es检索文档 elasticsearch检索word文档

简介

全文搜索属于最常见的需求，开源的 Elasticsearch 是目前全文搜索引擎的首选。 它可以快速地储存、搜索和分析海量数据。维基百科、Stack Overflow、Github 都采用它 Elastic 的底层是开源库 Lucene。但是，你没法直接用 Lucene，必须自己写代码去调用它的 接口。Elastic 是 Lucene 的封装，提供了 REST API 的操作接口，开箱即用。 REST API：天然的跨平台。

基本概念

Index（索引）

• 动词，相当于 MySQL 中的 insert；
• 名词，相当于 MySQL 中的 Database

Type（类型）

• 在 Index（索引）中，可以定义一个或多个类型。
• 类似于 MySQL 中的 Table；每一种类型的数据放在一起；

Document（文档）

保存在某个索引（Index）下，某种类型（Type）的一个数（Document），文档是 JSON 格 式的，Document 就像是 MySQL 中的某个 Table 里面的内容；

倒排索引机制

Docker 安装 Es

下载镜像文件

• docker pull elasticsearch:7.4.2 存储和检索数据
• docker pull kibana:7.4.2 可视化检索数据

创建实例

mkdir -p /mydata/elasticsearch/config
mkdir -p /mydata/elasticsearch/data
echo "http.host: 0.0.0.0" >> /mydata/elasticsearch/config/elasticsearch.yml
chmod -R 777 /mydata/elasticsearch/ #保证权限
### elasticsearch 
docker run --name elasticsearch -p 9200:9200 -p 9300:9300 \
-e "discovery.type=single-node" \
-e ES_JAVA_OPTS="-Xms64m -Xmx512m" \
-v /mydata/elasticsearch/config/elasticsearch.yml:/usr/share/elasticsearch/config/elasticsearch.yml \
-v /mydata/elasticsearch/data:/usr/share/elasticsearch/data \
-v /mydata/elasticsearch/plugins:/usr/share/elasticsearch/plugins \
-d elasticsearch:7.4.2

特别注意： -e ES_JAVA_OPTS=“-Xms64m -Xmx256m” \ 测试环境下，设置 ES 的初始内存和最大内存，否则导 致过大启动不了 ES
问题：
启动容器查看日志报 java.nio.file.AccessDeniedException: /usr/share/elasticsearch/data/nodes" es容器挂载文件数据权限不正确
修改权限
chmod 777 data
chmod 777 plugins
重启容器即可
docker restart 容器id

Kibana

docker run --name kibana -e ELASTICSEARCH_HOSTS=http://es的ip:9200 -p 5601:5601 \ -d kibana:7.4.2

初步检索

_cat

GET /_cat/nodes：查看所有节点
GET /_cat/health：查看 es 健康状况
GET /_cat/master：查看主节点
GET /_cat/indices：查看所有索引 show databases;

索引一个文档（保存）

保存一个数据，保存在哪个索引的哪个类型下，指定用哪个唯一标识
PUT customer/external/1；在 customer 索引下的 external 类型下保存 1 号数据为

PUT customer/external/1
{ “name”: “John Doe” }
PUT 和 POST 都可以，
POST 新增。如果不指定 id，会自动生成 id。指定 id 就会修改这个数据，并新增版本号
PUT 可以新增可以修改。PUT 必须指定 id；由于 PUT 需要指定 id，我们一般都用来做修改 操作，不指定 id 会报错。

查询文档

GET customer/external/1
结果： { "_index": "customer", //在哪个索引 "_type": "external", //在哪个类型 "_id": "1", //记录 id "_version": 2, //版本号 "_seq_no": 1, //并发控制字段，每次更新就会+1，用来做乐观锁 "_primary_term": 1, //同上，主分片重新分配，如重启，就会变化 "found": true, "_source": { //真正的内容 "name": "John Doe" } }

更新携带 ?if_seq_no=0&if_primary_term=1 乐观锁

更新文档

POST customer/external/1/_update
 { "doc":{ "name": "John Doew" } }或者
 POST customer/external/1 { "name": "John Doe2" }或者
PUT customer/external/1 { "name": "John Doe" }

不同：POST 操作会对比源文档数据，如果相同不会有什么操作，文档 version 不增加 PUT 操作总会将数据重新保存并增加 version 版本； 带_update 对比元数据如果一样就不进行任何操作。 看场景； 对于大并发更新，不带 update； 对于大并发查询偶尔更新，带 update；对比更新，重新计算分配规则。 
更新同时增加属性

POST customer/external/1/_update 
{ "doc": { "name": "Jane Doe", "age": 20 } }

PUT 和 POST 不带_update 也可以

删除文档&索引

DELETE customer/external/1
DELETE customer

bulk 批量 API

POST customer/external/_bulk
 {"index":{"_id":"1"}} {"name": "John Doe" } {"index":{"_id":"2"}} {"name": "Jane Doe" } 
语法格式： { action: { metadata }}\n { request body }\n { action: { metadata }}\n { request body }\n 
复杂实例：
POST /_bulk 
  { "delete": { "_index": "website", "_type": "blog", "_id": "123" }} { "create": { "_index": "website", "_type": "blog", "_id": "123" }}
{ "title": "My first blog post" } { "index": { "_index": "website", "_type": "blog" }} { "title": "My second blog post" } { "update": { "_index": "website", "_type": "blog", "_id": "123", "_retry_on_conflict" : 3} } { "doc" : {"title" : "My updated blog post"} }

bulk API 以此按顺序执行所有的 action（动作）。如果一个单个的动作因任何原因而失败， 它将继续处理它后面剩余的动作。当 bulk API 返回时，它将提供每个动作的状态（与发送 的顺序相同），所以您可以检查是否一个指定的动作是不是失败了。

样本测试数据

我准备了一份顾客银行账户信息的虚构的 JSON 文档样本。每个文档都有下列的 schema （模式）:

{ "account_number": 0, "balance": 16623, "firstname": "Bradshaw", "lastname": "Mckenzie", "age": 29, "gender": "F", "address": "244 Columbus Place", "employer": "Euron", "email": "[e-mail]", "city": "Hobucken", "state": "CO" }

POST bank/account/_bulk 添加测试数据
测试数据

进阶检索

SearchAPI

ES 支持两种基本方式检索 :

• 一个是通过使用 REST request URI 发送搜索参数（uri+检索参数）
• 另一个是通过使用 REST request body 来发送它们（uri+请求体）

检索信息

一切检索从_search 开始

GET bank/_search #检索 bank 下所有信息，包括 type 和 docs 
GET bank/_search?q=*&sort=account_number:asc #请求参数方式检索
响应结果解释： 
took - Elasticsearch 执行搜索的时间（毫秒） 
time_out - 告诉我们搜索是否超时 
_shards - 告诉我们多少个分片被搜索了，以及统计了成功/失败的搜索分片 
hits - 搜索结果 
hits.total - 搜索结果 
hits.hits - 实际的搜索结果数组（默认为前 10 的文档） 
sort - 结果的排序 key（键）（没有则按 score 排序） 
score 和 max_score –相关性得分和最高得分（全文检索用）

uri+请求体进行检索(使用Kibana工具)

GET bank/_search
 { "query": { "match_all": {} },"sort": [ { "account_number": { "order": "desc" } } ] }
HTTP 客户端工具（POSTMAN），get 请求不能携带请求体，我们变为 post 也是一样的 我们 POST 一个 JSON 风格的查询请求体到 _search API。 需要了解，一旦搜索的结果被返回，Elasticsearch 就完成了这次请求，并且不会维护任何 服务端的资源或者结果的 cursor（游标）

Query DSL

基本语法格式
Elasticsearch 提供了一个可以执行查询的 Json 风格的 DSL（domain-specific language 领域特 定语言）。这个被称为 Query DSL。该查询语言非常全面，并且刚开始的时候感觉有点复杂， 真正学好它的方法是从一些基础的示例开始的。

一个查询语句 的典型结构
{ QUERY_NAME: { ARGUMENT: VALUE, ARGUMENT: VALUE,... } }
如果是针对某个字段，那么它的结构如下： { QUERY_NAME: { FIELD_NAME: { ARGUMENT: VALUE, ARGUMENT: VALUE,... } } }

GET bank/_search 
{ "query": { "match_all": {} },"from": 0, "size": 5, "sort": [ { "account_number": { "order": "desc" } } ] }
query 定义如何查询，
match_all 查询类型【代表查询所有的所有】，es 中可以在 query 中组合非常多的查 询类型完成复杂查询 
   除了 query 参数之外，我们也可以传递其它的参数以改变查询结果。如 sort，size 
from+size 限定，完成分页功能 
sort 排序，多字段排序，会在前序字段相等时后续字段内部排序，否则以前序为准

返回部分字段

GET bank/_search 
{ "query": {"match_all": {} },"from": 0, "size": 5, "_source": ["age","balance"] }
_source指定显示索引

match【匹配查询】
基本类型（非字符串），精确匹配

GET bank/_search 
{ "query": { "match": { "account_number": "20" } } }
match 返回 account_number=20 的

字符串，全文检索

GET bank/_search 
{ "query": { "match": { "address": "mill" } } }
最终查询出 address 中包含 mill 单词的所有记录 
match 当搜索字符串类型的时候，会进行全文检索，并且每条记录有相关性得分。

字符串，多个单词（分词+全文检索）

GET bank/_search 
{ "query": { "match": { "address": "mill road" } } }
最终查询出 address 中包含 mill 或者 road 或者 mill road 的所有记录，并给出相关性得分(score )

match_phrase【短语匹配】
将需要匹配的值当成一个整体单词（不分词）进行检索（索引.keyword 精确匹配（相当于sql的=））

GET bank/_search 
{ "query": { "match_phrase": { "address": "mill road" } } }

multi_match【多字段匹配】

GET bank/_search 
{ "query": { "multi_match": { "query": "mill", "fields": ["state","address"] } } }

bool【复合查询】
bool 用来做复合查询： 复合语句可以合并 任何 其它查询语句，包括复合语句，了解这一点是很重要的。这就意味 着，复合语句之间可以互相嵌套，可以表达非常复杂的逻辑。

• must：必须达到 must 列举的所有条件

GET bank/_search 
{ "query": { "bool": { "must": [ { "match": { "address": "mill" } },{ "match": { "gender": "M" } } ] } } }

• should：应该达到 should 列举的条件，如果达到会增加相关文档的评分,并不会改变 查询的结果。如果 query 中只有 should 且只有一种匹配规则，那么 should 的条件就会 被作为默认匹配条件而去改变查询结果

GET bank/_search 
{ "query": { "bool": { "must": [ { "match": { "address": "mill" } }, { "match": { "gender": "M" } } ],"should": [ {"match": { "address": "lane" }} ] } } }

• must_not 必须不是指定的情况

GET bank/_search 
{ "query": { "bool": { "must": [ { "match": { "address": "mill" } }, { "match": { "gender": "M" } } ],"should": [ {"match": { "address": "lane" }} ],"must_not": [ {"match": { "email": "baluba.com" }} ] } }
}
address 包含 mill，并且 gender 是 M，如果 address 里面有 lane 最好不过，但是 email 必 须不包含 baluba.com

filter【结果过滤】

并不是所有的查询都需要产生分数，特别是那些仅用于 “filtering”（过滤）的文档。为了不 计算分数 Elasticsearch 会自动检查场景并且优化查询的执行

GET bank/_search 
{ "query": { "bool": { "must": [ {"match": { "address": "mill"}} ],"filter": { "range": { "balance": { "gte": 10000, "lte": 20000 } } } } } }

term
和 match 一样。匹配某个属性的值。全文检索字段用 match，其他非 text 字段匹配用 term。

GET bank/_search
{ "query": { "bool": { "must": [ {"term": { "age": { "value": "28" } }}, {"match": { "address": "990 Mill Road" }} ] } } }

aggregations（执行聚合）
聚合提供了从数据中分组和提取数据的能力。最简单的聚合方法大致等于 SQL GROUP BY 和 SQL 聚合函数。在 Elasticsearch 中，您有执行搜索返回 hits（命中结果），并且同时返 回聚合结果，把一个响应中的所有 hits（命中结果）分隔开的能力。这是非常强大且有效的， 您可以执行查询和多个聚合，并且在一次使用中得到各自的（任何一个的）返回结果，使用 一次简洁和简化的 API 来避免网络往返。

• 搜索 address 中包含 mill 的所有人的年龄分布以及平均年龄，但不显示这些人的详情。

GET bank/_search 
{ "query": { "match": { "address": "mill" } },"aggs": { "group_by_state": { "terms": { "field": "age" } },"avg_age": { "avg": {"field": "age" } } },"size": 0 }
size：0 不显示搜索数据 
aggs：执行聚合。聚合语法如下 "aggs": { "aggs_name 这次聚合的名字，方便展示在结果集中": { "AGG_TYPE 聚合的类型（avg,term,terms）": {} } },

复杂： 按照年龄聚合，并且请求这些年龄段的这些人的平均薪资

GET bank/account/_search
{ "query": { "match_all": {} },"aggs": { "age_avg": { "terms": { "field": "age", "size": 1000 },"aggs": { "banlances_avg": { "avg": { "field": "balance" } } } } },"size": 1000 }

复杂：查出所有年龄分布，并且这些年龄段中 M 的平均薪资和 F 的平均薪资以及这个年龄 段的总体平均薪资

GET bank/account/_search
{ "query": { "match_all": {} },"aggs": { "age_agg": { "terms": { "field": "age", "size": 100 },"aggs": { "gender_agg": { "terms": { "field": "gender.keyword", "size": 100 },"aggs": { "balance_avg": { "avg": { "field": "balance" } } } },"balance_avg":{ "avg": { "field": "balance" } } } } },"size": 1000 }

Mapping

字段类型
映射
Mapping（映射）
Mapping 是用来定义一个文档（document），以及它所包含的属性（field）是如何存储和 索引的。比如，使用 mapping 来定义：

• 哪些字符串属性应该被看做全文本属性（full text fields）。
• 哪些属性包含数字，日期或者地理位置。
• 文档中的所有属性是否都能被索引（_all 配置）。
• 日期的格式。
• 自定义映射规则来执行动态添加属性。

查看 mapping 信息：GET bank/_mapping

修改 mapping 信息:

新版本改变

Es7 及以上移除了 type 的概念。

• 关系型数据库中两个数据表示是独立的，即使他们里面有相同名称的列也不影响使用， 但 ES 中不是这样的。elasticsearch 是基于 Lucene 开发的搜索引擎，而 ES 中不同 type 下名称相同的 filed 最终在 Lucene 中的处理方式是一样的。

• 两个不同 type 下的两个 user_name，在 ES 同一个索引下其实被认为是同一个 filed， 你必须在两个不同的 type 中定义相同的 filed 映射。否则，不同 type 中的相同字段 名称就会在处理中出现冲突的情况，导致 Lucene 处理效率下降。
• 去掉 type 就是为了提高 ES 处理数据的效率。 Elasticsearch 7.x

• URL 中的 type 参数为可选。比如，索引一个文档不再要求提供文档类型。 Elasticsearch 8.x
• 不再支持 URL 中的 type 参数。 解决：

• 将索引从多类型迁移到单类型，每种类型文档一个独立索引
• 将已存在的索引下的类型数据，全部迁移到指定位置即可。详见数据迁移

1、创建索引并指定映射
PUT /my-index 
{ "mappings": { "properties": {"age": { "type": "integer" }, "email": { "type": "keyword" }, "name": { "type": "text" } } } }
添加新的字段映射
PUT /my-index/_mapping 
{ "properties": { "employee-id": { "type": "keyword", "index": false } } }
对于已经存在的映射字段，我们不能更新。更新必须创建新的索引进行数据迁移

数据迁移
先创建出 new_twitter 的正确映射。然后使用如下方式进行数据迁移

POST _reindex [固定写法] 
{ "source": { "index": "twitter" },"dest": { "index": "new_twitter" } }
将旧索引的 type 下的数据进行迁移 
POST _reindex 
{ "source": {"index": "twitter", "type": "tweet" },"dest": { "index": "tweets" } }

分词

个 tokenizer（分词器）接收一个字符流，将之分割为独立的 tokens（词元，通常是独立 的单词），然后输出 tokens 流。
例如，whitespace tokenizer 遇到空白字符时分割文本。它会将文本 “Quick brown fox!” 分割 为 [Quick, brown, fox!]。
该 tokenizer（分词器）还负责记录各个 term（词条）的顺序或 position 位置（用于 phrase 短 语和 word proximity 词近邻查询），以及 term（词条）所代表的原始 word（单词）的 start （起始）和 end（结束）的 character offsets（字符偏移量）（用于高亮显示搜索的内容）。 Elasticsearch 提供了很多内置的分词器，可以用来构建 custom analyzers（自定义分词器）。

安装 ik 分词器

注意：不能用默认 elasticsearch-plugin install xxx.zip 进行自动安装
https://github.com/medcl/elasticsearch-analysis-ik/releases?after=v6.4.2 对应 es 版本安装
进入 es 容器内部 plugins 目录
docker exec -it 容器 id /bin/bash
wget https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.4.2/elasticsearch-anal ysis-ik-7.4.2.zip unzip 下载的文件
rm –rf *.zip mv elasticsearch/ ik
可以确认是否安装好了分词器 cd …/bin
elasticsearch plugin list：即可列出系统的分词器

测试分词器

使用默认 
POST _analyze
 { "text": "我是中国人" } 
 请观察结果 使用分词器 
 POST _analyze { "analyzer": "ik_smart", "text": "我是中国人" } 
 请观察结果 另外一个分词器 ik_max_word POST _analyze { "analyzer": "ik_max_word", "text": "我是中国人" } 
 请观察结果 
 能够看出不同的分词器，分词有明显的区别，所以以后定义一个索引不能再使用默 认的 mapping 了，要手工建立 mapping, 因为要选择分词器。

自定义词库

修改/usr/share/elasticsearch/plugins/ik/config/中的 IKAnalyzer.cfg.xml /usr/share/elasticsearch/plugins/ik/config

<?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"></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">http://192.168.128.130/fenci/myword.txt</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>

按照xml中配置的路径利用 nginx 发布静态资源,按照请求路径，创建对应的文件夹以及文件，放在 nginx 的 html 下

扩展

• 随便启动一个 nginx 实例，只是为了复制出配置
• docker run -p 80:80 --name nginx -d nginx:1.10
• 将容器内的配置文件拷贝到当前目录：docker container cp nginx:/etc/nginx .
• 别忘了后面的点  修改文件名称：mv nginx conf 把这个 conf 移动到/mydata/nginx 下
• 终止原容器：docker stop nginx
• 执行命令删除原容器：docker rm $ContainerId
• 创建新的 nginx；执行以下命令

docker run -p 80:80 --name nginx \ -v /mydata/nginx/html:/usr/share/nginx/html \ -v /mydata/nginx/logs:/var/log/nginx \ -v /mydata/nginx/conf:/etc/nginx \ -d nginx:1.10

• 给 nginx 的 html 下面放的所有资源可以直接访问；