ElasticSearch Restful各种常用操作示范代码

es 7.x安装教程：https://blog.csdn.net/HumorChen99/article/details/109342802
配置非本地可访问：https://blog.csdn.net/HumorChen99/article/details/109365324

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

基操：增删改查

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

在这里插入图片描述
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
在这里插入图片描述

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
在这里插入图片描述
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
在这里插入图片描述
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
在这里插入图片描述
5. 修改完我们查询一下

GET http://192.168.1.104:9200/school/class_1/xiaohong

在这里插入图片描述
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"		
			}
		}
	}
}