少都有一些共性。比如我们在设
计关系型数据库时，一般都会为每个表结构设计一些常用的字段，比如：创建时间，更新时
间，备注信息等。elasticsearch 在创建索引的时候，就引入了模板的概念，你可以先设置一
些通用的模板，在创建索引的时候，elasticsearch 会先根据你创建的模板对索引进行设置。

elasticsearch 中提供了很多的默认设置模板，这就是为什么我们在新建文档的时候，可以为
你自动设置一些信息，做一些字段转换等。
索引可使用预定义的模板进行创建,这个模板称作 Index templates。模板设置包括 settings
和 mappings
3.5.1 创建模板

# 模板名称小写
PUT _template/mytemplate
{
 "index_patterns" : [
 "my*"
 ],
 "settings" : {
 "index" : {
 "number_of_shards" : "1"
 }
 },
 "mappings" : {
 "properties" : {
 "now": {
 "type" : "date",
 "format" : "yyyy/MM/dd"
 }
 }
 }
}

3.5.2 查看模板

# GET /_template/mytemplate

3.5.3 验证模板是否存在

#
HEAD /_template/mytemplate

3.5.4 创建索引

#
PUT testindex
# 
PUT mytest

3.5.5 删除模板

#
DELETE /_template/mytemplate

3.6 中文分词
我们在使用 Elasticsearch 官方默认的分词插件时会发现，其对中文的分词效果不佳，经
常分词后得效果不是我们想要得。

GET _analyze
{
 "analyzer": "chinese",
 "text": ["我是一个学生"]
}

为了能够更好地对中文进行搜索和查询，就需要在Elasticsearch中集成好的分词器插件，
而 IK 分词器就是用于对中文提供支持得插件

3.6.1 集成 IK 分词器
3.6.1.1 下载
下载地址：https://github.com/medcl/elasticsearch-analysis-ik/releases
注意：选择下载的版本要与 Elasticsearch 版本对应。我们这里选择 8.1.0

3.6.1.2 安装
在安装目录得 plugins 目中，将下载得压缩包直接解压缩得里面即可

重启 Elasticsearch 服务
3.6.2 使用 IK 分词器
IK 分词器提供了两个分词算法：
➢ ik_smart: 最少切分
➢ Ik_max_word:最细粒度划分
接下来咱们使用 ik_smart 算法对之前得中文内容进行分词，明显会发现和默认分词器得区
别。

GET _analyze
{
 "analyzer": "ik_smart",
 "text": ["我是一个学生"]
}

接下来，再对比 ik_max_word 算法分词后的效果

3.6.3 自定义分词效果
我们在使用 IK 分词器时会发现其实有时候分词的效果也并不是我们所期待的,有时一些特
殊得术语会被拆开，比如上面得中文“一个学生”希望不要拆开，怎么做呢？其实 IK 插件
给我们提供了自定义分词字典，我们就可以添加自己想要保留得字了。


接下来我们修改配置文件：IKAnalyzer.cfg.xml

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties>
<comment>IK Analyzer 扩展配置</comment>
<!--用户可以在这里配置自己的扩展字典 -->
<entry key="ext_dict">test.dic</entry>
<!--用户可以在这里配置自己的扩展停止词字典-->
<entry key="ext_stopwords"></entry>
<!--用户可以在这里配置远程扩展字典 -->
<!-- <entry key="remote_ext_dict">words_location</entry> -->
<!--用户可以在这里配置远程扩展停止词字典-->
<!-- <entry key="remote_ext_stopwords">words_location</entry> -->
</properties>

重启 Elasticsearch 服务器查看效果

GET _analyze
{
 "analyzer": "ik_smart",
 "text": ["我是一个学生"]
}

3.7 文档得分
Lucene 和 ES 的得分机制是一个基于词频和逆文档词频的公式，简称为 TF-IDF 公式

公式中将查询作为输入，使用不同的手段来确定每一篇文档的得分，将每一个因素最后
通过公式综合起来，返回该文档的最终得分。这个综合考量的过程，就是我们希望相关的文
档被优先返回的考量过程。在 Lucene 和 ES 中这种相关性称为得分。
考虑到查询内容和文档得关系比较复杂，所以公式中需要输入得参数和条件非常得多。但是
其中比较重要得其实是两个算法机制
➢ TF (词频)
Term Frequency : 搜索文本中的各个词条（term）在查询文本中出现了多少次，
出现次数越多，就越相关，得分会比较高
➢ IDF(逆文档频率)
Inverse Document Frequency : 搜索文本中的各个词条（term）在整个索引的所有文档中
出现了多少次，出现的次数越多，说明越不重要，也就越不相关，得分就比较低。

3.7.1 打分机制
接下来咱们用一个例子简单分析一下文档的打分机制：

1. 首先，咱们先准备一个基础数据

# 创建索引
PUT /atguigu
# 增加文档数据
# 此时索引中只有这一条数据
PUT /atguigu/_doc/1
{
 "text":"hello"
}
2) 查询匹配条件的文档数据
# 
GET /atguigu/_search
{
 "query": {
 "match": {
 "text": "hello"
 }
 }
}

这里文档的得分为：0.2876821，很奇怪，此时索引中只有一个文档数据，且文档数据中可
以直接匹配查询条件，为什么分值这么低？这就是公式的计算结果，咱们一起来看看
3) 分析文档数据打分过程

# 增加分析参数
GET /atguigu/_search?explain=true
{
 "query": {
 "match": {
 "text": "hello"
 }
 }
}

执行后，会发现打分机制中有 2 个重要阶段：计算 TF 值和 IDF 值


最后的分数为：

4) 计算 TF 值


5) 计算 IDF 值


注：这里的 log 是底数为 e 的对数
6) 计算文档得分


7) 增加新的文档，测试得分
⚫ 增加一个毫无关系的文档

# 增加文档
PUT /atguigu/_doc/2
{
 "text" : "spark"
}
# 因为新文档无词条相关信息，所以匹配的文档数据得分就应该较高：
# 0.6931741
GET /atguigu/_search
{
 "query": {
 "match": {
 "text": "hello"
 }
 }
}

⚫ 增加一个一模一样的文档

# 增加文档
PUT /atguigu/_doc/2
{
 "text" : "hello"
}
# 因为新文档含词条相关信息，且多个文件含有词条，所以显得不是很重要，得分会变低
# 0.18232156
GET /atguigu/_search
{
 "query": {
 "match": {
 "text": "hello"
 }
 }
}

⚫ 增加一个含有词条，但是内容较多的文档

# 增加文档
PUT /atguigu/_doc/2

 "text" : "hello elasticsearch"
}
# 因为新文档含词条相关信息，但只是其中一部分，所以查询文档的分数会变得更低一些。
# 0.14874382
GET /atguigu/_search
{
 "query": {
 "match": {
 "text": "hello"
 }
 }
}

3.7.2 案例
需求：
查询文档标题中含有“Hadoop”,“Elasticsearch”,“Spark”的内容。
优先选择“Spark”的内容

1) 准备数据
# 准备数据
PUT /testscore/_doc/1001
{
 "title" : "Hadoop is a Framework",
 "content" : "Hadoop 是一个大数据基础框架"
}
PUT /testscore/_doc/1002
{
 "title" : "Hive is a SQL Tools",
 "content" : "Hive 是一个 SQL 工具"
}
PUT /testscore/_doc/1003
{
 "title" : "Spark is a Framework",
 "content" : "Spark 是一个分布式计算引擎"
}
2) 查询数据
# 查询文档标题中含有“Hadoop”,“Elasticsearch”,“Spark”的内容
GET /testscore/_search?explain=true
{
 "query": {
 "bool": {
 "should": [
 {
 "match": {
 "title": {"query": "Hadoop", "boost": 1}
 }
 },
 {
 "match": {
 "title": {"query": "Hive", "boost": 1}
 }
 },
 {
 "match": {
 "title": {"query": "Spark", "boost": 1}
 }
 }
 ]
 }
 }
}

此时，你会发现，Spark 的结果并不会放置在最前面

此时，咱们可以更改 Spark 查询的权重参数 boost.看看查询的结果有什么不同

# 查询文档标题中含有“Hadoop”,“Elasticsearch”,“Spark”的内容
GET /testscore/_search?explain=true
{
 "query": {
 "bool": {
 "should": [
 {
 "match": {
 "title": {"query": "Hadoop", "boost": 1}
 }
 },
 {
 "match": {
 "title": {"query": "Hive", "boost": 1}
 }
 },
 {
 "match": {
 "title": {"query": "Spark", "boost": 2}
 }
 }
 ]
 }
 }
}