作者 | 蔡柱梁
审校 | 重楼
目录
- ES是什么
- 倒排索引
- 使用ES必须知道的基本概念
- 了解常用的DSL
1 ES是什么
Elasticsearch 是一个分布式的 RESTful 搜索和分析引擎，可用来集中存储您的数据，以便您对形形色色、规模不一的数据进行搜索、索引和分析。
上面是
官网-API文档对的定位描述。ES 是一个分布式的
搜索引擎，数据存储形式与我们常用的
MySQL 的存储形式 — rows 不同，ES 会将数据以 JSON 结构存储到一个文档。一个文档写入 ES 后，我们可以在 1 秒左右查询到它，因此我们称 ES 在分布式中数据查询是准实时的。
提问：那么这种将一行行数据变成
我们传统的关系型数据库一般的存储形式是数据结构不固定，长度不固定。这时如果用关系型数据库做存储，那么我们表
设计上，只能用一个
为了可以适应高并发，又能快速检索、分析数据的搜索分析引擎，像倒排索引实现可以通过词条快速查找文档的，而倒排索引的实现与这种文档存储数据的方式密不可分。
ES 的适用场景所具有的特点：
- 海量数据的搜索服务
- 对实时性要求较高
- 对事务要求不高
2 倒排索引
倒排索引是文档检索系统中最常用的数据结构。
说到帮助搜索引擎检索数据的数据结构，我们最熟悉的应该就是倒排索引了。过去很多人喜欢用字典来举例，因为它的原理和我们使用中文字典查找汉字是相似的。
ES 会在我们保存一份文档的时候，将文档根据指定分词器进行分词，然后维护关键词和文档的关系——倒排索引。后面我们通过一些词条进行检索的时候，就可以通过这个索引找到对应相关的文档。
2.1 例子
下面举个例子。
插入两份文档，内容如下：
- we like JAVA java java
- we like lucene lucene lucene
建立倒排索引大体流程如下：
- 首先对所有数据的内容进行拆分，拆分成唯一的一个个词语（词条）
- 然后建立词条和对应文档的对应关系，具体如下：
| 词条 |
（文档ID，频率） |
词条在文档中的位置 |
| we |
(1,1) (2,1) |
(0) (0) |
| like |
(1,1) (2,1) |
(1) (1) |
| java |
(1,3) |
(2,3,4) |
| lucene |
(2,3) |
(2,3,4) |
注意：这里用表格来展示是为了方便理解，但是倒排索引其实是树结构。
那这时我检索词条：
3 使用ES必须知道的基本概念
这里的概念是我们在使用过程中绝对无法绕开的概念，所以我们需要知道，否则无法和同事交流，哪怕仅仅是使用级别。
3.1 document(文档)
在 ES 中，一份文档相当于 MySQL 中的一行记录，数据以 JSON 格式保存。文档被更新时，版本号会被增加。
3.2 Index(索引)
存储文档的地方，类似 MySQL 中的表。
3.3 MApping(映射)
映射是定义一个文件和它所包含的字段如何被存储和索引的过程（
这是官方定义）。
文档里面有许多字段，这些字段有自己的类型，采用什么分词器等等，我们可以通过。
3.4 type(类型)
这是比较老旧版本会用到的定义，在 ES5 的时代，它可以对 Index 做更精细地划分，那个时代的 Index 更像 MySQL 的实例，而 type 类似 MySQL 的 table。
ES 5.x 中一个index可以有多种type。
ES 6.x 中一个index只能有一种type。
ES 7.x 以后，将逐步移除type这个概念，现在的操作已经不再使用，默认_doc。
4 了解常用的DSL
在 MySQL 中，我们经常使用 SQL 通过客户端操作 MySQL，而 DSL 正是我们通过客户端发送给 ES 的操作指令。
下面只写一些现在我们常常接触的简单的 DSL，更多的请看 官网。
4.1 Index
官网API：
https://www.elastic.co/guide/en/elasticsearch/reference/current/docs-index_.html
4.1.1 创建索引
可以先建索引，再设置 mapping，也可以直接一次完成。
一次建好
PUT goods{
"mappings": {
"properties": {
"brand": {
"type": "keyword"
},
"category": {
"type": "keyword"
},
"num": {
"type": "integer"
},
"price": {
"type": "double"
},
"title": {
"type": "text",
"analyzer": "ik_smart"
},
"id": {
"type": "long"
}
}
}
}
4.1.2 查询 index 信息
GET index_name
4.1.3 删除 index
DELETE index_name
4.1.4 关闭 index
POST index_name/_close
当索引进入关闭状态，是不能操作文档的。
4.1.5 打开 index
POST index_name/_open
4.1.6 Aliases(别名) & Reindex
实际工作中，有很多情况可能都会需要重建 index，同时将旧的数据迁移到新 index 上，并且期望这个过程可以零停机，那么这时我们就可以用到 aliases 和 reindex 了。
事实上，我们程序访问 index，很少是访问真正的 indexName，一般我们会对 index 建别名，程序访问的是别名。因为如果使用别名，那么此别名背后的索引需要进行更换的时候对程序可以做到无感知。
下面是一个需要添加分词器而导致需要重建 index 和数据迁移的场景(这里只是举个简单场景，方便感受这些命令如何使用而已)。
1）先建立了一个 person，具体如下：
PUT person
{
"mappings" : {
"properties" : {
"address" : {
"type" : "text"
},
"age" : {
"type" : "integer"
},
"name" : {
"type" : "keyword"
}
}
}
}
2）后端程序访问是用别名
POST _aliases
{
"actions": [
{
"add": {
"index": "person",
"alias": "person_index"
}
}
]
}
3）添加了一些数据
PUT person/_doc/1
{
"name": "test1",
"age": 18,
"address": "test address"
}
4）添加分词器，更改 mapping 设置
PUT person2
{
"mappings" : {
"properties" : {
"address" : {
"type" : "text",
"analyzer": "ik_smart"
},
"age" : {
"type" : "integer"
},
"name" : {
"type" : "keyword"
}
}
}
}
5）别名操作（支持多个操作，并具有原子性）
POST /_aliases
{
"actions" : [
# 添加别名
{ "add" : { "index" : "person2", "alias" : "person_index" } }
]
}
这时我们后端程序只能对 person_index 进行读操作，无法进行写操作。
6）将 person 中的数据导入到 person2 中(如果是不同进程，支持远程访问)
POST _reindex
{
"source": {
"index": "person"
},
"dest": {
"index": "person2"
}
}
7）去掉 person
POST /_aliases
{
"actions" : [
# 将 person 从别名 person_index 中移除
{ "remove" : { "index" : "person", "alias" : "person_index" } }
]
}
这时后端程序对 person_index 的读写操作均恢复正常。
更多信息可以查阅官网：
reindex
aliases
4.2 设置 Mapping
添加 index。
PUT person
{
"settings": {
"number_of_shards": 1,
"number_of_replicas": 1
}
}
已经建好索引 person，但是没有设置 mapping，现在设置。
PUT person/_mapping
{
"properties": {
"name": {
"type": "keyword"
},
"age": {
"type": "integer"
},
"address":{
"type": "text",
"analyzer": "ik_max_word"
}
}
}
index 确定后，不能修改已有字段，只能添加，以下增加一个 test字段作为例子。
PUT person/_mapping
{
"properties": {
"test": {
"type": "text"
}
}
}
查询 mapping 信息
4.3 使用频率较高的查询
这里只写一些比较常接触的语句，不过像 wildcard 这种，也有很多
公司是禁止使用的，所以用的时候一定要了解公司规范要求。
先设置一个商品 index，具体如下：
PUT goods
{
"mappings": {
"properties": {
"brand": {
"type": "keyword"
},
"category": {
"type": "keyword"
},
"num": {
"type": "integer"
},
"price": {
"type": "double"
},
"title": {
"type": "text",
"analyzer": "ik_smart"
},
"id": {
"type": "long"
}
}
}
}
字段说明：
- title：商品标题
- price：商品价格
- num：商品库存
- category：商品类别
- brand：品牌名称
4.3.1 分页与排序
# GET 索引库名称/_search，默认展示10条数据
GET goods/_doc/_search
{
"query": {
"match_all": {}
},
"sort": [
{
"price": {
"order": "desc" # 根据价格降序排序
}
}
],
"from": 0, # 从哪一条开始
"size": 20 # 显示多少条
}
4.3.1.1 深度翻页
ES 深度分页存在的问题：
- 性能问题
- 深度分页会导致搜索引擎遍历大量的数据，因此会对性能产生负面影响。尤其是在数据量庞大的情况下，可能会导致搜索请求变得非常慢。
- 排序问题
- 这是由于不同分片上的数据排序不一致所导致的（每个分片需要将自己的处理结果给到协调节点，再由协调节点来计算出最后的结果）。
- 索引更新问题
- 如果在进行深度分页时，索引被更新了，那么可能会导致部分数据被遗漏或重复显示（为了避免这个问题，可以使用游标或滚动搜索等机制来遍历数据）。
- 内存问题
- 在进行深度分页时，Elasticsearch 需要将所有的搜索结果都存储在内存中。如果结果集非常大，那么会占用大量的内存，甚至可能导致内存溢出（为了避免这个问题，可以使用游标或滚动搜索等机制来逐步处理数据）。
在 Elasticsearch 7.0 之前，我们是采用 scroll 来解决深度分页的，但是到了 Elasticsearch 7.0 就开始不再推荐采用 scroll 了，推荐采用 search_after。
4.3.1.1.1 scroll
详细请看
官方文档。
以下例子来自于官网
1）先查询并生成快照
scroll=1m 是保留1分钟快照的意思，即是符合当前查询条件的数据的结果集合保留快照1分钟
POST /index_name/_search?scroll=1m
{
"size": 100,
"query": {
"match": {
"message": "foo"
}
}
}
假设返回的 scroll_id 是 DXF1ZXJ5QW5kRmV0Y2gBAAAAAAAAAD4WYm9laVYtZndUQlNsdDcwakFMNjU1QQ==
2）那么，我们就可以使用这个 ID 进行滚动翻页了
POST /_search/scroll
{
"scroll" : "1m", # 快照保持1分钟，重新计时
"scroll_id" : "DXF1ZXJ5QW5kRmV0Y2gBAAAAAAAAAD4WYm9laVYtZndUQlNsdDcwakFMNjU1QQ=="
}
3）查询完后，记得删除游标
DELETE /_search/scroll
{
"scroll_id" : "DXF1ZXJ5QW5kRmV0Y2gBAAAAAAAAAD4WYm9laVYtZndUQlNsdDcwakFMNjU1QQ=="
}
这里详细说下游标的工作方式：
当第一次发起 scroll 请求时，ES 会创建一个包含搜索结果的快照，并返回一个唯一的滚动 ID。在接下来的每个 scroll 请求中，都需要带上这个滚动 ID，表示要获取与该搜索上下文匹配的下一批结果。因为每个 scroll 请求都使用了相同的搜索上下文，所以每个请求返回的结果都是相同的，只是可能包含不同的文档。如果 scroll 请求返回的结果集合大小不足以填满请求的大小限制，则 ES 会在后台继续搜索，并将结果添加到当前结果集中，直到结果集合大小达到请求的大小限制或搜索完成为止。
由于 scroll 机制的实现方式，每次请求返回的结果可以是任意大小，可以避免一次性读取所有结果可能导致的内存问题。同时，由于滚动 ID 只在指定的时间段内有效，所以可以在不消耗过多内存的情况下，分批次处理大量数据。但是，需要注意的是，如果时间段设置得过短，可能会导致滚动 ID 过期，需要重新发起搜索请求。
4.3.1.1.2 search_after
详细请看
官网。
以下例子来自于官网
1）先查询
GET Twitter/_search
{
"query": {
"match": {
"title": "elasticsearch"
}
},
"sort": [
{"date": "asc"},
{"tie_breaker_id": "asc"}
]
}
假设响应如下：
{
"took" : 17,
"timed_out" : false,
"_shards" : ...,
"hits" : {
"total" : ...,
"max_score" : null,
"hits" : [
...
{
"_index" : "twitter",
"_id" : "654322",
"_score" : null,
"_source" : ...,
"sort" : [
1463538855,
"654322"
]
},
{
"_index" : "twitter",
"_id" : "654323",
"_score" : null,
"_source" : ...,
"sort" : [
1463538857,
"654323"
]
}
]
}
}
2）接着，使用上面响应结果中最后一个文档的排序键
作为参数传递到下一次查询中(这里其实就是对应了查询示例中的两个排序字段 date 和 tie_breaker_id)
GET twitter/_search
{
"query": {
"match": {
"title": "elasticsearch"
}
},
"search_after": [1463538857, "654323"],
"sort": [
{"date": "asc"},
{"tie_breaker_id": "asc"}
]
}
这里有一个问题，如果我在第2页准备翻到第3页时，refresh 了可能会打乱排序，那么这个分页的结果就不对了。为了避免这种情况，我们可以使用 PIT 来保存当前搜索的索引状态。
具体使用如下：
1）先得到 PIT ID
POST /index_name/_pit?keep_alive=1m
响应如下：
{
"id": "46ToAwMDaWR5BXV1aWQyKwZub2RlXzMAAAAAAAAAACoBYwADaWR4BXV1aWQxAgZub2RlXzEAAAAAAAAAAAEBYQADaWR5BXV1aWQyKgZub2RlXzIAAAAAAAAAAAwBYgACBXV1aWQyAAAFdXVpZDEAAQltYXRjaF9hbGw_gAAAAA=="
}
2）使用 PIT ID 搜索
GET /_search
{
"size": 10000,
"query": {
"match" : {
"user.id" : "elkbee"
}
},
"pit": {
"id": "46ToAwMDaWR5BXV1aWQyKwZub2RlXzMAAAAAAAAAACoBYwADaWR4BXV1aWQxAgZub2RlXzEAAAAAAAAAAAEBYQADaWR5BXV1aWQyKgZub2RlXzIAAAAAAAAAAAwBYgACBXV1aWQyAAAFdXVpZDEAAQltYXRjaF9hbGw_gAAAAA==",
"keep_alive": "1m"
},
"sort": [
{"@timestamp": {"order": "asc", "format": "strict_date_optional_time_nanos", "numeric_type" : "date_nanos" }}
]
}
响应如下：
{
"pit_id" : "46ToAwMDaWR5BXV1aWQyKwZub2RlXzMAAAAAAAAAACoBYwADaWR4BXV1aWQxAgZub2RlXzEAAAAAAAAAAAEBYQADaWR5BXV1aWQyKgZub2RlXzIAAAAAAAAAAAwBYgACBXV1aWQyAAAFdXVpZDEAAQltYXRjaF9hbGw_gAAAAA==",
"took" : 17,
"timed_out" : false,
"_shards" : ...,
"hits" : {
"total" : ...,
"max_score" : null,
"hits" : [
...
{
"_index" : "my-index-000001",
"_id" : "FaslK3QBySSL_rrj9zM5",
"_score" : null,
"_source" : ...,
"sort" : [
"2021-05-20T05:30:04.832Z",
4294967298
]
}
]
}
}
3）pit id + 排序键 翻页
GET /_search
{
"size": 10000,
"query": {
"match" : {
"user.id" : "elkbee"
}
},
"pit": {
"id": "46ToAwMDaWR5BXV1aWQyKwZub2RlXzMAAAAAAAAAACoBYwADaWR4BXV1aWQxAgZub2RlXzEAAAAAAAAAAAEBYQADaWR5BXV1aWQyKgZub2RlXzIAAAAAAAAAAAwBYgACBXV1aWQyAAAFdXVpZDEAAQltYXRjaF9hbGw_gAAAAA==",
"keep_alive": "1m"
},
"sort": [
{"@timestamp": {"order": "asc", "format": "strict_date_optional_time_nanos"}}
],
"search_after": [
"2021-05-20T05:30:04.832Z",
4294967298
],
"track_total_hits": false
}
4）查询完后，删除 PIT
DELETE /_pit
{
"id" : "46ToAwMDaWR5BXV1aWQyKwZub2RlXzMAAAAAAAAAACoBYwADaWR4BXV1aWQxAgZub2RlXzEAAAAAAAAAAAEBYQADaWR5BXV1aWQyKgZub2RlXzIAAAAAAAAAAAwBYgACBXV1aWQyAAAFdXVpZDEAAQltYXRjaF9hbGw_gAAAAA=="
}
scroll 和 search after 都是用来处理大数据时避免深度翻页的，它们区别如下：
- 实现方式不同
- scroll 使用游标来保持搜索上下文，而 search after 使用排序键来跟踪搜索进度。
- 参数设置不同
- scroll 需要指定一个时间段来保持搜索上下文，而 search after 需要指定一个排序字段和一个起始排序键来开始搜索。
- 数据处理方式不同
- scroll 适用于一次性处理所有数据的场景，每次请求返回的结果可以是任意大小，直到搜索上下文过期或搜索完成为止。而。
- 排序方式不同
- scroll 可能会导致排序不稳定的问题，而 search after 使用排序键来跟踪搜索进度，可以避免这个问题。
- 兼容性不同
- scroll 是 Elasticsearch 5.x 及之前版本的遗留功能，而 search after 是 Elasticsearch 7.0 中引入的新特性，Elasticsearch 7.0 开始推荐使用 search after。
4.3.2 match
想对搜索关键字进行分词，搜索的结果更全面。
特点
- 会对查询条件进行分词
- 然后将分词后的查询条件和词条进行等值匹配
- 默认取并集
GET goods/_search
{
"query": {
"match": {
"title": "华为手机"
}
}
}
# 指定取交集
GET goods/_search
{
"query": {
"match": {
"title": {
"query": "华为手机",
"operator": "and"
}
}
}
}
4.3.3 term
不想对搜索关键字进行分词，搜索的结果更加精确。
GET goods/_search
{
"query": {
"term": {
"title": {
"value": "华为"
}
}
}
}
4.3.4 range
当想对数值类型的字段做区间的搜索，例如商品价格。
# 价格大于等于2000，小于等于3000
# gte: >= lte:<= gt:> lt:<
GET goods/_search
{
"query": {
"range": {
"price": {
"gte": 2000,
"lte": 3000
}
}
}
}
4.3.5 wildcard
当使用match搜索仍然查询不到数据，可以尝试使用模糊查询，范围更广。
GET goods/_search
{
"query": {
"match": {
"title": "华"
}
}
}
运行结果：
可以发现查询的结果中，那些title包含“华为”的数据查不出来，因为那些数据，没有分出"华"这一个字，而分出的就是"华为"，这个时候我们若想把包含"华为"的数据都查出来，就可以使用模糊查询。
4.3.6 query_string
当不知道搜索的内容存储在哪个字段时，可以使用字符串搜索。
特点
- 会对查询条件进行分词
- 将分词后的查询条件和词条进行等值匹配
- 默认取并集（OR）
- 可以指定多个查询字段
1）不指定字段
GET goods/_search
{
"query": {
"query_string": {
"query": "华为手机"
}
}
}
2）指定字段
GET goods/_search
{
"query": {
"query_string": {
"fields": ["title", "brand"],
"query": "华为手机"
}
}
}
运行结果：
4.3.7 bool
当存在多个查询条件时
语法
must（and）：条件必须成立。
must_not（not）：条件必须不成立，必须和must或filter连接起来使用。
should（or）：条件可以成立。
filter：条件必须成立，性能比must高（不会计算得分）。
# 查询品牌为华为，并且title包含手机的数据
GET goods/_search
{
"query": {
"bool": {
"must": [
{
"term": {
"brand": {
"value": "华为"
}
}
},
{
"match": {
"title": "手机"
}
}
]
}
}
}
运行结果：
4.3.8 Aggregations
聚合查询
聚合类型：
- 指标聚合：相当于MySQL的聚合函数。比如max、min、avg、sum等。
- 桶聚合：相当于MySQL的 group by 操作。（不要对text类型的数据进行分组，会失败）
4.3.8.1 指标聚合
# 指标聚合：找品牌是华为的商品中价格最高的商品价格
GET goods/_search
{
"query": {
"term": {
"brand": {
"value": "华为"
}
}
},
"aggs": {
"max_price": {
"max": {
"field": "price"
}
}
},
"size": 0
}
运行结果：
4.3.8.2 桶聚合
# 桶聚合：根据品牌聚合，看每个品牌的手机商品数据量
GET goods/_search
{
"query": {
"match": {
"title": "手机"
}
},
"aggs": {
"brand_num": {
"terms": {
"field": "brand"
}
}
},
"size": 0
}
运行结果：
4.3.9 highlight（高亮查询）
# 高亮： 让 title 中的“华为”和“手机”高亮起来
GET goods/_search
{
"query": {
"match": {
"title": "华为手机"
}
},
"highlight": {
"fields": {
# 高亮字段
"title": {
# 前缀
"pre_tags": "<font class = 'color_class'>",
# 后缀
"post_tags": "</font>"
}
}
}
}
运行结果：
5 总结
这篇文章的宗旨是希望可以帮助刚接触ES 的人可以快速了解ES，和掌握ES 的一些常用查询。
声明：本站部分内容及图片来自互联网,转载是出于传递更多信息之目的,内容观点仅代表作者本人,不构成投资建议。投资者据此操作，风险自担。如有任何标注错误或版权侵犯请与我们联系，我们将及时更正、删除。
京公网安备 11010802035086号