ES 家的几个产品版本不太统一，有的在 2.x，有的在 4.x，为了打包在一起卖，ES 家把 ES、Kibana、Logstash 的版本统一成了 5.0 版本。现在的版本是 7.x
- 关系型数据库：Databases -> Tables -> Rows -> Columns
- ElasticSearch：Indices -> Types -> Documents -> Fields
ElasticSearch 集群可以包含多个索引 (indices)，每一个索引可以包含多个类型 (types)，每一个类型包含多个文档 (documents)，然后每个文档包含多个字段 (Fields)。
但是需要特别注意的是：在 SQL 中，不同表中的列都是毫不相关的，而在 ES 中，同一个索引内，不同 type 的同名字段就是同一个字段。
- 索引（名词）如上文所述，一个索引 (index) 就像是传统关系数据库中的数据库，它是相关文档存储的地方，index 的复数是 indices 或 indexes。
- 索引（动词）「索引一个文档」表示把一个文档存储到索引（名词）里，以便它可以被检索或者查询。这很像 SQL 中的 INSERT 关键字，差别是，如果文档已经存在，新的文档将覆盖旧的文档。
- 倒排索引，传统数据库为特定列增加一个索引，例如 B-Tree 索引来加速检索。Elasticsearch 和 Lucene 使用一种叫做倒排索引 (inverted index) 的数据结构来达到相同目的。
在 Elasticsearch 中，每一个字段的数据都是默认被索引的。也就是说，每个字段专门有一个反向索引用于快速检索。一个文档不只有数据。它还包含了元数据 (metadata)——关于文档的信息。三个必须的元数据节点是：
_index 文档所在的索引
_type 文档代表的对象的类
_id 文档的唯一标识
_version 用于控制冲突，可以由外部指定，采用乐观锁
检索返回 _source，可以使用 _update API 局部更新文档，_mget 总会返回 200
安装
因为 AWS 这些云厂商一直在吸开源血，所以 ES 默认产品现在需要使用自己的 brew tap 安装：
brew tap elastic/tap
brew install elastic/tap/elasticsearch-full
创建索引和插入数据
Mapping 用来定义 ES 中文档的字段类型，如果使用 dynamic mapping, ES 就会在第一次见到某个字段的时候推断出字段的类型。这时候就会有问题了，比如说时间戳可能被推断成了 long 类型。
所以，一般我们会在创建索引的时候指定 mapping 的类型。
PUT http://localhost:9200/company
{
"settings": {
"number_of_shards": 1,
"number_of_replicas": 1,
// 指定文本分词
"analysis": {
"analyzer": {
"analyzer-name": {
"type": "custom",
"tokenizer": "keyword",
"filter": "lowercase"
}
}
},
},
// 指定字段的类型
"mappings": {
"properties": {
"age": {
"type": "long"
},
"experienceInYears": {
"type": "long"
},
"name": {
"type": "text",
"analyzer": "analyzer-name" // 或者直接指定 ik_smart
}
}
}
}
ES 中的类型有：boolean, binary, long, double, text, date 等。
- 如果需要存储 enum 类型的话，直接在 text 类型中指定 {“index”: False} 就好了
- date 类型可以自动识别一些日期格式，比如时间戳，YYYY-mm-dd 等，也可以使用
format 指定，epoch_millis, epoch_second 用来指时间戳。
- 使用 analyzer 指定分词器
插入文档
POST http://localhost:9200/company/employee/?_create
{
"name": "Andrew",
"age" : 45,
"experienceInYears" : 10
}
Text Analyzer
众所周知，倒排索引的第一步就是要对文本进行一些预处理，尤其是分词。英文还好说，天然就是分好的，而中文则需要一些特殊的处理。虽然英文分词比较简单，但是因为会有词形的变化，所以还需要归一化。在 ES 中负责这些工作的部分叫做 Text Analyzer.
Text Analyzer 一般分为三个部分：
- Char Filter, 也就是处理一些字符
- Tokenizer, 也就是分词器
- Token Filter, 也就是处理一些词。添加同义词，抽取词干也会在这里进行
当文件被添加到索引和查询索引的时候都会调用 text analyzer.
为某个字段指定 text analyzer:
PUT my-index-000001
{
"mappings": {
"properties": {
"title": {
"type": "text",
"analyzer": "whitespace"
}
}
}
}
为某个索引指定 text analyzer:
PUT my-index-000001
{
"settings": {
"analysis": {
"analyzer": {
"default": {
"type": "simple"
}
}
}
}
}
使用 IK 分词
最常用的中文分词工具就是 IK 分词了，在 GitHub 上已经有一万个 Star 了，应该还是值得信任的。
elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.8.1/elasticsearch-analysis-ik-7.8.1.zip
其中的版本号需要替换成对应的 ES 的版本号。
IK 为 Elasticsearch 增加了两个分词器：ik_smart, ik_max_word. 其中 ik_smart 会分出较少的词，而 ik_max_word 会穷尽每一种方法分出尽量多的词。
比如说：今天天气真好.
ik_smart 会分成：今天天气, 真好.ik_max_word 会分成：今天天气, 今天, 天天, 真好.
搜索
GET /_search
GET /bank/_search
{
"query": { "match_all": {} }, // 查询的条件
"sort": [
{ "account_number": "asc" } // 排序条件
],
"from": 10, // 用于分页
"size": 10 // 每页大小
}
返回
{
"took" : 63, // 检索花费的时长
"timed_out" : false, // 是否超时
"_shards" : { // 关于检索的分片的信息
"total" : 5,
"successful" : 5,
"skipped" : 0,
"failed" : 0
},
"hits" : { // 命中结果
"total" : { // 命中结果数量
"value": 1000,
"relation": "eq"
},
"max_score" : null,
"hits" : [ {
"_index" : "bank",
"_type" : "_doc",
"_id" : "0",
"sort": [0],
"_score" : null,
// 检索到的文档内容
"_source" : {"account_number":0,"balance":16623,"firstname":"Bradshaw","lastname":"Mckenzie","age":29,"gender":"F","address":"244 Columbus Place","employer":"Euron","email":"bradshawmckenzie@euron.com","city":"Hobucken","state":"CO"}
}, {
"_index" : "bank",
"_type" : "_doc",
"_id" : "1",
"sort": [1],
"_score" : null,
"_source" : {"account_number":1,"balance":39225,"firstname":"Amber","lastname":"Duke","age":32,"gender":"M","address":"880 Holmes Lane","employer":"Pyrami","email":"amberduke@pyrami.com","city":"Brogan","state":"IL"}
}, ...
]
}
}
搜索中有很多参数可以调节：
track_total_hits. 默认情况下只有小于 10000 的时候结果才是精确的，因为统计有多少结果是一个 O(n) 的操作。filter. 按照某些条件过滤结果。比如电商中，搜索衣服时候的尺码颜色等highlighter. 在搜索结果中节选出包含关键词的部分_source. 通过一个数组指定返回的字段。默认情况下是返回所有字段的。
查询字段
最简单的查询：
GET /_search
{
"query": {
"match": {
"message": "this is a test"
}
}
}
默认情况下，查询的字段是使用 OR 关系的，显然这不是我们想要的，可以指定为 and
GET /_search
{
"query": {
"match": {
"message": {
"query": "this is a test",
"operator": "and"
}
}
}
}
match_all 用来读取所有文档：
GET /_search
{
"query": {
"match_all": {}
}
}
搜索结果翻页
使用 from 和 size 两个参数可以翻页，但是这两个参数就和 SQL 里面的 limit 和 offset 一样，页码越大，性能越低，因为他们其实就是傻乎乎的弄出所有结果来然后取中间。
除此之外，还可以使用 scroll api, 也就是让 ES 缓存住这个查询结果，每次都取一段。显然对于 ad hoc 的用户搜索来说也是不适用的。
最后一种方法是使用 search_after, 其实就相当于 SQL 中使用 where id > $id, 然后每次查询都用上次的最大 ID 就可以了。在 ES 中自然是取 sort 字段中每次查询的最大（最小）值。
GET my-index-000001/_search
{
"size": 10,
"query": {
"match" : {
"message" : "foo"
}
},
"search_after": [1463538857, "654323"], // 对应 sort 中的字段
"sort": [
{"@timestamp": "asc"},
{"tie_breaker_id": "asc"}
]
}
搜索结果排序
默认情况下，搜索结果会按照计算出来的 _score 也就是和搜索 query 的相关度来排序，我们也可以通过自定义 sort 字段来指定排序规则。
GET /my-index-000001/_search
{
"sort" : [
{ "post_date" : {"order" : "asc"}},
"user",
{ "name" : "desc" },
{ "age" : "desc" },
"_score",
"_doc",
],
"query" : {
"term" : { "user" : "kimchy" }
}
}
查询 DSL
ES 用 JSON 实现了自己的一套查询语句，基本上就是个 AST, 直接写就行了。子句分成两个：
- 查询子句
- 复合子句
设置密码
首先确保你安装的是 ES 的完全版，而不是 OSS 版本，不然是没有 xpack 的。然后在 elasticsearch.yml 中增加：
xpack.security.enabled: true
如果是在 Mac 上，可以通过 brew info elasticsearch-full 来查看配置文件的路径。
然后执行 bin/elasticsearch-keystore add "bootstrap.password" 和 elasticsearch-setup-passwords interactive
这时候只有再使用密码才能够接着访问：
curl --user elastic:123456 localhost:9200
Python 客户端
基础使用
pip install elasticsearch
需要注意的是大版本要和使用的 elasticsearch 服务器对应。
from elasticsearch import Elasticsearch
hosts = ['https://user:secret@localhost:443']
es = Elasticsearch(hosts, sniff_on_start, sniff_on_failure, sniffer_timeout=60)
es 的实例是线程安全的，可以在多个线程之间共享。另外需要注意的是，对于长时间运行的脚本，最好开启 sniff, 这样可以适应集群的变化。
全局配置
忽略错误
可以通过 ignore 参数指定忽略一些错误，不过最好不要这么搞，还是显式地使用 try 比较清晰明了。
es.indices.create(index='test-index', ignore=400)
es.indices.delete(index='test-index', ignore=[400, 404])
过滤结果
通过使用 filter_path 参数可以过滤结果。ES 返回的结果本来就很冗余，这个参数还是很有用的。* 表示通配符
es.search(index='test-index', filter_path=['hits.hits._id', 'hits.hits._type']) # returns the _id and _type
es.search(index='test-index', fitler_path=['hits.hits._*']) # returns all fileds in hits
常用查询方法
es.method(index=”, doc_type=”, id=”, zbody=”, _source=True/False…)
es.count(body=None, index=None, …)
返回匹配一个 query 的文档的数量
es.create(index, id, body, doc_type=None, …)
插入一个新的文档，参数名字也都挺明确的。
es.update(index, id, body, doc_type=None)
根据一个 id 更新文档
es.index(index, id, body, doc_type=None, …)
相当于 create or update
es.delete(index, id, doc_type=None)
根据 id 删除一个文档
es.exists(index, id, …)
根据 id 判断一个文档是否存在。
es.get(index, id, _source=True, …)
根据 id 返回一个文档。
es.search(body=None, index=None, source=True, from=x, size=10,)
最核心的方法了，搜索文档
索引管理方法
通常通过 es.indices 属性来访问索引相关的方法
es.indices.analyze(body=None, index=None,…)
使用索引指定的分词器对文本进行分析。
es.indices.create(index, body=None,…)
创建一个索引的 mapping
es.indices.delete(index…)
删除一个索引
es.indices.get_mapping(index)
返回一个索引的 mapping
es.indices.put_mapping(index, body, …)
更新一个索引的 mapping
批量操作
在 es 的 helpers 中提供了一个 bulk, 也就是批量的 API 用于批量操作。语法是：
from elasticsearch.helpers import bulk, parallel_bulk
bulk(es, actions)
其中 es 是一个 es 的客户端，而 actions 是一个数组，或者 iterable, 其中的每个元素是：
{
"_op_type": "delete", // index/create/delete/update, 默认是 index
"_index": "index-name", // 索引名字
"_id": 42,
"doc": {...}
}
异常
一般情况下，直接 catch 住基类错误就行了
- ImproperlyConfigured
- ElasticsearchException
- SerializationError, json 序列化错误
- TransportError
- ConnectionError
- NotFoundError, 文档不存在，对应 404
- ConflictError, 文档和缩影冲突，对应 409
- RequestError, 对应 400
- AuthenticationError, 对应 401
- AuthorizationError, 对应 403
参考
- http://www.tianshangkun.com/2018/05/15/ElasticSearch%E7%9A%84%E6%90%AD%E5%BB%BA%E4%B8%8E%E6%95%B0%E6%8D%AE%E7%BB%9F%E8%AE%A1/
- https://segmentfault.com/a/1190000017215854
- https://www.elastic.co/blog/found-elasticsearch-mapping-introduction
- https://medium.com/@ashish_fagna/getting-started-with-elasticsearch-creating-indices-inserting-values-and-retrieving-data-e3122e9b12c6
- https://elasticsearch-py.readthedocs.io/en/master/api.html
- https://www.elastic.co/blog/phrase-Queries-a-world-without-stopwords
- https://www.elastic.co/guide/en/elasticsearch/reference/current/built-in-users.html#set-built-in-user-passwords
- https://stackoverflow.com/questions/16712642/elasticsearch-enum-field
- smartcn vs ik
- https://segmentfault.com/a/1190000017215813
