ElasticSearch-全文检索
1.ElasticSearch-全文检索
1.1 简介：
-
Elasticsearch 是一个分布式的开源搜索和分析引擎，在 Apache Lucene 的基础上开发而成。Lucene 是开源的搜索引擎工具包，Elasticsearch 充分利用Lucene，并对其进行了扩展，使存储、索引、搜索都变得更快、更容易， 而最重要的是， 正如名字中的“ elastic ”所示， 一切都是灵活、有弹性的。而且，应用代码也不是必须用Java 书写才可以和Elasticsearc兼容，完全可以通过JSON 格式的HTTP 请求来进行索引、搜索和管理Elasticsearch 集群。
-
官方文档：
1.2 基本概念：
-
Index（索引）：
-
动词：相当于数据库中的insert
-
名词：相当于数据库中的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）的一个数据（Document），文档是JSON格式的，Document就像是Mysql中某个Table里面的内容。
-
-
-
倒排索引：
-
ElasticSearch为什么能快速检索出我们所搜索得到内容，主要得益于其内部维护的倒排索引表：
-
当保存第一条索引时，先对这条索引进行分词（定义见图片中，词也可以是单个字），在倒排索引表中记录每一个拆分出来的词的出现位置。保存完这五个索引就能维护出这样的一张倒排索引表。
-
当我们想要检索红海特工行动时，一样先对检索的数据进行分词，在倒排索引表中发现红海出现在已保存的索引中的1，2，3，4，5.特工出现在5，行动出现在1，2，3.由于红海出现在了保存的所有的记录中，所以ElasticSearch会将保存的所有的数据都检索出来。红海和行动以及特工都分别出现了两次，谁排在前面涉及到相关性得分的高低。红海、行动在保存的记录中的命中率为2/2、2/3。红海和特工的命中率为2/4. 。自然红海和行动的相关性得分高，所以包含红海和行动的索引会排在包含红海和特工的索引的前面。
-
-
1.3 安装：
1.3.1 安装ElasticSearch：
-
先将虚拟机内存增大至1G；
-
启动vagrant，运行命令：
-
//安装elasticsearch
sudo docker pull elasticsearch:7.4.2
-
1.3.2 安装可视化操作工具：
-
运行命令：
-
//kibana
sudo docker pull kibana:7.4.2
-
1.4 配置：
1.4.1 配置ElasticSearch
-
sudo docker images查看上面两个是否安装成功。
-
创建配置文件夹及数据文件夹：
-
sudo mkdir -p /mydata/elasticsearch/config
-
sudo mkdir -p /mydata/elasticsearch/data
-
如果已经是管理员就不用sudo了
-
-
进入到mydata文件夹下并展示文件夹内容，查看elasticsearch文件夹是否创建成功
-
cd /mydata/
-
[vagrant@localhost mydata]$ ls 只用输入ls
-
-
成功则进入到elasticsearch文件夹中并展示文件夹内容
-
[vagrant@localhost mydata]$ cd elasticsearch
-
[vagrant@localhost elasticsearch]$ ls 效果-》config data
-
-
进入config文件夹中
-
[vagrant@localhost elasticsearch]$ cd config/
-
-
切换root管理员模式
-
[vagrant@localhost config]$ su root 输入密码 默认是vagrant
-
-
开始配置elasticsearch
-
[root
-
-
启动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
-
-
docker ps 检测elasticsearch有没有启动，没有启动的话修改elasticsearch文件夹的权限，见下
-
cd ../返回上一层目录（elasticsearch），ll查看文件夹信息(效果及代码见下)
-
[root -
关于drwxr-xr-x的一点儿拓展
-
-
所以对于elasticsearch这个文件夹，文件所有者具有全部权限，文件所属组具有执行和读权限，其他用户具有读权限。
-
-
修改elasticsearch文件夹权限：
-
[root
-
-
docker ps -a 查看elasticsearch的CONTAINER ID，记录这个ID
-
重启elasticsearch
-
[root@localhost elasticsearch]# docker start +你的ID的前几位（能与其他的服务ID区别开就行）
-
-
docker ps检测elasticsearch是否启动成功，docker logs +你的ID的前几位查看elasticsearch的日志有没有报错，没有报错就继续访问192.168.56.10：9200。能访问成功则表示elasticsearch配置成功！
1.4.2 运行Kibana：
-
运行命令：
-
docker run --name kibana -e ELASTICSEARCH_HOSTS=http://192.168.56.10:9200 -p 5601:5601 -d kibana:7.4.2
-
-
docker ps检查kibana有没有成功启动
-
访问http://192.168.56.10:5601检测kibana有没有成功启动，没有启动成功的话就看看日志。
1.4.3 设置kibana和ElasticSearch自启动
-
运行命令：
-
sudo docker update cdae --restart=always
sudo docker update 1754 --restart=always
其中cdae和1754是你安装的kibana和ElasticSearch所对应的能够区分其他软件的ID。
-
1.5 elasticsearch入门
1.5.1 命令一 _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 相当于sql里的 show databases;
-
postman 发送get请求访问 http://192.168.56.10:9200/_cat/nodes
1.5.2 命令二 post&put新增数据
-
put请求：
-
请求路径： 主机号+端口号+索引+类型+唯一标识。例：http://192.168.56.10:9200/customer/external/1，带上JSON数据。其中customer是索引，external是类型，1是保存的这条数据的唯一标识。
-
注意：put请求必须带唯一标识。两次请求同一URL（唯一标识也相同），第一次为新增数据，第二次为修改数据。
-
-
post请求：
-
请求路径：主机号+端口号+索引+类型。带上JSON数据
-
注意：唯一标识可带可不带，不带唯一标识发送请求后elasticsearch会自动为你创建一个唯一标识，第二次发送同一请求一 样为新增操作，再一次为第二次请求创建唯一标识。带唯一标识就和put类似。
-
-
-
”_index“:索引
-
”_type":类型
-
"_id":唯一标识
-
"_verson":版本，随着这条记录的更新版本不断递加
-
"_shards":集群知识，目前不懂
-
"_seq_no":并发控制字段，每次更新就会加1，用来做乐观锁
-
"_primary_term":同上，主分配重新分配，如重启，就会变化。
-
1.5.3 命令三 get查询数据&乐观锁字段
-
-
请求路径：主机号+端口号+索引+类型+唯一标识
-
-
乐观锁：
-
如果两个人同时想修改同一条数据，很显然这是不允许的（数据库里的并发性控制也不允许），在发送的请求上带上参数_seq_no 和 _primary_term可以防止同时对同一条数据的误操作。（乐观锁）
-
请去路径：http://192.168.56.10:9200/customer/external/1?if_seq_no=0&if_primary_term=1
-
第一个人发送这个请求完成修改后，"_seq_no"的值就会发生变化，当第二个人后发送这个请求时，会显示409错误。
-
-
-
1.5.4 命令四 put&post修改数据
-
post请求更新：
-
请求路径：主机号+端口号+索引+类型+唯一标识/_update
-
当两次发送同一个post请求更新时，Elasticsearch会与原数据进行对比，没有变化则返回noop（NoOperation的缩写），同时版本号以及序列号（_seq_no）不会改变。
-
注意：请求路径后带update,所带的JSON数据格式必须带doc。即：
-
{
"doc":{
"name":"TX"，
//可以继续新增数据
}
} -
请求路径后面不带update，多次重复发送同一请求Elasticsearch不会与原数据进行对比，版本号和序列号会递增。
-
-
-
put请求更新：
-
请求路径：主机号+端口号+索引+类型+唯一标识
-
put更新操作不能带_update
-
1.5.5 命令五 删除数据
-
删除数据：
-
语法格式：DELETE customer/external/1 删除一条数据 or DELETE customer 删除整个索引
-
没有对类型的删除
-
请求方式为delete
-
1.5.6 命令六 bulk批量操作
-
bulk批量API
-
请求路径：主机号+端口号+索引+类型+/_bulk
-
请求方式必须为post。
-
携带JSON数据的格式：
-
{action:{metadata}}
{requestbody}
eg:
{"index":{"_id":1}}
{"name":"TX"}
{"index":{"_id":1}}
{"name":"ZMY"}
-
-
postman中不支持批量操作，所以我们到Kibana（(http://192.168.56.10:5601/app/kibana#/dev_tools/console?_g=())）中测试批量操作。
-
测试数据网址：https://raw.githubusercontent.com/elastic/elasticsearch/7.4/docs/src/test/resources/accounts.json
-
请求路径：POST /bank/account/_bulk
-
1.6 elasticsearch进阶
1.6.1 两种查询方式：
-
使用REST request URL：查询条件写在url上
-
GET bank/_search?q=*&sort=account_number:asc
-
-
REST request body结构化查询：
-
GET bank/_search
{
"query": {
"match_all": {}
},
"sort": [
{
"account_number": "asc"
},
{
"balance": "desc"
}
]
}
-
1.6.2 QueryDSL的基本使用：
-
标准语法（按提示）
GET bank/_search
{
"query": {
"match_all": {}
},
"sort": [
{
"balance": {
"order": "desc"
}
}
],
"from": 0,
"size": 20,
"_source": ["balance","firstname"]
} -
"_source":用来指定查询到的索引中返回的源数据的返回值，["balance","firstname"]表示在源数据中只显示balance和firstname这两个字段，只想返回一个字段也可以用{“字段名”}。
1.6.3 match全文检索
-
全文检索会对检索条件进行分词匹配，按照评分进行排序。
-
match可以做精确检索也可以做模糊检索,字段名对应的检索条件是精确的，这次查询就为精确查询，反之为模糊查询。
-
GET bank/_search
{
"query": {
"match": {
"address": "Mill"
}
}
}
-
1.6.4 match_phrase短语匹配：
-
match是将需要检索的词进行分词（拆词）匹配，而match_phrase则是将需要检索的词当作一个整体来匹配。
-
语法：
-
GET bank/_search
{
"query": {
"match_phrase": {
"需要进行模糊匹配的字段名": "匹配值"
}
}
}
-
1.6.5 multi_match 多字段匹配：
-
类似于sql里面的username like··· or nickname like···
-
语法：
-
用在上面就相当于
GET bank/_search
{
"query": {
"multi_match": {
"query": "省略号里面的东西",
"fields": ["username","nickname"]
}
}
}
-
-
multi_match 多字段匹配是分词匹配的，假设 省略号里面的东西 为A B，那么elasticsearch会将在username和nickname中包含A或B的索引全部都查出来，而同时包括A和B的相关性得分可能会更高。
1.6.6 bool 复合查询：
-
用bool可以在一次查询中关联多个条件：
-
eg：
-
GET bank/_search
{
"query": {
"bool": {
"must": [
{"match": {
"FIELD": "TEXT"
}}
],
"must_not": [
{"match": {
"FIELD": "TEXT"
}}
],
"should": [
{"match": {
"FIELD": "TEXT"
}}
]
}
}
} -
其中must条件为某个字段必须是查询的值，must_not条件为某个字段必须不是查询的值，不影响相关性得分。should条件为某个字段可以是查询的值，也可以不是，是查询的值相关性得分更高。
-
1.6.7 filter过滤：
-
filter过滤器可以替代查询，但是filter不会计算相关性得分。
-
语法：
-
GET bank/_search
{
"query": {
"bool": {
"must": [
{"match": {
"FIELD": "TEXT"
}}
],
"filter": {
"range": {
"FIELD": {
"gte": 10,
"lte": 20
}
}
}
}
}
}
-
1.6.8 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": {
"match": {
"address.keyword": "TEXT"
}
}
}
GET bank/_search
{
"query": {
"match_phrase": {
"address": "TEXT"
}
}
} -
这两种写法的不同之处：
-
第一种写法是将address.keyword是将后面的TEXT值完全当作源数据中对应字段的值进行匹配。是一种精确匹配。
-
第二种写法可以进行分词匹配，即源数据字段值中只需要含有这个值就行。
-
1.6.9 aggregations(执行聚合)：
-
聚合的基本使用：
-
GET bank/_search
{
"query": {
"match": {
"address": "mill"
}
},
"aggs": {
"AgeAggs": {
"terms": {
"field": "age",
"size": 10
}
}
}
} -
聚合结果：
-
"aggregations" : {
"AgeAggs" : {
"doc_count_error_upper_bound" : 0,
"sum_other_doc_count" : 0,
"buckets" : [
{
"key" : 38,
"doc_count" : 2
},
{
"key" : 28,
"doc_count" : 1
},
{
"key" : 32,
"doc_count" : 1
}
]
}
} -
类似于sql中的聚合函数。
-
先查询再聚合，上面的聚合的意思是按照年龄的值进行聚合。
-
-
复杂聚合的使用：
-
GET bank/_search
{
"query": {
"match_all": {}
},
"aggs": {
"AgeAggs": {
"terms": {
"field": "age",
"size": 100
},
"aggs": {
"genderAgg": {
"terms": {
"field": "gender.keyword",
"size": 10
},
"aggs": {
"balanceAvg": {
"avg": {
"field": "balance"
}
}
}
}
}
}
}
} -
聚合中嵌套聚合（子聚合）：先查询出所有的索引。先按照年龄聚合-》再在年龄聚合里按照性别聚合-》最后计算完成聚合后的分组的平均薪资。
-
1.6.10 参考：
-
聚合的类型等等参考官网文档：
1.6.11 映射：
-
类似于sql里面的数据类型，不过在es里，新建某一条记录后es会为我们自动猜测并存储这条记录的类型
-
使用 " GET /bank/_mapping "可以查看bank下的属性所对应的类型
-
自定义映射类型（创建映射）：
-
PUT /my_index
{
"mappings": {
"properties": {
"name": {
"type": "text"
},
"age": {
"type": "integer"
},
"email": {
"type": "keyword"
}
}
}
} -
text类型在检索时会进行全文检索，并且进行分词匹配。
-
keyword类型为精确检索。不进行分词匹配。
-
-
为映射添加新的字段：
-
PUT /my_index/_mapping
{
"properties": {
"employee_id": {
"type": "keyword",
"index": false
}
}
} -
其中index默认值为true，决定这条记录能不能作为索引被检索。
-
-
更新映射：
-
es里面不支持直接更新某个索引的映射，原因很简单。更新某个属性对应的类型后，之前所保存的属性的记录在检索时都会失效。对于已经存在的字段，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：
-
es6.0之前：
-
PUT /newbank
{
"mappings": {
"properties": {
"account_number": {
"type": "long"
},
"address": {
"type": "text"
},
"age": {
"type": "integer"
},
"balance": {
"type": "long"
},
"city": {
"type": "text"
},
"email": {
"type": "text"
},
"employer": {
"type": "text"
},
"firstname": {
"type": "text"
},
"gender": {
"type": "text"
},
"lastname": {
"type": "text"
},
"state": {
"type": "text"
}
}
}
}
//创建新的索引
GET /newbank/_mapping
POST _reindex
{
"source": {
"index": "bank",
"type": "account"
},
"dest": {
"index": "newbank "
}
}
//数据迁移
-
-
es6.0之后：
-
不需要指定数据类型
-
POST _reindex
{
"source": {
"index": "bank"
},
"dest": {
"index": "newbank "
}
}
//数据迁移
-
-
1.6.12 分词：
-
一个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terms(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（字符串偏移量）（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）。
关于分词器： https://www.elastic.co/guide/en/elasticsearch/reference/7.6/analysis.html
-
安装ik分词器：
-
如果你的虚拟机能够连接外网，那就直接使用wget安装：
-
没有安装wget先安装wget,顺便安装unzip 使用命令 ：
-
yum -y install wget
yum -y install unzip
-
-
-
安装ik分词器方法一：（推荐）
-
先进入 cd /mydata/elasticsearch/plugins/ik/
-
使用命令：wget https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.4.2/elasticsearch-analysis-ik-7.4.2.zip 下载ik分词器7.4.2版本 （注意：这里的版本要和你所使用的elasticsearch的版本一致）
-
使用命令：unzip elasticsearch-analysis-ik-7.4.2.zip -d ik 解压下载的自拍文件。
-
使用命令：rm -rf elasticsearch-analysis-ik-7.4.2.zip 删除压缩包文件。
-
重启elastic search，去kimaba上测试ik分词器是否生效。
-
-
安装ik分词器方法二：
-
在github上找自己使用的elasticsearch对应的ik分词器的版本，下载并解压。
-
使用虚拟机可视化操作软件比如MobaXterm在mydata/elasticsearch/plugins 下创建文件夹，取名ik，并利用MobaXterm在ik文件夹下上传你上一步解压的所有文件。
-
测试。。。。。。
-
-
配置nginx：
-
随便启动一个nginx实例，只是为了复制出配置
docker run -p 8081:80 --name nginx -d nginx:1.10 -
将容器内的配置文件拷贝到/mydata/nginx/conf/ 下
mkdir -p /mydata/nginx/html
mkdir -p /mydata/nginx/logs
mkdir -p /mydata/nginx/conf
docker container cp nginx:/etc/nginx . #拷贝到当前文件夹
#由于拷贝完成后会在config中存在一个nginx文件夹，所以需要将它的内容移动到conf中
mv /mydata/nginx/conf/nginx/* /mydata/nginx/conf/
rm -rf /mydata/nginx/conf/nginx -
终止原容器：
docker stop nginx -
执行命令删除原容器：
docker rm nginx -
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 -
设置开机启动nginx
docker update nginx --restart=always -
创建“/mydata/nginx/html/index.html”文件，测试是否能够正常访问
echo '<h2>hello nginx!</h2>' >/mydata/nginx/html/index.html访问：http://ngix所在主机的IP:80/index.html
-
-
自定义词库：
-
方法一：通过nginx 间接自定义词库：
-
在 /mydata/nginx/html/es/ 定义一个txt文件作为词库文件
-
修改 /mydata/elasticsearch/plugins/ik/config/ IKAnalyzer.cfg/xml ,设置远程词库为
-
重启elastic search，测试效果。
-
-
方法二：通过ik分词器中的config配置文件定义词库：
-
在/mydata/elasticsearch/plugins/ik/config/ 目录下新建一个fenci.dic文件。
-
修改 /mydata/elasticsearch/plugins/ik/config/ IKAnalyzer.cfg.xml ,设置扩展字典为fenci.dic。也就是你刚刚创建词库文件。
-
重启elastic search，测试效果。
-
-
这两种方法根本原理都相同，都是在某个文件中添加你想保留的字段，让分词器在分词时根据你的设置来进行分词。
-
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">fenci.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">http://192.168.56.10/es/fenci.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>
-
-
1.7 Elasticearch-Rest-Client
1.7.1 9300: TCP
-
spring-data-elasticsearch:transport-api.jar;
-
springboot版本不同，ransport-api.jar不同，不能适配es版本
-
7.x已经不建议使用，8以后就要废弃
-
1.7.2 9200: HTTP
-
jestClient: 非官方，更新慢；
-
RestTemplate：模拟HTTP请求，ES很多操作需要自己封装，麻烦；
-
HttpClient：同上；
-
Elasticsearch-Rest-Client：官方RestClient，封装了ES操作，API层次分明，上手简单； 最终选择Elasticsearch-Rest-Client（elasticsearch-rest-high-level-client）； https://www.elastic.co/guide/en/elasticsearch/client/java-rest/current/java-rest-high.html
1.8 springboot整合Elastic Search：
1.8.1 导入依赖：
-
新建module、开启服务注册发现什么的自己来。
-
依赖版本要和自己的elasticsearch的版本一致。
-
<dependency> <groupId>org.elasticsearch.client</groupId> <artifactId>elasticsearch-rest-high-level-client</artifactId> <version>7.4.2</version> </dependency>
-
父依赖中的elasticsearch版本要修改为对应的版本。（不该后面会报错）
-
<elasticsearch.version>7.4.2</elasticsearch.version>
-
1.8.2 测试保存数据
1.8.3 测试获取数据
https://www.elastic.co/guide/en/elasticsearch/client/java-rest/current/java-rest-high-search.html
@Test
public void searchData() throws IOException {
GetRequest getRequest = new GetRequest(
"users",
"_-2vAHIB0nzmLJLkxKWk");
GetResponse getResponse = client.get(getRequest, RequestOptions.DEFAULT);
System.out.println(getResponse);
String index = getResponse.getIndex();
System.out.println(index);
String id = getResponse.getId();
System.out.println(id);
if (getResponse.isExists()) {
long version = getResponse.getVersion();
System.out.println(version);
String sourceAsString = getResponse.getSourceAsString();
System.out.println(sourceAsString);
Map<String, Object> sourceAsMap = getResponse.getSourceAsMap();
System.out.println(sourceAsMap);
byte[] sourceAsBytes = getResponse.getSourceAsBytes();
} else {
}
}
查询state="AK"的文档：
{
"took": 1,
"timed_out": false,
"_shards": {
"total": 1,
"successful": 1,
"skipped": 0,
"failed": 0
},
"hits": {
"total": {
"value": 22, //匹配到了22条
"relation": "eq"
},
"max_score": 3.7952394,
"hits": [{
"_index": "bank",
"_type": "account",
"_id": "210",
"_score": 3.7952394,
"_source": {
"account_number": 210,
"balance": 33946,
"firstname": "Cherry",
"lastname": "Carey",
"age": 24,
"gender": "M",
"address": "539 Tiffany Place",
"employer": "Martgo",
"email": "cherrycarey@martgo.com",
"city": "Fairacres",
"state": "AK"
}
},
搜索address中包含mill的所有人的年龄分布以及平均年龄，平均薪资
GET bank/_search
{
"query": {
"match": {
"address": "Mill"
}
},
"aggs": {
"ageAgg": {
"terms": {
"field": "age",
"size": 10
}
},
"ageAvg": {
"avg": {
"field": "age"
}
},
"balanceAvg": {
"avg": {
"field": "balance"
}
}
}
}
java实现
/**
* 复杂检索:在bank中搜索address中包含mill的所有人的年龄分布以及平均年龄，平均薪资
* @throws IOException
*/