Elasticsearch使用总结

Posted 2022-08-27 Mr-Bruce

  最初接触Elasticsearch是在ELK日志系统的建设中，随着对日志数据的消费越来越多，被其强大的数据搜索和分析能力所吸引；后来，在用户行为数据采集系统中，使用Elasticsearch做核心数据存储和实时聚合分析；再后来，使用Elasticsearch搭建了产品的搜索服务。目前来看，Elasticsearch在这三个系统中表现都很灵活和优异，没有让我们失望，而在系统建设中，我们也遇到过不少问题，有基本概念的迷惑、操作方法、部署、性能等等各个方面。本文着重对Elasticsearch在应用层面上的使用进行总结，搞清楚WHAT和HOW两个层面，即是什么、怎么用。
  NOTE：本文所述的概念和方法均在Elasticsearch2.3版本下。

基本概念

Elasticsearch is a distributed, RESTful search and analytics engine capable of solving a growing number of use cases. As the heart of the Elastic Stack, it centrally stores your data so you can discover the expected and uncover the unexpected.

  这是官方对Elasticsearch的定位。通俗的讲，Elasticsearch就是一款面向文档的NoSQL数据库，使用JSON作为文档序列化格式。但是，它的高级之处在于，使用Lucene作为核心来实现所有索引和搜索的功能，使得每个文档的内容都可以被索引、搜索、排序、过滤。同时，提供了丰富的聚合功能，可以对数据进行多维度分析。对外统一使用REST API接口进行沟通，即Client与Server之间使用HTTP协议通信。
  先来看存储上的基本概念，这里将其与mysql进行了对比，从而可以更清晰的搞清楚每个概念的意义。

Elasticsearch	MySQL
index（索引，名词）	database
doc type（文档类型）	table
document（文档）	row
field（字段）	column
mapping（映射）	schema
query DSL（查询语言）	SQL

  再来看倒排索引的概念（官方解释）。倒排索引是搜索引擎的基石，也是Elasticsearch能实现快速全文搜索的根本。归纳起来，主要是对一个文档内容做两步操作：分词、建立“单词-文档”列表。举个例子，假如有下面两个文档：

1. "content": "The quick brown fox jumped over the lazy dog"
2. "content": "Quick brown foxes leap over lazy dogs in summer"

  Elasticsearch会使用分词器对content字段的内容进行分词，再根据单词在文档中是否出现建立如下所示的列表，√表示单词在文档中有出现。假如我们想搜索“quick brown”，只需要找到每个词在哪个文档中出现即可。如果有多个文档匹配，可以根据匹配的程度进行打分，找出相关性高的文档。

Term	Doc_1	Doc_2
Quick		√
The	√
brown	√	√
dog	√
dogs		√
fox	√
foxes		√
in		√
jumped	√
lazy	√	√
leap		√
over	√	√
quick	√
summer		√
the	√

  最后，我们再回过头看看上面的映射的概念。类似于MySQL在db schema中申明每个列的数据类型、索引类型等，Elasticsearch中使用mapping来做这件事。常用的是，在mapping中申明字段的数据类型、是否建立倒排索引、建立倒排索引时使用什么分词器。默认情况下，Elasticsearch会为所有的string类型数据使用standard分词器建立倒排索引。

查看mapping：GET http://localhost:9200/<index name>/_mapping
NOTE: 这里的index是blog，doc type是test

	"blog": 
		"mappings": 
			"test": 
				"properties": 
					"activity_type": 
						"type": "string",
						"index": "not_analyzed"
					,
					"address": 
						"type": "string",
						"analyzer": "ik_smart"
					,
					"happy_party_id": 
						"type": "integer"
					,
					"last_update_time": 
						"type": "date",
						"format": "yyyy-MM-dd HH:mm:ss"
					
				
			
		
	

数据插入

  在MySQL中，我们需要先建立database和table，申明db schema后才可以插入数据。而在Elasticsearch，可以直接插入数据，系统会自动建立缺失的index和doc type，并对字段建立mapping。因为半结构化数据的数据结构通常是动态变化的，我们无法预知某个文档中究竟有哪些字段，如果每次插入数据都需要提前建立index、type、mapping，那就失去了其作为NoSQL的优势了。

直接插入数据：POST http://localhost:9200/blog/test

	"count": 5,
	"desc": "hello world"


查看索引：GET http://localhost:9200/blog/_mapping

	"blog": 
		"mappings": 
			"test": 
				"properties": 
					"count": 
						"type": "long"
					,
					"desc": 
						"type": "string"
					
				
			
		
	

  然而这种灵活性是有限，比如上文我们提到，默认情况下，Elasticsearch会为所有的string类型数据使用standard分词器建立倒排索引，那么如果某些字段不想建立倒排索引怎么办。Elasticsearch提供了dynamic template的概念来针对一组index设置默认mapping，只要index的名称匹配了，就会使用该template设置的mapping进行字段映射。
  下面所示即创建一个名称为blog的template，该template会自动匹配以"blog_"开头的index，为其自动建立mapping，对文档中的所有string会自动增加一个.raw字段，并且该字段不做索引。 这也是ELK中的做法，可以查看ELK系统中Elasticsearch的template，会发现有一个名为logstash的template。

创建template：POST http://localhost:9200/_template/blog

	"template": "blog_*",
	"mappings": 
		"_default_": 
			"dynamic_templates": [
				"string_fields": 
					"mapping": 
						"type": "string",
						"fields": 
							"raw": 
								"index": "not_analyzed",
								"ignore_above": 256,
								"type": "string"
							
						
					,
					"match_mapping_type": "string"
				
			],
			"properties": 
				"timestamp": 
					"doc_values": true,
					"type": "date"
				
			,
			"_all": 
				"enabled": false
			
		
	


直接插入数据：POST http://localhost:9200/blog_2016-12-25/test

	"count": 5,
	"desc": "hello world"

  插入问题还有个话题就是批量插入。Elasticsearch提供了bulk API用来做批量的操作，你可以在该API中自由组合你要做的操作和数据，一次性发送给Elasticsearch进行处理，其格式是这样的。

action_and_meta_data\\n
optional_source\\n
action_and_meta_data\\n
optional_source\\n
....
action_and_meta_data\\n
optional_source\\n

比如：
 "index" :  "_index" : "test", "_type" : "type1", "_id" : "1"  
 "field1" : "value1" 
 "delete" :  "_index" : "test", "_type" : "type1", "_id" : "2"  
 "create" :  "_index" : "test", "_type" : "type1", "_id" : "3"  
 "field1" : "value3" 
 "update" : "_id" : "1", "_type" : "type1", "_index" : "test" 
 "doc" : "field2" : "value2" 

  如果是针对相同的index和doc type进行操作，则在REST API中指定index和type即可。批量插入的操作举例如下：

批量插入：POST http://localhost:9200/blog_2016-12-24/test/_bulk
"index": 
"count": 5, "desc": "hello world 111"
"index": 
"count": 6, "desc": "hello world 222"
"index": 
"count": 7, "desc": "hello world 333"
"index": 
"count": 8, "desc": "hello world 444"

查看插入的结果：GET http://localhost:9200/blog_2016-12-24/test/_search

数据查询

  Elasticsearch的查询语法（query DSL）分为两部分：query和filter，区别在于查询的结果是要完全匹配还是相关性匹配。filter查询考虑的是“文档中的字段值是否等于给定值”，答案在“是”与“否”中；而query查询考虑的是“文档中的字段值与给定值的匹配程度如何”，会计算出每份文档与给定值的相关性分数，用这个分数对匹配了的文档进行相关性排序。
  在实际使用中，要注意两点：第一，filter查询要在没有做倒排索引的字段上做，即上面mapping中增加的.raw字段；第二，通常使用filter来缩小查询范围，使用query进行搜索，即二者配合使用。举例来看，注意看三个不同查询在写法上的区别：

1. 只使用query进行查询：
POST http://localhost:9200/user_action/_search
查询的结果是page_name字段中包含了wechat所有文档
这里使用size来指定返回文档的数量，默认Elasticsearch是返回前100条数据的

	"query": 
		"bool": 
			"must": [
				"match": 
					"page_name": "wechat"
				
			,
			
				"range": 
					"timestamp": 
						"gte": 1481218631,
						"lte": 1481258231,
						"format": "epoch_second"
					
				
			]
		
	,
	"size": 2


2. 只使用filter进行查询：
POST http://localhost:9200/user_action/_search
查询的结果是page_name字段值等于"example.cn/wechat/view.html"的所有文档

	"filter": 
		"bool": 
			"must": [
				"term": 
					"page_name.raw": "example.cn/wechat/view.html"
				
			,
			
				"range": 
					"timestamp": 
						"gte": 1481218631,
						"lte": 1481258231,
						"format": "epoch_second"
					
				
			]
		
	,
	"size": 2


3. 同时使用query与filter进行查询：
POST http://localhost:9200/user_action/_search
查询的结果是page_name字段值等于"example.cn/wechat/view.html"的所有文档

	"query": 
		"bool": 
			"filter": [
				"bool": 
					"must": [
						"term": 
							"page_name.raw": "job.gikoo.cn/wechat/view.html"
						
					,
					
						"range": 
							"timestamp": 
								"gte": 1481218631,
								"lte": 1481258231,
								"format": "epoch_second"
							
						
					]
				
			]
		
	,
	"size": 2

聚合分析

  类似于MySQL中的聚合由分组和聚合计算组成，Elasticsearch的聚合也有两部分：Buckets与Metrics。Buckets，作为名词的话你可以理解为“桶”，意思是说聚合后的数据放在一个个桶里，也就是将数据分成多个组的意思，一个桶就是一个组别；作为动词，就是SQL中的分组group by。Metrics，可以理解为“度量”，就是对桶里的数据进行某个运算，相当于SQL中调用聚合函数COUNT，SUM，MAX等。另外，聚合分析有时需要对多个字段值进行分组，在MySQL中，我们只要使用“group by c1, c2, c3”就可以完成这样的功能，但是Elasticsearch没有这样的语法。Elasticsearch提供了另一种方法，即Buckets嵌套，仔细想想，似乎这种设计更加符合人的思维方式。
  举例来看具体操作方法：

1. 最简单的聚合查询
POST http://localhost:9200/user_action/_search
为了简单，这里删除了query的条件描述
将符合条件的文档按照公司进行聚合
这里有两个size，和aggs并列的size=0表示返回结果不包含查询结果，只返回聚合结果，terms里面的size表示返回的聚合结果数量

	"aggs": 
		"company_terms": 
			"terms": 
				"field": "company",
				"size": 2
			
		
    ,
    "size": 0


2. Buckets与Metric配合
POST http://localhost:9200/user_action/_search
将符合条件的文档按照公司进行聚合，并获取每个公司最近一次操作的时间

	"aggs": 
		"company_terms": 
			"terms": 
				"field": "company",
				"size": 2
			,
			"aggs": 
				"latest_record": 
					"max": 
						"field": "timestamp"
					
				
			
		
	,
	"size": 0


3. Buckets嵌套
POST http://localhost:9200/user_action/_search
将符合条件的文档先按照公司进行聚合，再对每个公司下的门店进行聚合，并获取每个门店最近一次操作的时间

	"aggs": 
		"company_terms": 
			"terms": 
				"field": "company",
				"size": 1
			,
			"aggs": 
				"store_terms": 
					"terms": 
						"field": "store",
						"size": 2
					,
					"aggs": 
						"latest_record": 
							"max": 
								"field": "timestamp"
							
						
					
				
			
		
	,
	"size": 0

  在上面的例子中，我们使用了terms来做buckets聚合，意思是按照某个字段的值来做分组，注意这里的字段是不能做过索引的，即需要使用上面所示的.raw字段或者非string的字段。Elasticsearch提供了更多有意思的buckets聚合方法，比如常用的date_histogram，可以对时间字段按照某个间隔进行聚合，找出每个时间段内的文档数量，这对我们做基于时间序列的统计是非常有帮助的，举例如下：

POST http://localhost:9200/user_action/_search

    "aggs": 
        "time_histogram": 
            "date_histogram": 
                "field": "timestamp",
                "interval": "day"
            
        
    ,
    "size": 0

(全文完，本文地址：http://blog.csdn.net/zwgdft/article/details/53868754)
Bruce，2016/12/25