elasticsearch分布式搜索引擎详细使用总结

Posted 2021-08-26 编程小工匠

文章目录

• 一、初识elasticsearch
• • 1.1.ES了解
  • • 1.1.1.elasticsearch的作用
    • 1.1.2.ELK技术栈
    • 1.1.3.elasticsearch和lucene
    • 1.1.4.为什么不是其他搜索技术？
    • 1.1.5.总结
  • 1.2.倒排索引
  • • 1.2.1.正向索引
    • 1.2.2.倒排索引
    • 1.2.3.正向和倒排
  • 1.3.ES中的概念
  • • 1.3.1.文档和字段
    • 1.3.2.索引和映射
    • 1.3.3.mysql与elasticsearch
  • 1.4.安装es、kibana
  • • 1.4.1部署单点es
    • • 1.1.创建网络
      • 1.2.加载镜像
      • 1.3.运行
    • 1.4.2部署kibana
    • • 2.1.部署
      • 2.2.DevTools
    • 1.4.3安装IK分词器
    • • 3.1.在线安装ik插件（较慢）
      • 3.2.离线安装ik插件（推荐）
      • • 1）查看数据卷目录
        • 2）解压缩分词器安装包
        • 3）上传到es容器的插件数据卷中
        • 4）重启容器
        • 5）测试：
      • 3.3 扩展词词典
      • 3.4 停用词词典
    • 1.5小结
• 二、索引库操作
• • 2.1.mapping映射属性
  • 2.2.索引库的CRUD
  • • 2.2.1.创建索引库和映射
    • • 基本语法：
      • 示例：
    • 2.2.2.查询索引库
    • 2.2.3.修改索引库
    • 2.2.4.删除索引库
    • 2.2.5.总结
• 三、文档操作
• • 3.1.新增文档
  • 3.2.查询文档
  • 3.3.删除文档
  • 3.4.修改文档
  • • 3.4.1.全量修改
    • 3.4.2.增量修改
  • 3.5. 练习小结
  • • DSL语句kibana分词器
    • • • DSL索引库操作
        • DSL文档操作
• 四、RestAPI
• • 4.1.导入Demo工程
  • • 4.0.1.导入数据
    • 4.0.2.导入项目
    • 4.0.3.mapping映射分析
    • 4.0.4.初始化RestClient
  • 4.2.创建索引库
  • • 4.1.1.代码解读
    • 4.1.2.完整示例
  • 4.3.删除索引库
  • 4.4.判断索引库是否存在
  • 4.5.总结
• 五、RestClient操作文档
• • 5.1.新增文档
  • • 5.1.1.索引库实体类
    • 5.1.2.语法说明
    • 5.1.3.完整代码
  • 5.2.查询文档
  • • 5.2.1.语法说明
    • 5.2.2.完整代码
  • 5.3.删除文档
  • 5.4.修改文档
  • • 5.4.1.语法说明
    • 5.4.2.完整代码
  • 5.5.批量导入文档
  • • 5.5.1.语法说明
    • 5.5.2.完整代码
  • 5.6.小结
• 六、DSL查询文档
• • 6.1.DSL查询分类
  • 6.2.全文检索查询
  • • 6.2.1.使用场景
    • 6.2.2.基本语法
  • 6.3.精准查询
  • • 6.3.1.term查询
    • 6.3.2.range查询
  • 6.4.地理坐标查询
  • • 6.4.1.矩形范围查询
    • 6.4.2.附近查询
  • 6.5.复合查询
  • • 6.5.1.相关性算分算法
    • 6.5.2.算分函数查询
    • • 1）语法说明
      • 2）示例
      • 3）function score query定义的三要素
    • 6.5.3.布尔查询
    • • 1）语法示例：
      • 2）示例
      • 3）bool查询逻辑关系
• 七、搜索结果处理
• • 7.1.排序
  • • 7.1.1.普通字段排序
    • 7.1.2.地理坐标排序
  • 7.2.分页
  • • 7.2.1.基本的分页
    • 7.2.2.深度分页问题
    • 7.2.3.小结
  • 7.3.高亮
  • • 7.3.1.高亮原理
    • 2.3.2.实现高亮
  • 7.4.总结
• 八、RestClient查询文档
• • 8.1.快速入门
  • • 8.1.1.发起查询请求
    • 8.1.2.解析响应
    • 8.1.3.完整代码
  • 8.2.match查询
  • 8.3.精确查询
  • 8.4.布尔查询
  • 8.5.排序、分页
  • 8.6.高亮
  • • 8.6.1.高亮请求构建
    • 8.6.2.高亮结果解析
• 九、DSL数据聚合
• • 9.1.聚合的种类
  • 9.2.聚合语法
  • • 9.2.1.Bucket聚合语法
    • 9.2.2.聚合结果排序
    • 9.2.3.限定聚合范围
    • 9.2.4.Metric聚合语法
    • 9.2.5.小结
  • 9.3.RestAPI实现聚合
• 十、自动补全
• • 10.1.拼音分词器
  • 10.2.自定义分词器
  • 10.3.自动补全查询
  • 10.4.实现酒店搜索框自动补全
  • • 10.4.1.修改酒店映射结构
    • 10.4.2.修改HotelDoc实体
    • 10.4.3.重新导入
  • 10.5.自动补全查询API
• 十一、数据同步
• • 11.1.思路分析
  • • 11.1.1.同步调用
    • 11.1.2.异步通知
    • 11.1.3.监听binlog
    • 11.1.4.选择
  • 11.2.实现数据同步
  • • 11.2.1.思路
    • 11.2.2.导入demo
    • 11.2.3.声明交换机、队列
    • • 1）引入依赖
      • 2）配置MQ地址
      • 3）声明队列交换机名称
      • 4）声明队列交换机
    • 11.2.4.发送MQ消息
    • 11.2.5.接收MQ消息
• 十二、ES集群
• • 12.1.ES集群概念
  • 12.2.4部署es集群
  • • 1）创建es集群
    • 2）集群状态监控
    • 3）创建索引库
    • • • 【1】利用kibana的DevTools创建索引库
        • 【2】利用cerebro创建索引库
    • 4）查看分片效果
  • 12.3.集群脑裂问题
  • • 1）集群职责划分
    • 2）脑裂问题
    • 3）小结
  • 12.4.集群分布式存储
  • • 1）分片存储测试
    • 2）分片存储原理
  • 12.5.集群分布式查询
  • 12.6.集群故障转移

一、初识elasticsearch

1.1.ES了解

1.1.1.elasticsearch的作用

elasticsearch是一款非常强大的开源搜索引擎，具备非常多强大功能，可以帮助我们从海量数据中快速找到需要的内容

例如：

• 在GitHub搜索代码

  

• 在电商网站搜索商品

  

• 在百度搜索答案

  

• 在打车软件搜索附近的车

  

1.1.2.ELK技术栈

elasticsearch结合kibana、Logstash、Beats，也就是elastic stack（ELK）。被广泛应用在日志数据分析、实时监控等领域：

而elasticsearch是elastic stack的核心，负责存储、搜索、分析数据。

1.1.3.elasticsearch和lucene

elasticsearch底层是基于lucene来实现的。

Lucene是一个Java语言的搜索引擎类库，是Apache公司的顶级项目，由DougCutting于1999年研发。官网地址：https://lucene.apache.org/ 。

elasticsearch的发展历史：

• 2004年Shay Banon基于Lucene开发了Compass
• 2010年Shay Banon 重写了Compass，取名为Elasticsearch。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-eF8VENDd-1627198567753)(assets/image-20210720195001221.png)]

1.1.4.为什么不是其他搜索技术？

目前比较知名的搜索引擎技术排名：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JKGAS7XH-1627198567754)(assets/image-20210720195142535.png)]

虽然在早期，Apache Solr是最主要的搜索引擎技术，但随着发展elasticsearch已经渐渐超越了Solr，独占鳌头：

1.1.5.总结

什么是elasticsearch？

• 一个开源的分布式搜索引擎，可以用来实现搜索、日志统计、分析、系统监控等功能

什么是elastic stack（ELK）？

• 是以elasticsearch为核心的技术栈，包括beats、Logstash、kibana、elasticsearch

什么是Lucene？

• 是Apache的开源搜索引擎类库，提供了搜索引擎的核心API

1.2.倒排索引

倒排索引的概念是基于mysql这样的正向索引而言的。

1.2.1.正向索引

那么什么是正向索引呢？例如给下表（tb_goods）中的id创建索引：

如果是根据id查询，那么直接走索引，查询速度非常快。

但如果是基于title做模糊查询，只能是逐行扫描数据，流程如下：

1）用户搜索数据，条件是title符合"%手机%"

2）逐行获取数据，比如id为1的数据

3）判断数据中的title是否符合用户搜索条件

4）如果符合则放入结果集，不符合则丢弃。回到步骤1

逐行扫描，也就是全表扫描，随着数据量增加，其查询效率也会越来越低。当数据量达到数百万时，就是一场灾难。

1.2.2.倒排索引

倒排索引中有两个非常重要的概念：

• 文档（Document）：用来搜索的数据，其中的每一条数据就是一个文档。例如一个网页、一个商品信息
• 词条（Term）：对文档数据或用户搜索数据，利用某种算法分词，得到的具备含义的词语就是词条。例如：我是中国人，就可以分为：我、是、中国人、中国、国人这样的几个词条

创建倒排索引是对正向索引的一种特殊处理，流程如下：

• 将每一个文档的数据利用算法分词，得到一个个词条
• 创建表，每行数据包括词条、词条所在文档id、位置等信息
• 因为词条唯一性，可以给词条创建索引，例如hash表结构索引

如图：

倒排索引的搜索流程如下（以搜索"华为手机"为例）：

1）用户输入条件"华为手机"进行搜索。

2）对用户输入内容分词，得到词条：华为、手机。

3）拿着词条在倒排索引中查找，可以得到包含词条的文档id：1、2、3。

4）拿着文档id到正向索引中查找具体文档。

如图：

虽然要先查询倒排索引，再查询倒排索引，但是无论是词条、还是文档id都建立了索引，查询速度非常快！无需全表扫描。

1.2.3.正向和倒排

那么为什么一个叫做正向索引，一个叫做倒排索引呢？

• 正向索引是最传统的，根据id索引的方式。但根据词条查询时，必须先逐条获取每个文档，然后判断文档中是否包含所需要的词条，是根据文档找词条的过程。

• 而倒排索引则相反，是先找到用户要搜索的词条，根据词条得到保护词条的文档的id，然后根据id获取文档。是根据词条找文档的过程。

是不是恰好反过来了？

那么两者方式的优缺点是什么呢？

正向索引：

• 优点：
  • 可以给多个字段创建索引
  • 根据索引字段搜索、排序速度非常快
• 缺点：
  • 根据非索引字段，或者索引字段中的部分词条查找时，只能全表扫描。

倒排索引：

• 优点：
  • 根据词条搜索、模糊搜索时，速度非常快
• 缺点：
  • 只能给词条创建索引，而不是字段
  • 无法根据字段做排序

1.3.ES中的概念

elasticsearch中有很多独有的概念，与mysql中略有差别，但也有相似之处。

1.3.1.文档和字段

elasticsearch是面向**文档（Document）**存储的，可以是数据库中的一条商品数据，一个订单信息。文档数据会被序列化为json格式后存储在elasticsearch中：

而Json文档中往往包含很多的字段（Field），类似于数据库中的列。

1.3.2.索引和映射

索引（Index），就是相同类型的文档的集合。

例如：

• 所有用户文档，就可以组织在一起，称为用户的索引；
• 所有商品的文档，可以组织在一起，称为商品的索引；
• 所有订单的文档，可以组织在一起，称为订单的索引；

因此，我们可以把索引当做是数据库中的表。

数据库的表会有约束信息，用来定义表的结构、字段的名称、类型等信息。因此，索引库中就有映射（mapping），是索引中文档的字段约束信息，类似表的结构约束。

1.3.3.mysql与elasticsearch

我们统一的把mysql与elasticsearch的概念做一下对比：

MySQL	Elasticsearch	说明
Table	Index	索引(index)，就是文档的集合，类似数据库的表(table)
Row	Document	文档（Document），就是一条条的数据，类似数据库中的行（Row），文档都是JSON格式
Column	Field	字段（Field），就是JSON文档中的字段，类似数据库中的列（Column）
Schema	Mapping	Mapping（映射）是索引中文档的约束，例如字段类型约束。类似数据库的表结构（Schema）
SQL	DSL	DSL是elasticsearch提供的JSON风格的请求语句，用来操作elasticsearch，实现CRUD

是不是说，我们学习了elasticsearch就不再需要mysql了呢？

并不是如此，两者各自有自己的擅长支出：

• Mysql：擅长事务类型操作，可以确保数据的安全和一致性

• Elasticsearch：擅长海量数据的搜索、分析、计算

因此在企业中，往往是两者结合使用：

• 对安全性要求较高的写操作，使用mysql实现
• 对查询性能要求较高的搜索需求，使用elasticsearch实现
• 两者再基于某种方式，实现数据的同步，保证一致性

1.4.安装es、kibana

1.4.1部署单点es

1.1.创建网络

因为我们还需要部署kibana容器，因此需要让es和kibana容器互联。这里先创建一个网络：

docker network create es-net

1.2.加载镜像

这里我们采用elasticsearch的7.12.1版本的镜像，这个镜像体积非常大，接近1G。在线拉取比较慢，这里使用下载好的直接加载。

# 本地导入数据
docker load -i es.tar

1.3.运行

运行docker命令，部署单点es：

docker run -d \\
	--name es \\
    -e "ES_JAVA_OPTS=-Xms512m -Xmx512m" \\
    -e "discovery.type=single-node" \\
    -v es-data:/usr/share/elasticsearch/data \\
    -v es-plugins:/usr/share/elasticsearch/plugins \\
    --privileged \\
    --network es-net \\
    -p 9200:9200 \\
    -p 9300:9300 \\
elasticsearch:7.12.1

命令解释：

• -e "cluster.name=es-docker-cluster"：设置集群名称
• -e "http.host=0.0.0.0"：监听的地址，可以外网访问
• -e "ES_JAVA_OPTS=-Xms512m -Xmx512m"：内存大小
• -e "discovery.type=single-node"：非集群模式
• -v es-data:/usr/share/elasticsearch/data：挂载逻辑卷，绑定es的数据目录
• -v es-logs:/usr/share/elasticsearch/logs：挂载逻辑卷，绑定es的日志目录
• -v es-plugins:/usr/share/elasticsearch/plugins：挂载逻辑卷，绑定es的插件目录
• --privileged：授予逻辑卷访问权
• --network es-net ：加入一个名为es-net的网络中
• -p 9200:9200：端口映射配置

在浏览器中输入：http://192.168.150.101:9200 即可看到elasticsearch的响应结果：

1.4.2部署kibana

kibana可以给我们提供一个elasticsearch的可视化界面，便于我们学习。

2.1.部署

docker load -i kibana.tar

运行docker命令，部署kibana

docker run -d \\
--name kibana \\
-e ELASTICSEARCH_HOSTS=http://es:9200 \\
--network=es-net \\
-p 5601:5601  \\
kibana:7.12.1

• --network es-net ：加入一个名为es-net的网络中，与elasticsearch在同一个网络中
• -e ELASTICSEARCH_HOSTS=http://es:9200"：设置elasticsearch的地址，因为kibana已经与elasticsearch在一个网络，因此可以用容器名直接访问elasticsearch
• -p 5601:5601：端口映射配置

kibana启动一般比较慢，需要多等待一会，可以通过命令：

docker logs -f kibana

查看运行日志，当查看到下面的日志，说明成功：

此时，在浏览器输入地址访问：http://192.168.150.101:5601，即可看到结果

2.2.DevTools

kibana中提供了一个DevTools界面：

这个界面中可以编写DSL来操作elasticsearch。并且对DSL语句有自动补全功能。

1.4.3安装IK分词器

3.1.在线安装ik插件（较慢）

# 进入容器内部
docker exec -it elasticsearch /bin/bash

# 在线下载并安装
./bin/elasticsearch-plugin  install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.12.1/elasticsearch-analysis-ik-7.12.1.zip

#退出
exit
#重启容器
docker restart elasticsearch

3.2.离线安装ik插件（推荐）

1）查看数据卷目录

安装插件需要知道elasticsearch的plugins目录位置，而我们用了数据卷挂载，因此需要查看elasticsearch的数据卷目录，通过下面命令查看:

docker volume inspect es-plugins

显示结果：

[
    {
        "CreatedAt": "2022-05-06T10:06:34+08:00",
        "Driver": "local",
        "Labels": null,
        "Mountpoint": "/var/lib/docker/volumes/es-plugins/_data",
        "Name": "es-plugins",
        "Options": null,
        "Scope": "local"
    }
]

说明plugins目录被挂载到了：/var/lib/docker/volumes/es-plugins/_data这个目录中。

2）解压缩分词器安装包

下面我们需要把课前资料中的ik分词器解压缩，重命名为ik

3）上传到es容器的插件数据卷中

也就是/var/lib/docker/volumes/es-plugins/_data ：

4）重启容器

# 4、重启容器
docker restart es

# 查看es日志
docker logs -f es

5）测试：

IK分词器包含两种模式：

• ik_smart：最少切分

• ik_max_word：最细切分（正向迭代最细粒度切分算法）

GET /_analyze
{
  "analyzer": "ik_max_word",
  "text": "程序员太棒了"
}

3.3 扩展词词典

随着互联网的发展，“造词运动”也越发的频繁。出现了很多新的词语，在原有的词汇列表中并不存在。比如：“奥力给”，“传智播客” 等。

所以我们的词汇也需要不断的更新，IK分词器提供了扩展词汇的功能。

1）打开IK分词器config目录：

2）在IKAnalyzer.cfg.xml配置文件内容添加：

<?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 *** 添加扩展词典-->
        <entry key="ext_dict">ext.dic</entry>
</properties>

3）新建一个 ext.dic，可以参考config目录下复制一个配置文件进行修改

传智播客
奥力给

4）重启elasticsearch

docker restart es

# 查看 日志
docker logs -f elasticsearch

日志中已经成功加载ext.dic配置文件

5）测试效果：

GET /_analyze
{
  "analyzer": "ik_max_word",
  "text": "传智播客Java就业超过90%,奥力给！"
}

注意当前文件的编码必须是 UTF-8 格式，严禁使用Windows记事本编辑

3.4 停用词词典

在互联网项目中，在网络间传输的速度很快，所以很多语言是不允许在网络上传递的，如：关于宗教、政治等敏感词语，那么我们在搜索时也应该忽略当前词汇。

IK分词器也提供了强大的停用词功能，让我们在索引时就直接忽略当前的停用词汇表中的内容。

1）IKAnalyzer.cfg.xml配置文件内容添加：

<?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">ext.dic</entry>
         <!--用户可以在这里配置自己的扩展停止词字典  *** 添加停用词词典-->
        <entry key="ext_stopwords">stopword.dic</entry>
</properties>

3）在 stopword.dic 添加停用词

领导人

4）重启elasticsearch

# 重启服务
docker restart elasticsearch
docker restart kibana

# 查看 日志
docker logs -f elasticsearch

日志中已经成功加载stopword.dic配置文件

5）测试效果：

GET /_analyze
{
  "analyzer": "ik_max_word",
  "text": "领导人都来慰问程序员了,奥力给！"
}

注意当前文件的编码必须是 UTF-8 格式，严禁使用Windows记事本编辑

1.5小结

分词器的作用是什么？

• 创建倒排索引时对文档分词
• 用户搜索时，对输入的内容分词

IK分词器有几种模式？

• ik_smart：智能切分，粗粒度
• ik_max_word：最细切分，细粒度

IK分词器如何拓展词条？如何停用词条？

• 利用config目录的IkAnalyzer.cfg.xml文件添加拓展词典和停用词典
• 在词典中添加拓展词条或者停用词条

二、索引库操作

索引库就类似数据库表，mapping映射就类似表的结构。

我们要向es中存储数据，必须先创建“库”和“表”。

2.1.mapping映射属性

mapping是对索引库中文档的约束，常见的mapping属性包括：

• type：字段数据类型，常见的简单类型有：
  • 字符串：text（可分词的文本）、keyword（精确值，例如：品牌、国家、ip地址）
  • 数值：long、integer、short、byte、double、float、
  • 布尔：boolean
  • 日期：date
  • 对象：object
• index：是否创建索引，默认为true
• analyzer：使用哪种分词器
• properties：该字段的子字段

例如下面的json文档：

{
    "age": 21,
    "weight": 52.1,
    "isMarried": false,
    "info": "黑马程序员Java讲师",
    "email": "[e-mail]",
    "score": [99.1, 99.5, 98.9],
    "name": {
        "firstName": "云",
        "lastName": "赵"
    }
}

对应的每个字段映射（mapping）：

• age：类型为 integer；参与搜索，因此需要index为true；无需分词器
• weight：类型为float；参与搜索，因此需要index为true；无需分词器
• isMarried：类型为boolean；参与搜索，因此需要index为true；无需分词器
• info：类型为字符串，需要分词，因此是text；参与搜索，因此需要index为true；分词器可以用ik_smart
• email：类型为字符串，但是不需要分词，因此是keyword；不参与搜索，因此需要index为false；无需分词器
• score：虽然是数组，但是我们只看元素的类型，类型为float；参与搜索，因此需要index为true；无需分词器
• name：类型为object，需要定义多个子属性
  • name.firstName；类型为字符串，但是不需要分词，因此是keyword；参与搜索，因此需要index为true；无需分词器
  • name.lastName；类型为字符串，但是不需要分词，因此是keyword；参与搜索，因此需要index为true；无需分词器

2.2.索引库的CRUD

这里我们统一使用Kibana编写DSL的方式来演示。

2.2.1.创建索引库和映射

基本语法：

• 请求方式：PUT
• 请求路径：/索引库名，可以自定义
• 请求参数：mapping映射

格式：

PUT /索引库名称
{
  "mappings": {
    "properties": {
      "字段名":{
        "type": "text",
        "analyzer": "ik_smart"
      },
      "字段名2":{
        "type": "keyword",
        "index": "false"
      },
      "字段名3":{
        "properties": {
          "子字段": {
            "type": "keyword"
          }
        }
      },
      // ...略
    }
  }
}

示例：

PUT /heima
{
  "mappings": {
    "properties": {
      "info":{
        "type": "text",
        "analyzer": "ik_smart"
      },
      "email":{
        "type": "keyword",
        "index": "falsae"
      },
      "name":{
        "properties": {
          "firstName": {
            "type": "keyword"
          }
        }
      },
      // ... 略
    }
  }
}

2.2.2.查询索引库

基本语法：

• 请求方式：GET

• 请求路径：/索引库名

• 请求参数：无

格式：

GET /索引库名

2.2.3.修改索引库

倒排索引结构虽然不复杂，但是一旦数据结构改变（比如改变了分词器），就需要重新创建倒排索引，这简直是灾难。因此索引库一旦创建，无法修改mapping。

虽然无法修改mapping中已有的字段，但是却允许添加新的字段到mapping中，因为不会对倒排索引产生影响。

语法说明：

PUT /索引库名/_mapping
{
  "properties": {
    "新字段名":{
      "type": "integer"
    }
  }
}

2.2.4.删除索引库

语法：

• 请求方式：DELETE

• 请求路径：/索引库名

• 请求参数：无

格式：

DELETE /索引库名

2.2.5.总结

索引库操作有哪些？

• 创建索引库：PUT /索引库名
• 查询索引库：GET /索引库名
• 删除索引库：DELETE /索引库名
• 添加字段：PUT /索引库名/_mapping

三、文档操作

3.1.新增文档

语法：

POST /索引库名/_doc/文档id
{
    "字段1": "值1",
    "字段2": "值2",
    "字段3": {
        "子属性1": "值3",
        "子属性2": "值4"
    },
    // ...
}

示例：

POST /heima/_doc/1
{
    "info": "黑马程序员Java讲师",
    "email": "[e-mail]",
    "name": {
        "firstName": "云",
        "lastName": "赵"
    }
}

3.2.查询文档

根据rest风格，新增是post，查询应该是get，不过查询一般都需要条件，这里我们把文档id带上。

语法：

通过kibana查看数据：

GET /索引库名称/_doc/{id}

3.3.删除文档

删除使用DELETE请求，同样，需要根据id进行删除：

语法：

DELETE /索引库名/_doc/id值

3.4.修改文档

修改有两种方式：

• 全量修改：直接覆盖原来的文档
• 增量修改：修改文档中的部分字段

3.4.1.全量修改

全量修改是覆盖原来的文档，其本质是：

• 根据指定的id删除文档
• 新增一个相同id的文档

注意：如果根据id删除时，id不存在，第二步的新增也会执行，也就从修改变成了新增操作了。

语法：

PUT /索引库名/_doc/文档id
{
    "字段1": "值1",
    "字段2": "值2",
    // ... 略
}

3.4.2.增量修改

增量修改是只修改指定id匹配的文档中的部分字段。

语法：

POST /索引库名/_update/文档id
{
    "doc": {
         "字段名": "新的值",
    }
}

3.5. 练习小结

文档操作有哪些？

• 创建文档：POST /{索引库名}/_doc/文档id { json文档 }
• 查询文档：GET /{索引库名}/_doc/文档id
• 删除文档：DELETE /{索引库名}/_doc/文档id
• 修改文档：
  • 全量修改：PUT /{索引库名}/_doc/文档id { json文档 }
  • 增量修改：POST /{索引库名}/_update/文档id { “doc”: {字段}}

DSL语句kibana分词器

DSL索引库操作

GET _search
{
  "query": {
    "match_all": {}
  }
}

#--------------索引库操作--------------------------

# 分词查询
GET /_analyze
{
  "analyzer": "ik_max_word",
  "text": "程序员学习java太棒了"
}

# 测试添加ext.dic后 分词查询
POST /_analyze
{
  "analyzer": "ik_max_word",
  "text": "程序员学习java太棒了啊,奥利给！都是精心总结的笔记，快来白嫖"
}

# 创建 person 索引库
PUT /person
{
  "mappings": {
    "properties": {
      "info": {
        "type": "text",
        "analyzer": "ik_smart"
      },
      "email": {
        "type": "keyword",
        "index": false
      },
      "name": {
        "properties": {
          "firstName": {
            "type": "keyword"
          },
          "listName": {
            "type": "keyword"
          }
            
        }
      }
    }
  }
}

# 查询索引库
GET /person
# 修改索引库
PUT /person/_mapping
{
  "properties": {
    "age": {
      "type": "long"
    }
  }
}

# 删除索引库
DELETE /person

DSL文档操作

# -------------------文档操作----------------------------
# 插入文档
POST /person/_doc/1
{
  "info": "五虎上将赵子龙",
  "email": "[e-mail]",
  "name": {
    "firstName": "云",
    "lastName": "赵"
  },
  分布式全文搜索引擎ElasticSearch—超详细

 550Elasticsearch详细入门教程系列 -分布式全文搜索引擎 Elasticsearch 2023.03.31
 ElasticSearch(超详细解说)[springBoot整合ElasticSearch]
 ElasticSearch的基本用法与集群搭建
 ElasticSearch的基本用法与集群搭建
 ELK（分布式大数据搜索和日志挖掘及可视化）之核心elasticsearch（ES）