文章目录
- 一、什么是elasticsearch
-
-
- 1 定义
- 2 简介
- 3 有关概念
-
- 二、elasticsearch安装
-
-
- 1 Windows安装
- 2 Linux安装
-
- 三、kibana安装
-
-
- 1 什么是kibana
- 2 安装
- 3 配置
- 4 运行
- 5 控制台
-
- 四、ik分词器安装
-
-
- 1 介绍
- 2 安装
-
- 五、Rest风格API的学习
-
-
- 1 操作索引
-
-
- 1.1 基本概念
- 1.2 创建索引
- 1.3 查看索引
- 1.4 删除索引
-
- 2 操作映射
-
-
- 2.1 基本概念
- 2.2 创建映射字段
- 2.3 查看映射
- 2.4 字段属性详解
- 2.5 新增数据
- 2.6 修改数据
- 2.7 删除数据
-
- 3 查询
-
- 3.1 基本查询
-
- 3.1.1 查询所有
- 3.1.2 匹配查询
- 3.1.3 多字段查询
- 3.1.4 词条匹配
- 3.1.5 多词条精确匹配
- 3.2 结果过滤
-
- 3.2.1 直接指定字段
- 3.2.2 指定includes和excludes
- 3.3 高级查询
-
- 3.3.1 布尔组合
- 3.3.2 范围查询
- 3.3.3 模糊查询
- 3.4 过滤
-
- 3.4.1 **条件查询中进行过滤**
- 3.4.2 **无查询条件,直接过滤**
- 3.5 排序
-
- 3.5.1 单字段排序
- 3.5.2 多字段排序
- 4 聚合aggregations
-
- 4.1 基本概念
-
- 4.1.1 **桶(bucket)**
- 4.1.2 **度量(metrics)**
- 4.2 聚合为桶
- 4.3 桶内度量
- 4.4 桶内嵌套桶
- 4.5.划分桶的其它方式
-
- 4.5.1.阶梯分桶Histogram
- 4.5.2.范围分桶range
-
一、什么是elasticsearch
1 定义
- Elasticsearch是一个基于Lucene的搜索服务器。
- 它提供了一个分布式多用户能力的全文搜索引擎,基于RESTful web接口。
- Elasticsearch是用Java语言开发的,并作为Apache许可条款下的开放源码发布,是一种流行的企业级搜索引擎。
- Elasticsearch用于云计算中,能够达到实时搜索,稳定,可靠,快速,安装使用方便。
- 官方客户端在Java、.NET(C#)、PHP、Python、Apache Groovy、Ruby和许多其他语言中都是可用的。
- 根据DB-Engines的排名显示,Elasticsearch是最受欢迎的企业搜索引擎,其次是Apache Solr,也是基于Lucene。
2 简介
- Elasticsearch 是一个分布式、高扩展、高实时的搜索与数据分析引擎。它能很方便的使大量数据具有搜索、分析和探索的能力。充分利用Elasticsearch的水平伸缩性,能使数据在生产环境变得更有价值。
- Elasticsearch 的实现原理主要分为以下几个步骤,首先用户将数据提交到Elasticsearch 数据库中,再通过分词控制器去将对应的语句分词,将其权重和分词结果一并存入数据,当用户搜索数据时候,再根据权重将结果排名,打分,再将返回结果呈现给用户。
- Elasticsearch是与名为Logstash的数据收集和日志解析引擎以及名为Kibana的分析和可视化平台一起开发的。这三个产品被设计成一个集成解决方案,称为“Elastic Stack”(以前称为“ELK stack”)。
- Elasticsearch可以用于搜索各种文档。它提供可扩展的搜索,具有接近实时的搜索,并支持多租户。
- Elasticsearch是分布式的,这意味着索引可以被分成分片,每个分片可以有0个或多个副本。每个节点托管一个或多个分片,并充当协调器将操作委托给正确的分片。
- 再平衡和路由是自动完成的。相关数据通常存储在同一个索引中,该索引由一个或多个主分片和零个或多个复制分片组成。一旦创建了索引,就不能更改主分片的数量。
- Elasticsearch使用Lucene,并试图通过JSON和Java API提供其所有特性。它支持facetting和percolating,如果新文档与注册查询匹配,这对于通知非常有用。
- 另一个特性称为“网关”,处理索引的长期持久性;例如,在服务器崩溃的情况下,可以从网关恢复索引。Elasticsearch支持实时GET请求,适合作为NoSQL数据存储,但缺少分布式事务。
-
小结
– 分布式,无需人工搭建集群(solr就需要人为配置,使用Zookeeper作为注册中心)
– Restful风格,一切API都遵循Rest原则,容易上手
– 近实时搜索,数据更新在Elasticsearch中几乎是完全同步的。
3 有关概念
- cluster:代表一个集群,集群中有多个节点,其中有一个为主节点,这个主节点是可以通过选举产生的,主从节点是对于集群内部来说的。es的一个概念就是去中心化,字面上理解就是无中心节点,这是对于集群外部来说的,因为从外部来看es集群,在逻辑上是个整体,你与任何一个节点的通信和与整个es集群通信是等价的。
- shards:代表索引分片,es可以把一个完整的索引分成多个分片,这样的好处是可以把一个大的索引拆分成多个,分布到不同的节点上。构成分布式搜索。分片的数量只能在索引创建前指定,并且索引创建后不能更改。
- replicas:代表索引副本,es可以设置多个索引的副本,副本的作用一是提高系统的容错性,当某个节点某个分片损坏或丢失时可以从副本中恢复。二是提高es的查询效率,es会自动对搜索请求进行负载均衡。
- recovery:代表数据恢复或叫数据重新分布,es在有节点加入或退出时会根据机器的负载对索引分片进行重新分配,挂掉的节点重新启动时也会进行数据恢复。
- river:代表es的一个数据源,也是其它存储方式(如:数据库)同步数据到es的一个方法。它是以插件方式存在的一个es服务,通过读取river中的数据并把它索引到es中,官方的river有couchDB的,RabbitMQ的,Twitter的,Wikipedia的。
- gateway:代表es索引快照的存储方式,es默认是先把索引存放到内存中,当内存满了时再持久化到本地硬盘。gateway对索引快照进行存储,当这个es集群关闭再重新启动时就会从gateway中读取索引备份数据。es支持多种类型的gateway,有本地文件系统(默认),分布式文件系统,Hadoop的HDFS和amazon的s3云存储服务。
- discovery.zen:代表es的自动发现节点机制,es是一个基于p2p的系统,它先通过广播寻找存在的节点,再通过多播协议来进行节点之间的通信,同时也支持点对点的交互。
- Transport:代表es内部节点或集群与客户端的交互方式,默认内部是使用tcp协议进行交互,同时它支持http协议(json格式)、thrift、servlet、memcached、zeroMQ等的传输协议(通过插件方式集成)。
二、elasticsearch安装
1 Windows安装
- 下载elasticsearch-6.4.1.zip
- 直接解压至某目录,设置该目录为ES_HOME环境变量
- 安装JDK,并设置JAVA_HOME环境变量
-
在windows下,运行 %ES_HOME%\bin\elasticsearch.bat即可运行
– 以head插件为例:
– 联网时,直接运行%ES_HOME%\bin\plugin --install mobz/elasticsearch-head。
– 不联网时,下载elasticsearch-head的zipball的master包,然后运行%ES_HOME%\bin\plugin --url file:///[path-to-downloadfile] --install head,其中[path-to-downloadfile]是下载后master包的绝对路径。
– 安装完成,重启服务,在浏览器打开http://localhost:9200/_plugin/head/ 即可。
2 Linux安装
-
新建一个用户leyou
– 出于安全考虑,elasticsearch默认不允许以root账号运行。
– 创建用户:
– 设置密码:useradd 用户名
– 切换用户:passwd 用户名
su - 用户名
-
上传安装包,并解压
– 我们将安装包上传到:/home/用户名目录
– 解压缩:
– 目录重命名:tar -zxwf elasticsearch-6.2.4.tar.gz
– 查看目录结构mv elasticsearch-6.3.0/ elasticsearch
-
修改配置
– 我们进入config目录:
cd config
需要修改的配置文件有两个
– 1. jvm.options
– Elasticsearch基于Lucene的,而Lucene底层是java实现,因此我们需要配置jvm参数。
– 编辑jvm.options:
– 默认配置如下:vim jvm.options
– 内存占用太多了,我们调小一些:-Xms1g -Xmx1g
-Xms512m -Xmx512m
– 2. elasticsearch.yml
–
– 修改数据和日志目录:vim elasticsearch.yml
path.data: /home/用户名/elasticsearch/data #数据目录位置
path.logs: /home/用户名/elasticsearch/logs # 日志目录位置
– 把data和logs目录修改指向了elasticsearch的安装目录。但是这两个目录并不存在,因此我们需要创建出来。
– 进入elasticsearch的根目录,然后创建:
– 修改绑定的ip:mkdir data mkdir logs
network.host: 0.0.0.0 # 绑定到0.0.0.0,允许任何ip来访问
默认只允许本机访问,修改为0.0.0.0后则可以远程访问
– 目前我们是做的单机安装,如果要做集群,只需要在这个配置文件中添加其它节点信息即可。
– elasticsearch.yml的其它可配置信息:
属性名 | 说明 |
---|---|
cluster.name | 配置elasticsearch的集群名称,默认是elasticsearch。建议修改成一个有意义的名称。 |
node.name | 节点名,es会默认随机指定一个名字,建议指定一个有意义的名称,方便管理 |
path.conf | 设置配置文件的存储路径,tar或zip包安装默认在es根目录下的config文件夹,rpm安装默认在/etc/ elasticsearch |
path.data | 设置索引数据的存储路径,默认是es根目录下的data文件夹,可以设置多个存储路径,用逗号隔开 |
path.logs | 设置日志文件的存储路径,默认是es根目录下的logs文件夹 |
path.plugins | 设置插件的存放路径,默认是es根目录下的plugins文件夹 |
bootstrap.memory_lock | 设置为true可以锁住ES使用的内存,避免内存进行swap |
network.host | 设置bind_host和publish_host,设置为0.0.0.0允许外网访问 |
http.port | 设置对外服务的http端口,默认为9200。 |
transport.tcp.port | 集群结点之间通信端口 |
discovery.zen.ping.timeout | 设置ES自动发现节点连接超时的时间,默认为3秒,如果网络延迟高可设置大些 |
discovery.zen.minimum_master_nodes | 主结点数量的最少值 ,此值的公式为:(master_eligible_nodes / 2) + 1 ,比如:有3个符合要求的主结点,那么这里要设置为2 |
-
运行
– 进入elasticsearch/bin目录,然后输入命令:
./elasticsearch
发现报错了,启动失败。
– 错误1:内核过低
– 我们使用的是centos6,其linux内核版本为2.6。而Elasticsearch的插件要求至少3.5以上版本。不过没关系,我们禁用这个插件即可。修改elasticsearch.yml文件,在最下面添加如下配置:
bootstrap.system_call_filter: false
然后重启
– 错误2:文件权限不足
–
– 我们用的是leyou用户,而不是root,所以文件权限不足。首先用root用户登录。 然后修改配置文件:[1]: max file descriptors [4096] for elasticsearch process likely too low, increase to at least [65536]
添加下面的内容:vim /etc/security/limits.conf
* soft nofile 65536
* hard nofile 131072
* soft nproc 4096
* hard nproc 4096
– 错误3:线程数不够
–
– 这是线程数不够。继续修改配置:[1]: max number of threads [1024] for user [leyou] is too low, increase to at least [4096]
修改下面的内容:vim /etc/security/limits.d/90-nproc.conf
改为:* soft nproc 1024
* soft nproc 4096
– 错误4:进程虚拟内存
–
– vm.max_map_count:限制一个进程可以拥有的VMA(虚拟内存区域)的数量,继续修改配置文件,[3]: max virtual memory areas vm.max_map_count [65530] likely too low, increase to at least [262144]
添加下面内容:vim /etc/sysctl.conf
然后执行命令:vm.max_map_count=655360
所有错误修改完毕,一定要重启你的 Xshell终端,否则配置无效。sysctl -p
-
成功标志
– 可以看到绑定了两个端口:
- 9300:集群节点间通讯接口
- 9200:客户端访问接口
三、kibana安装
1 什么是kibana
- Kibana是一个基于Node.js的Elasticsearch索引库数据统计工具,可以利用Elasticsearch的聚合功能,生成各种图表,如柱形图,线状图,饼图等。
- 而且还提供了操作Elasticsearch索引数据的控制台,并且提供了一定的API提示,非常有利于我们学习Elasticsearch的语法。
2 安装
- 因为Kibana依赖于node,我们的虚拟机没有安装node,而window中安装过。所以我们选择在window下使用kibana。
- 最新版本与elasticsearch保持一致,也是6.3.0,解压到特定目录即可
3 配置
- 进入安装目录下的config目录,修改kibana.yml文件:
- 修改elasticsearch服务器的地址:
elasticsearch.url: "http://192.168.56.101:9200"
4 运行
- 进入安装目录下的bin目录:双击bat运行
- 发现kibana的监听端口是5601,我们访问:http://127.0.0.1:5601
5 控制台
- 选择左侧的DevTools菜单,即可进入控制台页面
- 在页面右侧,我们就可以输入请求,访问Elasticsearch了。
四、ik分词器安装
1 介绍
- Lucene的IK分词器早在2012年已经没有维护了,现在我们要使用的是在其基础上维护升级的版本,并且开发为ElasticSearch的集成插件了,与Elasticsearch一起维护升级,版本也保持一致,最新版本:6.3.0
2 安装
- zip包,解压到Elasticsearch目录的plugins目录中
- 使用unzip命令解压:
unzip elasticsearch-analysis-ik-6.3.0.zip -d ik-analyzer
- 然后重启elasticsearch
五、Rest风格API的学习
1 操作索引
1.1 基本概念
- Elasticsearch也是基于Lucene的全文检索库,本质也是存储数据,很多概念与MySQL类似的。
- 在SolrCloud中,有一些集群相关的概念,在Elasticsearch也有类似的:
索引集(Indices,index的复数):逻辑上的完整索引 collection1
分片(shard):数据拆分后的各个部分
副本(replica):每个分片的复制
- 要注意的是:Elasticsearch本身就是分布式的,因此即便你只有一个节点,Elasticsearch默认也会对你的数据进行分片和副本操作,当你向集群添加新数据时,数据也会在新加入的节点中进行平衡。
- 对比关系:
索引(indices)--------------------------------Databases 数据库
类型(type)-----------------------------Table 数据表
文档(Document)----------------Row 行
字段(Field)-------------------Columns 列
- 详细说明:
概念 | 说明 |
---|---|
索引库(indices) | indices是index的复数,代表许多的索引, |
类型(type) | 类型是模拟mysql中的table概念,一个索引库下可以有不同类型的索引,比如商品索引,订单索引,其数据格式不同。不过这会导致索引库混乱,因此未来版本中会移除这个概念 |
文档(document) | 存入索引库原始的数据。比如每一条商品信息,就是一个文档 |
字段(field) | 文档中的属性 |
映射配置(mappings) | 字段的数据类型、属性、是否索引、是否存储等特性 |
1.2 创建索引
-
语法
– Elasticsearch采用Rest风格API,因此其API就是一次http请求,你可以用任何工具发起http请求
– 创建索引的请求格式:
- 请求方式:PUT
- 请求路径:/索引库名
- 请求参数:json格式:
{ "settings": { "number_of_shards": 3, "number_of_replicas": 2 } }
-
settings:索引库的设置
– number_of_shards:分片数量
– number_of_replicas:副本数量
-
使用kibana创建
– kibana的控制台,可以对http请求进行简化 ,相当于是省去了elasticsearch的服务器地址而且还有语法提示
1.3 查看索引
- Get请求可以帮我们查看索引信息,格式:
GET /索引库名
- 或者,我们可以使用*来查询所有索引库配置
1.4 删除索引
- 删除索引使用DELETE请求
- 语法:
DELETE /索引库名
2 操作映射
2.1 基本概念
- 索引有了,接下来肯定是添加数据。但是,在添加数据之前必须定义映射。
- 映射是定义文档的过程,文档包含哪些字段,这些字段是否保存,是否索引,是否分词等
2.2 创建映射字段
- 请求方式依然是PUT
PUT /索引库名/_mapping/类型名称 { "properties": { "字段名": { "type": "类型", "index": true, "store": true, "analyzer": "分词器" } } }
-
类型名称:就是前面将的type的概念,类似于数据库中的不同表
字段名:任意填写 ,可以指定许多属性,例如:
- type:类型,可以是text、long、short、date、integer、object等
- index:是否索引,默认为true
- store:是否存储,默认为false
- analyzer:分词器,这里的
即使用ik分词器ik_max_word
2.3 查看映射
- 语法:
GET /索引库名/_mapping
2.4 字段属性详解
- type
- String类型,又分两种:
- text:可分词,不可参与聚合
- keyword:不可分词,数据会作为完整字段进行匹配,可以参与聚合
- Numerical:数值类型,分两类
- 基本数据类型:long、interger、short、byte、double、float、half_float
-
浮点数的高精度类型:scaled_float
– 需要指定一个精度因子,比如10或100。elasticsearch会把真实值乘以这个因子后存储,取出时再还原。
-
Date:日期类型
– elasticsearch可以对日期格式化为字符串存储,但是建议我们存储为毫秒值,存储为long,节省空间。
- String类型,又分两种:
- index
-
index影响字段的索引情况。
– true:字段会被索引,则可以用来进行搜索。默认值就是true
– false:字段不会被索引,不能用来搜索
- index的默认值就是true,也就是说你不进行任何配置,所有字段都会被索引。
- 但是有些字段是我们不希望被索引的,比如商品的图片信息,就需要手动设置index为false。
-
- store
- 是否将数据进行额外存储。
- 在Elasticsearch中,即便store设置为false,也可以搜索到结果。
- 原因是Elasticsearch在创建文档索引时,会将文档中的原始数据备份,保存到一个叫做
的属性中。而且我们可以通过过滤_source
来选择哪些要显示,哪些不显示。_source
- 如果设置store为true,就会在
以外额外存储一份数据,多余,因此一般我们都会将store设置为false,事实上,store的默认值就是false。_source
2.5 新增数据
- 随机生成id
- 通过POST请求,可以向一个已经存在的索引库中添加数据。
POST /索引库名/类型名 { "key":"value" }
-
:源文档信息,所有的数据都在里面。_source
-
:这条文档的唯一标示,与文档自己的id字段没有关联_id
- 通过POST请求,可以向一个已经存在的索引库中添加数据。
- 自定义id
- 如果我们想要自己新增的时候指定id,可以这么做:
POST /索引库名/类型/id值 { ... }
- 如果我们想要自己新增的时候指定id,可以这么做:
- 智能判断
- Elasticsearch非常智能,你不需要给索引库设置任何mapping映射,它也可以根据你输入的数据来判断类型,动态添加数据映射。
2.6 修改数据
- 把刚才新增的请求方式改为PUT,就是修改了。不过修改必须指定id,
- id对应文档存在,则修改
- id对应文档不存在,则新增
2.7 删除数据
- 删除使用DELETE请求,同样,需要根据id进行删除
-
DELETE /索引库名/类型名/id值
3 查询
3.1 基本查询
- 基本语法
GET /索引库名/_search { "query":{ "查询类型":{ "查询条件":"查询条件值" } } }
- 这里的query代表一个查询对象,里面可以有不同的查询属性
- 查询类型:
,match_all
,match
,term
等等range
- 查询条件:查询条件会根据类型的不同,写法也有差异,后面详细讲解
3.1.1 查询所有
GET /heima/_search
{
"query":{
"match_all": {}
}
}
-
:代表查询对象query
-
:代表查询所有match_all
- took:查询花费时间,单位是毫秒
- time_out:是否超时
- _shards:分片信息
- hits:搜索结果总览对象
- total:搜索到的总条数
- max_score:所有结果中文档得分的最高分
- hits:搜索结果的文档对象数组,每个元素是一条搜索到的文档信息
- _index:索引库
- _type:文档类型
- _id:文档id
- _score:文档得分
- _source:文档的源数据
3.1.2 匹配查询
- or关系
-
类型查询,会把查询条件进行分词,然后进行查询,多个词条之间是or的关系match
GET /heima/_search { "query":{ "match":{ "title":"查询关键字" } } }
- 在上面的案例中,不仅会查询到“查询”,而且与“关键字”相关的都会查询到,多个词之间是
的关系。or
-
- and关系
- 某些情况下,我们需要更精确查找,我们希望这个关系变成
,可以这样做and
GET /heima/_search { "query":{ "match": { "title": { "query": "查询字段", "operator": "and" } } } }
- 本例中,只有同时包含
和查询
的词条才会被搜索到。字段
- 某些情况下,我们需要更精确查找,我们希望这个关系变成
- or和and之间
- 在
与or
间二选一有点过于非黑即白。 如果用户给定的条件分词后有 5 个查询词项,想查找只包含其中 4 个词的文档,该如何处理?将 operator 操作符参数设置成and
只会将此文档排除。and
- 有时候这正是我们期望的,但在全文搜索的大多数应用场景下,我们既想包含那些可能相关的文档,同时又排除那些不太相关的。换句话说,我们想要处于中间某种结果。
-
查询支持match
最小匹配参数, 这让我们可以指定必须匹配的词项数用来表示一个文档是否相关。我们可以将其设置为某个具体数字,更常用的做法是将其设置为一个minimum_should_match
,因为我们无法控制用户搜索时输入的单词数量:百分数
GET /heima/_search { "query":{ "match":{ "title":{ "query":"最小查询字段", "minimum_should_match": "75%" } } } }
- 本例中,搜索语句可以分为3个词,如果使用and关系,需要同时满足3个词才会被搜索到。这里我们采用最小品牌数:75%,那么也就是说只要匹配到总词条数量的75%即可,这里3*75% 约等于2。所以只要包含2个词条就算满足条件了。
- 在
3.1.3 多字段查询
-
与multi_match
类似,不同的是它可以在多个字段中查询match
GET /heima/_search { "query":{ "multi_match": { "query": "查询", "fields": [ "title", "subTitle" ] } } }
- 本例中,我们会在title字段和subtitle字段中查询
这个词查询
3.1.4 词条匹配
-
查询被用于精确值 匹配,这些精确值可能是数字、时间、布尔或者那些未分词的字符串term
GET /heima/_search { "query":{ "term":{ "price":2699.00 } } }
3.1.5 多词条精确匹配
-
查询和 term 查询一样,但它允许你指定多值进行匹配。如果这个字段包含了指定值中的任何一个值,那么这个文档满足条件:terms
GET /heima/_search { "query":{ "terms":{ "price":[2699.00,2899.00,3899.00] } } }
3.2 结果过滤
- 默认情况下,elasticsearch在搜索的结果中,会把文档中保存在
的所有字段都返回。_source
- 如果我们只想获取其中的部分字段,我们可以添加
的过滤_source
3.2.1 直接指定字段
GET /heima/_search
{
"_source": ["title","price"],
"query": {
"term": {
"price": 2699
}
}
}
3.2.2 指定includes和excludes
- 我们也可以通过:
- includes:来指定想要显示的字段
- excludes:来指定不想要显示的字段
- 二者都是可选的。
GET /heima/_search { "_source": { "includes":["title","price"] }, "query": { "term": { "price": 2699 } } }
- 与下面的结果将是一样的:
GET /heima/_search { "_source": { "excludes": ["images"] }, "query": { "term": { "price": 2699 } } }
3.3 高级查询
3.3.1 布尔组合
-
把各种其它查询通过bool
(与)、must
(非)、must_not
(或)的方式进行组合should
GET /heima/_search { "query":{ "bool":{ "must": { "match": { "title": "最小" }}, "must_not": { "match": { "title": "查询" }}, "should": { "match": { "title": "字段" }} } } }
3.3.2 范围查询
-
查询找出那些落在指定区间内的数字或者时间range
GET /heima/_search { "query":{ "range": { "price": { "gte": 1000.0, "lt": 2800.00 } } } }
-
查询允许以下字符:range
作符 说明 gt 大于 gte 大于等于 lt 小于 lte 小于等于
3.3.3 模糊查询
-
查询是fuzzy
查询的模糊等价。它允许用户搜索词条与实际词条的拼写出现偏差,但是偏差的编辑距离不得超过2term
GET /heima/_search { "query": { "fuzzy": { "title": "查询" } } }
- 上面的查询,也能查询到查询字段
- 我们可以通过
来指定允许的编辑距离:fuzziness
GET /heima/_search { "query": { "fuzzy": { "title": { "value":"查询", "fuzziness":1 } } } }
3.4 过滤
3.4.1 条件查询中进行过滤
- 所有的查询都会影响到文档的评分及排名。如果我们需要在查询结果中进行过滤,并且不希望过滤条件影响评分,那么就不要把过滤条件作为查询条件来用。而是使用
方式:filter
GET /heima/_search { "query":{ "bool":{ "must":{ "match": { "title": "查询字段" }}, "filter":{ "range":{"price":{"gt":2000.00,"lt":3800.00}} } } } }
- 注意:
中还可以再次进行filter
组合条件过滤。bool
3.4.2 无查询条件,直接过滤
- 如果一次查询只有过滤,没有查询条件,不希望进行评分,我们可以使用
取代只有 filter 语句的 bool 查询。在性能上是完全相同的,但对于提高查询简洁性和清晰度有很大帮助。constant_score
GET /heima/_search { "query":{ "constant_score": { "filter": { "range":{"price":{"gt":2000.00,"lt":3000.00}} } } }
3.5 排序
3.5.1 单字段排序
-
可以让我们按照不同的字段进行排序,并且通过sort
指定排序的方式order
GET /heima/_search { "query": { "match": { "title": "查询字段" } }, "sort": [ { "price": { "order": "desc" } } ] }
3.5.2 多字段排序
- 假定我们想要结合使用 price和 _score(得分) 进行查询,并且匹配的结果首先按照价格排序,然后按照相关性得分排序:
GET /goods/_search { "query":{ "bool":{ "must":{ "match": { "title": "查询字段" }}, "filter":{ "range":{"price":{"gt":200000,"lt":300000}} } } }, "sort": [ { "price": { "order": "desc" }}, { "_score": { "order": "desc" }} ] }
4 聚合aggregations
- 聚合可以让我们极其方便的实现对数据的统计、分析。例如:
- 什么品牌的手机最受欢迎?
- 这些手机的平均价格、最高价格、最低价格?
- 这些手机每月的销售情况如何?
- 实现这些统计功能的比数据库的sql要方便的多,而且查询速度非常快,可以实现实时搜索效果。
4.1 基本概念
- Elasticsearch中的聚合,包含多种类型,最常用的两种,一个叫
,一个叫桶
:度量
4.1.1 桶(bucket)
- 桶的作用,是按照某种方式对数据进行分组,每一组数据在ES中称为一个
,例如我们根据国籍对人划分,可以得到桶
、中国桶
,英国桶
……或者我们按照年龄段对人进行划分:010,1020,2030,3040等。日本桶
- Elasticsearch中提供的划分桶的方式有很多:
- Date Histogram Aggregation:根据日期阶梯分组,例如给定阶梯为周,会自动每周分为一组
- Histogram Aggregation:根据数值阶梯分组,与日期类似
- Terms Aggregation:根据词条内容分组,词条内容完全匹配的为一组
- Range Aggregation:数值和日期的范围分组,指定开始和结束,然后按段分组
- ……
- bucket aggregations 只负责对数据进行分组,并不进行计算,因此往往bucket中往往会嵌套另一种聚合:metrics aggregations即度量
4.1.2 度量(metrics)
- 分组完成以后,我们一般会对组中的数据进行聚合运算,例如求平均值、最大、最小、求和等,这些在ES中称为
度量
- 比较常用的一些度量聚合方式:
- Avg Aggregation:求平均值
- Max Aggregation:求最大值
- Min Aggregation:求最小值
- Percentiles Aggregation:求百分比
- Stats Aggregation:同时返回avg、max、min、sum、count等
- Sum Aggregation:求和
- Top hits Aggregation:求前几
- Value Count Aggregation:求总数
- ……
-
为了测试聚合,我们先批量导入一些数据
创建索引:
PUT /cars { "settings": { "number_of_shards": 1, "number_of_replicas": 0 }, "mappings": { "transactions": { "properties": { "color": { "type": "keyword" }, "make": { "type": "keyword" } } } } }
- 注意:在ES中,需要进行聚合、排序、过滤的字段其处理方式比较特殊,因此不能被分词。这里我们将color和make这两个文字类型的字段设置为keyword类型,这个类型不会被分词,将来就可以参与聚合
- 导入数据
POST /cars/transactions/_bulk { "index": {}} { "price" : 10000, "color" : "red", "make" : "honda", "sold" : "2014-10-28" } { "index": {}} { "price" : 20000, "color" : "red", "make" : "honda", "sold" : "2014-11-05" } { "index": {}} { "price" : 30000, "color" : "green", "make" : "ford", "sold" : "2014-05-18" } { "index": {}} { "price" : 15000, "color" : "blue", "make" : "toyota", "sold" : "2014-07-02" } { "index": {}} { "price" : 12000, "color" : "green", "make" : "toyota", "sold" : "2014-08-19" } { "index": {}} { "price" : 20000, "color" : "red", "make" : "honda", "sold" : "2014-11-05" } { "index": {}} { "price" : 80000, "color" : "red", "make" : "bmw", "sold" : "2014-01-01" } { "index": {}} { "price" : 25000, "color" : "blue", "make" : "ford", "sold" : "2014-02-12" }
4.2 聚合为桶
- 首先,我们按照 汽车的颜色
来划分color
桶
GET /cars/_search { "size" : 0, "aggs" : { "popular_colors" : { "terms" : { "field" : "color" } } } }
- size: 查询条数,这里设置为0,因为我们不关心搜索到的数据,只关心聚合结果,提高效率
- aggs:声明这是一个聚合查询,是aggregations的缩写
- popular_colors:给这次聚合起一个名字,任意。
- terms:划分桶的方式,这里是根据词条划分
- field:划分桶的字段
- terms:划分桶的方式,这里是根据词条划分
- popular_colors:给这次聚合起一个名字,任意。
- 结果:
{ "took": 1, "timed_out": false, "_shards": { "total": 1, "successful": 1, "skipped": 0, "failed": 0 }, "hits": { "total": 8, "max_score": 0, "hits": [] }, "aggregations": { "popular_colors": { "doc_count_error_upper_bound": 0, "sum_other_doc_count": 0, "buckets": [ { "key": "red", "doc_count": 4 }, { "key": "blue", "doc_count": 2 }, { "key": "green", "doc_count": 2 } ] } } }
- hits:查询结果为空,因为我们设置了size为0
- aggregations:聚合的结果
- popular_colors:我们定义的聚合名称
- buckets:查找到的桶,每个不同的color字段值都会形成一个桶
- key:这个桶对应的color字段的值
- doc_count:这个桶中的文档数量
- 通过聚合的结果我们发现,目前红色的小车比较畅销!
4.3 桶内度量
- 前面的例子告诉我们每个桶里面的文档数量,这很有用。 但通常,我们的应用需要提供更复杂的文档度量。 例如,每种颜色汽车的平均价格是多少?
- 因此,我们需要告诉Elasticsearch
,使用哪个字段
进行运算,这些信息要嵌套在使用何种度量方式
内,桶
的运算会基于度量
内的文档进行桶
- 现在,我们为刚刚的聚合结果添加 求价格平均值的度量:
GET /cars/_search { "size" : 0, "aggs" : { "popular_colors" : { "terms" : { "field" : "color" }, "aggs":{ "avg_price": { "avg": { "field": "price" } } } } } }
- aggs:我们在上一个aggs(popular_colors)中添加新的aggs。可见
也是一个聚合度量
- avg_price:聚合的名称
- avg:度量的类型,这里是求平均值
- field:度量运算的字段
- 结果:
"aggregations": { "popular_colors": { "doc_count_error_upper_bound": 0, "sum_other_doc_count": 0, "buckets": [ { "key": "red", "doc_count": 4, "avg_price": { "value": 32500 } }, { "key": "blue", "doc_count": 2, "avg_price": { "value": 20000 } }, { "key": "green", "doc_count": 2, "avg_price": { "value": 21000 } } ] } }
- 可以看到每个桶中都有自己的
字段,这是度量聚合的结果avg_price
4.4 桶内嵌套桶
- 刚刚的案例中,我们在桶内嵌套度量运算。事实上桶不仅可以嵌套运算, 还可以再嵌套其它桶。也就是说在每个分组中,再分更多组。
- 比如:我们想统计每种颜色的汽车中,分别属于哪个制造商,按照
字段再进行分桶make
GET /cars/_search { "size" : 0, "aggs" : { "popular_colors" : { "terms" : { "field" : "color" }, "aggs":{ "avg_price": { "avg": { "field": "price" } }, "maker":{ "terms":{ "field":"make" } } } } } }
- 原来的color桶和avg计算我们不变
- maker:在嵌套的aggs下新添一个桶,叫做maker
- terms:桶的划分类型依然是词条
- filed:这里根据make字段进行划分
- 部分结果:
... {"aggregations": { "popular_colors": { "doc_count_error_upper_bound": 0, "sum_other_doc_count": 0, "buckets": [ { "key": "red", "doc_count": 4, "maker": { "doc_count_error_upper_bound": 0, "sum_other_doc_count": 0, "buckets": [ { "key": "honda", "doc_count": 3 }, { "key": "bmw", "doc_count": 1 } ] }, "avg_price": { "value": 32500 } }, { "key": "blue", "doc_count": 2, "maker": { "doc_count_error_upper_bound": 0, "sum_other_doc_count": 0, "buckets": [ { "key": "ford", "doc_count": 1 }, { "key": "toyota", "doc_count": 1 } ] }, "avg_price": { "value": 20000 } }, { "key": "green", "doc_count": 2, "maker": { "doc_count_error_upper_bound": 0, "sum_other_doc_count": 0, "buckets": [ { "key": "ford", "doc_count": 1 }, { "key": "toyota", "doc_count": 1 } ] }, "avg_price": { "value": 21000 } } ] } } } ...
- 我们可以看到,新的聚合
被嵌套在原来每一个maker
的桶中。color
- 每个颜色下面都根据
字段进行了分组make
- 我们能读取到的信息:
- 红色车共有4辆
- 红色车的平均售价是 $32,500 美元。
- 其中3辆是 Honda 本田制造,1辆是 BMW 宝马制造。
4.5.划分桶的其它方式
- 前面讲了,划分桶的方式有很多,例如:
- Date Histogram Aggregation:根据日期阶梯分组,例如给定阶梯为周,会自动每周分为一组
- Histogram Aggregation:根据数值阶梯分组,与日期类似
- Terms Aggregation:根据词条内容分组,词条内容完全匹配的为一组
- Range Aggregation:数值和日期的范围分组,指定开始和结束,然后按段分组
- 刚刚的案例中,我们采用的是Terms Aggregation,即根据词条划分桶。
- 接下来,我们再学习几个比较实用的:
4.5.1.阶梯分桶Histogram
- 原理:
- histogram是把数值类型的字段,按照一定的阶梯大小进行分组。你需要指定一个阶梯值(interval)来划分阶梯大小。
- 举例:
- 比如你有价格字段,如果你设定interval的值为200,那么阶梯就会是这样的:0,200,400,600,…
- 上面列出的是每个阶梯的key,也是区间的启点。
- 如果一件商品的价格是450,会落入哪个阶梯区间呢?计算公式如下:
bucket_key = Math.floor((value - offset) / interval) * interval + offset
- value:就是当前数据的值,本例中是450
- offset:起始偏移量,默认为0
- interval:阶梯间隔,比如200
- 因此你得到的key = Math.floor((450 - 0) / 200) * 200 + 0 = 400
- 操作一下:
- 比如,我们对汽车的价格进行分组,指定间隔interval为5000:
GET /cars/_search { "size":0, "aggs":{ "price":{ "histogram": { "field": "price", "interval": 5000 } } } }
- 结果:
{ "took": 21, "timed_out": false, "_shards": { "total": 5, "successful": 5, "skipped": 0, "failed": 0 }, "hits": { "total": 8, "max_score": 0, "hits": [] }, "aggregations": { "price": { "buckets": [ { "key": 10000, "doc_count": 2 }, { "key": 15000, "doc_count": 1 }, { "key": 20000, "doc_count": 2 }, { "key": 25000, "doc_count": 1 }, { "key": 30000, "doc_count": 1 }, { "key": 35000, "doc_count": 0 }, { "key": 40000, "doc_count": 0 }, { "key": 45000, "doc_count": 0 }, { "key": 50000, "doc_count": 0 }, { "key": 55000, "doc_count": 0 }, { "key": 60000, "doc_count": 0 }, { "key": 65000, "doc_count": 0 }, { "key": 70000, "doc_count": 0 }, { "key": 75000, "doc_count": 0 }, { "key": 80000, "doc_count": 1 } ] } } }
- 你会发现,中间有大量的文档数量为0 的桶,看起来很丑。
-
我们可以增加一个参数min_doc_count为1,来约束最少文档数量为1,这样文档数量为0的桶会被过滤
示例:
结果:GET /cars/_search { "size":0, "aggs":{ "price":{ "histogram": { "field": "price", "interval": 5000, "min_doc_count": 1 } } } }
{ "took": 15, "timed_out": false, "_shards": { "total": 5, "successful": 5, "skipped": 0, "failed": 0 }, "hits": { "total": 8, "max_score": 0, "hits": [] }, "aggregations": { "price": { "buckets": [ { "key": 10000, "doc_count": 2 }, { "key": 15000, "doc_count": 1 }, { "key": 20000, "doc_count": 2 }, { "key": 25000, "doc_count": 1 }, { "key": 30000, "doc_count": 1 }, { "key": 80000, "doc_count": 1 } ] } } }
- 比如,我们对汽车的价格进行分组,指定间隔interval为5000:
4.5.2.范围分桶range
- 范围分桶与阶梯分桶类似,也是把数字按照阶段进行分组,只不过range方式需要你自己指定每一组的起始和结束大小。