Search - 一文入门ElasticSearch(节点、分片、CRUD、倒排索引、分词)

ElasticSearch

ElasticSearch是非常重要的检索工具，利用分词、索引(倒排索引)、分词从众多检索工具中脱颖而出，本章是入门基础学习篇内容。

基本概念：索引、文档和REST Api

• ElasticSearch是面向文档的，文档是所有可搜索数据的最小单位
  • 日志文件中的日志项
  • 一本电影的具体信息 / 一张唱片的详细信息
  • Mp3播放器的一首歌 / 一篇PDF文档中的具体内容
• 文档会被序列化成Josn格式，保存在ElasticSearch中
  • Json对象由字段组成
  • 每个字段都有对应的字段类型(字符串/数值/布尔/日期/二进制/范围类型)
• 每个文档都有一个UniqueID
  • 你可以自己指定ID
  • 或者通过ElasticSearch自动生成

Json文档

• 一篇文档包含了一系列的字段
• Json文档，格式灵活，不需要预先定义格式
  • 字段的类型可以指定或通过ElasticSearch自动推算
  • 支持数组、支持嵌套

文档的元数据

{
    "_index" : ".kibana_1",
    "_type" : "_doc",
    "_id" : "space:default",
    "_score" : 1.0,
    "_source" : {
        "space" : {
        "name" : "默认值",
        "description" : "这是您的默认空间！",
        "color" : "#00bfb3",
        "_reserved" : true
        },
        "type" : "space",
        "references" : [ ],
        "updated_at" : "2022-05-13T09:16:16.465Z"
    }
}

• 元数据，用于标注文档的相关信息
  • _index : 文档所属的索引名
  • _type : 文档所属的类型名
  • _id : 文档唯一ID
  • _source : 文档的原始Json数据
  • _version : 文档的版本信息
  • _score : 相关性打分

索引

• index ：索引是文档的容器，是一类文档的结合
  • index体现了逻辑空间的概念，每个索引都有自己的Mapping定义，用于定义包含的文档的字段名和字段类型
  • Shard 体现了物理空间的概念，索引中的数据分散在Shard上
• 索引的Mapping与Settings
  • Mapping定义文档的字段类型
  • Setting定义不同的数据分布

//查看索引相关信息
GET kibana_sample_data_ecommerce

//查看索引的文档总数
GET kibana_sample_data_ecommerce/_count

//查看前10条文档，了解文档格式
POST kibana_sample_data_ecommerce/_search
{
}

//_cat indices API
//查看indices
GET /_cat/indices/kibana*?v&s=index

//查看状态为绿的索引
GET /_cat/indices?v&health=green

//按照文档个数排序
GET /_cat/indices?v&s=docs.count:desc

//查看具体的字段
GET /_cat/indices/kibana*?pri&v&h=health,index,pri,rep,docs.count,mt

//How much memory is used per index?
GET /_cat/indices?v&h=i,tm&s=tm:desc

分布式系统的可用性和扩展性

• 高可用性
  • 服务可用性 ：允许有节点停止服务
  • 数据可用性 ：部分节点丢失，不会丢失数据
• 可扩展性
  • 请求量提升 / 数据的不断增长(将数据分布都所有接点上)

分布式特性

• elasticsearch的分布式架构的好处
  • 存储的水平扩容
  • 提高系统的可用性，部分节点停止服务，整个集群的服务不受影响
• elasticsearch的分布式架构
  • 不同的集群通过不同的名字来区分，默认名字"elasticsearch"
  • 通过配置文件修改，或者在命令行中-E cluster.name=stark进行设定
  • 一个集群可以有一个或多个节点

节点

• 节点是elasticsearch的实例
  • 本质上就是一个Java进程
  • 一台机器上可以运行多个elasticsearch进程，但是生产环境一般建议一台机器上只运行一个elasticsearch实例
• 每一个节点都有名字，通过配置文件配置，或者启动的时候-E node.name=node1指定
• 每一个节点在启动之后，会分配一个UID，保存在data目录下

分片

• 主分片，用以解决数据水平扩展的问题。通过主分片，可以将数据分布到集群内的所有节点之上
  • 一个分片是一个运行的Lucene的实例
  • 主分片数在索引创建时指定，后续不允许修改，除非Reindex
• 副本 ，用以解决数据高可用的问题，分片是主分片的拷贝
  • 副本分片数，可以动态调整
  • 增加副本数，还可以在一定程度上提高服务的可用性

{
    "settings": {
        "number_of_shards": 1,
        "number_of_replicas": 1
    }
}

查看集群的健康状况

• Green - 主分片与副本都正常分配
• Yellow - 主分片全部正常分配，有副本分片未能正常分片
• Red - 有主分片未能分配

CRUD

1.使用PostMan创建一个名字叫stark的索引

http://127.0.0.1:9200/stark?pretty

// 返回值
{
    "acknowledged": true,
    "shards_acknowledged": true,
    "index": "stark"
}

文档的CRUD

• Type名，约定都用_doc
• Create ,如果ID已经存在，会失败
• Index ，如果ID不存在，创建新的文档。否则先删除现有文档，再创建新的文档，版本会增加。
• Update ，文档必须已经存在，更新只会对相应字段做增量修改。

Create 一个文档

支持自动生成文档ID和指定文档ID两种方式：

• 使用POST /indexName/_doc,系统会自动生成Document ID
• 使用PUT /indexName/_create/ID创建时，URI中显示指定_create,此时如果该ID的文档已经存在，操作失败

GET 一个文档

GET http://127.0.0.1:9200/IndexName/_doc/ID

• 找到文档,返回Http 200
  • 文档元信息，同一个ID的文档，即使被删除，Version号也会不断增加
  • _source 中默认包含了文档的所有原始信息
• 找不到文档，返回Http 404

Index 文档

PUT IndexName/_doc/1
{
    "tags":["name","age","sex"]
}

Index和Create不一样的地方：如果文档存在，就索引新的文档。否则现有文档会被删除，新的文档被索引，版本信息(Version) + 1。

Update 文档

Update方法不会删除原来的文档，而是实现真正的数据更新，POST方法 ，Payload需要包含在doc中。

POST IndexNmae/_update/1
{
    "doc":{
        "albums":["aaa","bbb"]
    }
}

删除文档

DELETE IndexName/_doc/ID

Bulk API / 批量读取 mGet / 批量查询 msearch

Bulk Api 支持在一次Api调用中，对不同的索引进行操作,支持四种类型操作，Index\Create\Update\Delete。

可以在URI中指定Index，也可以在请求的Payload中进行，操作单挑操作失败，并不影响其他操作，返回结果包括了每一条操作执行的结果。

//对同一个索引进行操作
POST /IndexName/_doc/_bulk 

//对不同的索引进行操作
POST _bulk
{ "index" : { "_index" : "test", "_id" : "1" } }
{ "field1" : "value1" }
{ "delete" : { "_index" : "test", "_id" : "2" } }
{ "create" : { "_index" : "test2", "_id" : "3" } }
{ "field1" : "value3" }
{ "update" : {"_id" : "1", "_index" : "test"} }
{ "doc" : {"field2" : "value2"} }

mGet批量操作，可以减少网络链接所产生的开销，提高性能。

#URI中指定index
GET /IndxName/_mget
{
    "docs" : [
        {

            "_id" : "1"
        },
        {

            "_id" : "2"
        }
    ]
}
//对不同的索引进行操作
GET /_mget
{
    "docs" : [
        {
            "_index" : "test",
            "_id" : "1"
        },
        {
            "_index" : "test",
            "_id" : "2"
        }
    ]
}

批量查询 msearch

// msearch 操作
POST kibana_sample_data_ecommerce/_msearch
{"query" : {"match_all" : {}},"size":1}
{"index" : "kibana_sample_data_flights"}
{"query" : {"match_all" : {}},"size":2}

倒排索引

倒排索引的核心组成

• 倒排索引包含两个部分
  • 单词词典，记录所有文档的单词，记录单词到倒排列表的关联关系
    • 单词词典一般比较大，可以通过B+树或哈希拉链法实现，以满足高性能的插入和查询
  • 倒排列表，记录了单词对应的文档结合，由倒排索引组成
    • 倒排索引项
      • 文档ID
      • 词频TF - 该单词在文档中出现的次数，用于相关性评分
      • 位置，单词在文档中分词的位置，用于语句搜索
      • 偏移，记录单词的开始结束位置，实现高亮显示

Es的倒排索引

• Es的Json文档中的每个字段，都有自己的倒排索引
• 可以指定对某些字段不做索引
  • 优点：节省存储空间
  • 缺点：字段无法被搜索

Analysis 与 Analyzer

• Analysis，文本分析是把全文本转换成一系列单词（term / token）的过程，也叫分词。
• Analysis 是通过 Analyzer 来实现的，可使用elasticsearch内置的分析器 / 或者按需定制化分析器。
• 除了在数据写入时转换词条，匹配Query语句时候也需要用相同的分析器对查询进行查询语句进行分析。

Analyzer的组成

• 分词器是专门处理分词的组件，Analyzer由三部分组成：
  • ① 针对原始文本处理，例如去除html
  • ② 按照规则切分单词
  • ③ 将切分的单词进行加工，小写，删除stopworlds，增加同义词

Search Api

• URI Search ，在URL中使用查询参数
• Request Body Search ，使用es提供的，基于Json格式的更加完备的Query Domain Specific Language(DSL)

1.指定查询的索引

集群上所有的索引:

GET /_search //集群上所有的索引
GET /Index1/_search  //index1
GET /Index1,Index2/_search  //index1和index2
GET /index*/_search  //以index开头的索引

2.URI查询

• 使用"q",指定字符串查询
• "query string syntax",KV键值对

用q表示查询内容，搜索叫做stark的客户GET /IndexName/_search?q=keyName:stark

3.Request Body

Request Body 支持 POST/GET两种方法，-H代表的是header参数 -d 代表的是body的请求参数。

curl -XGET "http://127.0.0.1:9200/IndexName/_search"
-H 'Content-Type:application/json' 
-d
'
{
 "query":{
     "match_all":{}
 }    
}
'

4.搜索Response

搜索Response有几个关键的描述需要在这里解释一下：

• took: 花费的时间
• total: 符合条件的总文档数
• hits:结果集，默认前10个文档
• _index:索引名
• _id:文档的ID
• _score: 相关度评分
• _source:文档原始信息

URI Search详解

指定字段查询 Vs 泛查询

q是关键字，df是指定字段,泛查询就是查询所有字段中包含关键字的结果

//指定字段
GET /IndexName/_search?q=2020&df=title
GET /IndexName/_search?q=title:2020
{
    "profile":"true"
}

//泛查询
GET /IndexName/_search?q=2020
{
    "profile":"true"
}

Term Vs Phrase

• Hello World 等效于 Hello Or World
• "Hello World",等效于Hello AND World 。Phrase查询，还要求前后顺序保持一致
• 分组和引号
  • title:(Hello AND World)
  • title = "Hello World"

//分组，Bool查询
GET /IndexName/_search?q=title:(Hello World)
{
    "profile":"true"
}

//泛查询
GET /IndexName/_search?q=title:Hello World
{
    "profile":"true"
}

布尔操作 、分组

• 布尔操作
  • AND / OR / NOT 或者 && / || / !
    • 必须大写
    • title:(Hello NOT World)
• 分组
  • • 表示 must
  • • 表示 must_not
  • title:(+Hello -World)

//检索title里有Hello ，没有World的词条
GET /IndexName/_search?q=title:(Hello NOT World)
{
    "profile":"true"
}

//检索title里必须有Hello ，必须没有World的词条
GET /IndexName/_search?q=title:(+Hello -World)
{
    "profile":"true"
}

范围查询 、算术符号

URI Search支持范围查询和算术符号查询。

• 范围查询
  • 区间表示：[]闭区间，{}开区间
  • year:{2019 TO 2020}
  • year:* TO 2020
• 算数符号
  • year:> 2020
  • year:(>2010 && < 2020)
  • year:(+>2010 && +< 2020)

GET /IndexName/_search?q=year:>2020
{
    "profile":"true"
}

通配符查询 、正则表达式 、模糊匹配与近似查询

通配符查询 、正则表达式 、模糊匹配与近似查询效率低，占用内存大，不建议使用，这部分大家有个了解就好。