概览：基本结构
- 传统数据库和ES对比
| 传统数据库 | ES |
|---|---|
| database数据库 | index索引 |
| table表 | type类型 |
| 字段 | id |
| 一行行的记录 | 一个个的文档 |
- 数据存储对比
| 传统数据库 | ES |
|---|---|
| varchar字符串int整数等等类型的字段组成的一行行记录 | json格式的文档 |
- 操作方式
| 传统数据库 | ES |
|---|---|
| SQL语句 | Restful风格的DSL |
场景：一个学校有若干班级，每个班级有若干学生
- 添加一条数据
添加一个 一班的小红（直接带id式插入）
POST http://192.168.1.104:9200/school/class_1/xiaohong
{
"name":"小红",
"age":18,
"height":165,
"tags":["学习认真","学霸","漂亮"]
}
school是index，class_1是type，xiaohong是id
不带id插入，系统会自动生成一个id
POST http://192.168.1.104:9200/school/class_1/
{
"name":"无名",
"age":17,
"height":175,
"tags":["学习认真","学霸"]
}
“_id”: "qoFDdHUB4DF8xfvRk1av"这个是自动生成的id
再添加个小白等下给删除用
POST http://192.168.1.104:9200/school/class_1/xiaobai
{
"name":"小白",
"age":18,
"height":165
}
- 删除小白
DELETE http://192.168.1.104:9200/school/class_1/xiaobai
可以看到下图里的result，deleted删除掉了
3. 修改小红的信息（全部修改）
修改年龄为19，身高为170
PUT http://192.168.1.104:9200/school/class_1/xiaohong
{
"name":"小红",
"age":19,
"height":170,
"tags":["学习认真","学霸","漂亮"]
}
这里是直接put的，如果只写年龄和身高两个属性那么其他属性会丢掉的，因为这是直接替换掉了之前的整个文档，而不是部分
4. 修改小红的年龄为20（部分属性更新）
POST http://192.168.1.104:9200/school/class_1/xiaohong/_update
{
"doc":{
"age":20
}
}
可以看到每次修改后_version都加1了
5. 修改完我们查询一下
GET http://192.168.1.104:9200/school/class_1/xiaohong
6. 查询所有
准备数据
POST http://192.168.1.104:9200/school/class_1/xiaoli
{
“name”:“小李”,
“age”:22,
“height”:176,
“tags”:[“调皮”,“学渣”]
}
GET http://192.168.1.104:9200/school/class_1/_search
查询结果
{
"took": 138,
"timed_out": false,
"_shards": {
"total": 1,
"successful": 1,
"skipped": 0,
"failed": 0
},
"hits": {
"total": {
"value": 3,
"relation": "eq"
},
"max_score": 1.0,
"hits": [
{
"_index": "school",
"_type": "class_1",
"_id": "xiaohong",
"_score": 1.0,
"_source": {
"name": "小红",
"age": 20,
"height": 170,
"tags": [
"学习认真",
"学霸",
"漂亮"
]
}
},
{
"_index": "school",
"_type": "class_1",
"_id": "qoFDdHUB4DF8xfvRk1av",
"_score": 1.0,
"_source": {
"name": "无名",
"age": 17,
"height": 175,
"tags": [
"学习认真",
"学霸"
]
}
},
{
"_index": "school",
"_type": "class_1",
"_id": "xiaoli",
"_score": 1.0,
"_source": {
"name": "小李",
"age": 22,
"height": 176,
"tags": [
"调皮",
"学渣"
]
}
}
]
}
}
查询年龄在18及以上的同学
POST http://192.168.1.104:9200/school/class_1/_search
{
"query":{
"bool":{
"filter":[{
"range":{
"age":{
"gte":18
}
}
}]
}
},
"from":0,
"size":10
}
query意思是查询,bool是不进行打分，filter是过滤器,range是范围过滤器
DSL结构比较复杂，多样性比较多写一个示范去理解吧，由于各种查找聚合操作可组合型比较多，还是后面再写
查询的时候有打分match和不打分，有过滤器，有must must not should，term terms range，
avg max sum min value_count有值的数量 cardinality不同值的数量（传统数据库的distinct count）
terms按照每个不同的值分桶(分成一个个的bucket)反正好多东西，各种操作，比SQL的内容和结构复杂多了，一时写不完。。。反正常用的就是查询，聚合，文字检索，相关度打分，高亮搜索等
{
"from":0,
"size":10,
"query":{
"bool":{
"must":[{
"range":{
"age":{
"gte":0
}
}
}],
"must_not":[{
"range":{
"age":{
"lte":0
}
}
}],
"should":[{
"term":{
"name":"小白"
}
}],
"filter":[{
"range":{
"age":{
"gte":18
}
}
}]
}
},
"aggs":{
"names":{
"terms":{
"field":"age"
},
"aggs":{
"stu_avg_height":{
"avg":{
"field":"height"
}
}
}
},
"age_gte_18_count":{
"value_count":{
"field":"age"
}
}
}
}
另外讲几个常用的
某字段等于某个值
{
"term":{
"name":"小红"
}
}
匹配某字段多个值
在filter里头加入一个
{
"terms":["值1","值2"]
}
范围筛选
{
"range":{
"age":{
"gte":18
}
}
}
时间范围（d是天，s是秒其他以此类推,w是一周,now代表现在的时间）
{
"range":{
"finished_time":{
"gt":"now-1d"
}
}
}
{
"range":{
"finished_time":{
"gte":"2020-09-27 16:10:10",
"lte":"2020-10-27 16:10:10",
"format":"yyyy-MM-dd HH:mm:ss",
"time_zone":"+08:00"
}
}
}
时间聚合分桶
"aggs":{
"my_date_buckets":{
"date_histogram":{
"field":"finished_time",
"fixed_interval":"10m"
}
}
}
找出最大的分桶 bucket（下面例子找出文档最多的桶子）
"aggs":{
"my_date_buckets":{
"date_histogram":{
"field":"finished_time",
"fixed_interval":"10m"
}
},
"my_max_buckets":{
"max_bucket":{
"buckets_path":"date_interval>_count"
}
}
}
还可以对每个桶子取前多少个，排序 下面取10个根据文档数排序 降序
"aggs":{
"my_date_buckets":{
"date_histogram":{
"field":"finished_time",
"fixed_interval":"10m",
"size":10,
"order":{
"_count":"desc"
}
}
}
}
