快速入门Elasticsearch：安装、基本概念、分词器和文档基本操作详解

汀丶人工智能

发布于 2023-10-25 13:59:06

6380

发布于 2023-10-25 13:59:06

文章被收录于专栏：NLP/KGNLP/KG

本文主要介绍快速入门 Elasticsearch，从安装、 基本概念 、 分词器 、*** 文档基本操作 *** 这 4 个方面快速入门。

Elasticsearch 是一款近实时的搜索引擎，底层是基于 Lucene 做搜索，再此基础上加入了分布式的特性，以便支持海量数据的存储和搜索。

1、安装

1.1、安装 ES

安装 ES，就 3 步： 下载解压 、 修改配置文件 、启动，本文选择的 ES 版本是7.10.2。

1.1.1、在 Linux 机器下载对应版本，然后解压

# 下载
wget https://artifacts.elastic.co/downloads/elasticsearch/elasticsearch-7.10.2-linux-x86_64.tar.gz
# 解压
tar -zxvf elasticsearch-7.10.2-linux-x86_64.tar.gz
mv elasticsearch-7.10.2 elasticsearch

1.1.2、修改配置文件

进入elasticsearch目录下的 elasticsearch.yml修改如下属性：

cluster.name：集群名称，根据自己业务启个合适的名字

node.name：给节点起个名字，一般使用node-1 、node-2 、…

path.data：数据存放的位置，比如：/data/elasticsearch/data

path.logs：日志存放的位置，比如：/data/elasticsearch/logs

network.host：配置成本机 IP 地址，用于集群机器之间相互通信。

http.port：ES 服务访问的端口号，比如：9200

discovery.seed_hosts：配置为 master 候选者节点。如果要与其他节点组成集群，这里必须配置。比如：["10.20.1.29", "10.20.0.91", "10.20.0.93"]

cluster.initial_master_nodes：首次启动集群时，配置主节点的候选节点，该配置里的节点都是候选节点。比如：["node-1", "node-2", "node-3"]

1.1.3、启动

进入到elasticsearch目录下执行如下命令启动 ES。

./bin/elasticsearch -d

不过一般会出现如下 3 个错误，一个个搜索解决就行：

不能以 root 用户启动 ES，所以在启动之前要先创建一个系统用户，然后su xxxxxx切换到该用户去启动。
虚拟内存不够，报错如下：max virtual memory areas vm.max_map_count [65530] is too low, increase to at least [262144]。此时需要修改sysctl.conf文件，vim /etc/sysctl.conf进入文件，调大vm.max_map_count=262144。
可操作性的文件句柄数不够，报错如下：max file descriptors [65535] for elasticsearch process is too low。进入文件vim /etc/security/limits.conf，调大句柄数。

*** hard nofile 65536
*** soft nofile 65536

1.1.4、访问 ES

访问 ES 地址http://10.20.1.29:9200/，出现如下界面说明成功。

1.2、安装 ES 集群

比如安装一个 3 台节点的集群，每台节点安装步骤与单机类似，都是 下载解压 、 修改配置文件 、启动。配置需要注意的地方是discovery.seed_hosts和cluster.initial_master_nodes，集群场景下要配置多台。如果安装分词器，每台节点都需要安装，下面会介绍到。

1.3、安装集群可视化工具

一般会使用 Chrome 插件Multi Elasticsearch Head或者Cerebro这两款工具观察 ES 集群的整体情况。

1.3.1、安装 Chrome 插件 - Multi Elasticsearch Head

直接在 Chrome 浏览器应用市场搜索安装Multi Elasticsearch Head。安装完之后输入 ES 集群地址，就可以看到集群概况了。这个工具里也有其他功能，很少会使用到，一般只用来观察集群和查看索引数据。

1.3.2、安装 Cerebro

Cerebro 这款工具与Multi Elasticsearch Head类似，也是用来管理 ES 集群。Cerebro 项目地址：https://github.com/lmenezes/cerebro，这个项目也是好久没更新了。

安装过程 ，如下：

wget https://github.com/lmenezes/cerebro/releases/download/v0.9.4/cerebro-0.9.4.tgz
tar -zxvf cerebro-0.9.4.tgz
cd cerebro-0.9.4
./bin/cerebro >> cerebro.log 2>&1 &

安装之后，界面如下：

1.4、安装 Kibana

Kibana 是数据分析和数据可视化平台，一般配合 ELK 作为日志整理解决方案，用它来查看日志。虽然有许多应用场景，不过笔者一般用它来查询 ES 数据，或者调试 ES 的接口。

其实Multi Elasticsearch Head和Cerebro也有查询数据的功能，但是整体使用起来没有 Kibana 方便，也没有智能提示。所以如果想查询 ES 数据，或者调试 ES 接口，还是非常建议使用 Kibana。

安装过程 ，如下：

下载解压

wget https://artifacts.elastic.co/downloads/kibana/kibana-7.10.0-linux-x86_64.tar.gz
tar -zxvf kibana-7.10.0-linux-x86_64.tar.gz
mv kibana-7.10.0-linux-x86_64 kibana
cd kibana

修改配置 server.host：方便外部访问，此处改成 “0.0.0.0” elasticsearch.hosts：把 ES 集群地址全部写上
启动，注意备注里写的停止的步骤

# 启动使用如下命令
# 但是停止kibana进程时，需要使用 netstat -tunlp|grep 5601 命令找到进程号，然后kill。
# 直接使用ps -ef|grep kibana是找不到进程的，因为kibana运行在nodejs进程里，或者使用 ps -ef|grep node 查找Nodejs进程，然后kill
./bin/kibana >> kibana.log 2>&1 &

访问，http://10.20.1.29:5601/app/dev_tools#/console，进入到开发工具界面：

1.5、简单运行

一般读写 ES 分为 3 步：创建 Mapping、写入数据、查询数据。

1.5.1、创建 Mapping ，比如创建一个 testusers 数据结构

PUT testusers
{
  "mappings": {
    "properties": {
        "id": {
          "type": "keyword"
        },
        "name": {
          "type": "text"
        },
        "age": {
          "type": "integer"
        }
      }
  }
}

结果如下：

1.5.2、写入数据

POST /testusers/_doc
{
  "id":"1",
  "name":"不焦躁的程序员",
  "age":10
}

1.5.3、查询数据

POST /testusers/_search
{
  "query": {
    "match_phrase": {
      "name": "不焦躁"
    }
  }
}

结果如下：

2、基本概念

基础工作准备好之后，就开始了解 Elasticsearch 里的基本概念了。

ES 的基本概念除了集群、节点之外，还有：索引、 Mapping 、文档、字段、分词、 分词器 、分片、副本、 倒排索引 。

索引：索引是某一类文档的集合，类似 Mysql 的数据库。
Mapping ：Mapping 是定义索引中有哪些字段，以及字段类型，以及字段是否会分词等，类似数据库中定义的表结构。
文档：文档就是索引里的一条记录，类似数据库表中的一行记录。
字段：文档有一个或多个字段，每个字段有指定的类型，常用的类型有：keyword、text、数字类型（integer、long、float、double 等）、日期类型、对象类型等。类型是text类型时，创建文档时 ES 会对该字段进行分词操作，其余类型则不会做分词。
分词：ES 里最核心的概念就是分词了，ES 会对text类型的字段进行分词，分词后就会得到一个个的词项，常用Term表述。
分词器 ：ES 里有各种各样的分词器，用于不用场景下对text类型的字段进行分词。
分片：分片实际上是将某个索引的数据切分成多个块，然后均匀地将各个块分配到集群里的各个 Node 节点上。可以通过 ES 的策略查找数据块所在的 Node。这种方案是面向海量数据而设计的，这样数据可以分布在各个节点上，数据量扩张时通过扩充 Node 数量来快速解决。
副本：只要涉及到分布式的场景，几乎都有副本的概念。副本主要是为了备份数据，保障数据的安全性。同时也可以将查询请求分摊到各个副本里，缓解系统压力，提高吞吐量。ES 里的数据分为主分片和副本分片，写数据时先写入主分片，然后在异步写入副本分片。
倒排索引 ：比如我们常用的数据库索引，是把索引字段建立目录，保存目录和数据的关系，然后根据目录去查找文档，使用 B+ 树来实现。但是倒排索引（又称反向索引），是根据分词后的 Term 与文档建立关系，每个 Term 都对应着一堆文档，然后搜索文本时先将文本分词，然后去匹配 Term，然后再去根据匹配的得分找出相关文档。

3、分词器

分词说白了通过分词器将文本转换为各种 Term 的过程。ES 内置了多种分词器，Standard Analyzer 是默认的分词器，它将文本按单词切分并且转为小写，一般用于英文分词，另外还有多种中文分词器，本文以 IK 分词器为例。

3.1安装 IK 分词器

在中文场景下，一般会选择IK 分词器。IK分词器需要单独安装，如果是集群场景，每台节点都需要安装，安装如下：

./bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.10.2/elasticsearch-analysis-ik-7.10.2.zip

在每个节点安装之后，需要重启 ES 才能使IK分词器 插件生效。

3.2 查看分词效果

重启后，可以在 Kibana 中测试一下IK 分词器的效果。IK 分词器有两种模式： ik_max_word 和 ik_smart ：

ik_max_word： 会做细粒度的拆分，尽量找出各种可能的组合。ik_max_word 适合 Term 词项查询，因为 Term 查询不会对查询文本做分词，所以最好是在创建文档尽量拆分出更多可能性的词，才能尽量的与查询文本匹配上。Term词项查询会在下文介绍。
ik_smart： 类似于稍微聪明点的分词，拆分粒度会粗一些。ik_smart 适合 match phrase 短语匹配查询。因为 match phrase 短语匹配查询要求查询文本被分词后要被连续匹配上，所以最好文档在分词时尽量分的粒度要粗一些。match phrase 短语匹配查询会在下文介绍。

测试 ik_max_word 场景：

POST _analyze
{  
    "analyzer": "ik_max_word",
    "text": "中华人民共和国国歌"  
}

ik_max_word 场景的结果：

{
  "tokens" : [
    {
      "token" : "中华人民共和国",
      "start_offset" : 0,
      "end_offset" : 7,
      "type" : "CN_WORD",
      "position" : 0
    },
    {
      "token" : "中华人民",
      "start_offset" : 0,
      "end_offset" : 4,
      "type" : "CN_WORD",
      "position" : 1
    },
    {
      "token" : "中华",
      "start_offset" : 0,
      "end_offset" : 2,
      "type" : "CN_WORD",
      "position" : 2
    },
    {
      "token" : "华人",
      "start_offset" : 1,
      "end_offset" : 3,
      "type" : "CN_WORD",
      "position" : 3
    },
    {
      "token" : "人民共和国",
      "start_offset" : 2,
      "end_offset" : 7,
      "type" : "CN_WORD",
      "position" : 4
    },
    {
      "token" : "人民",
      "start_offset" : 2,
      "end_offset" : 4,
      "type" : "CN_WORD",
      "position" : 5
    },
    {
      "token" : "共和国",
      "start_offset" : 4,
      "end_offset" : 7,
      "type" : "CN_WORD",
      "position" : 6
    },
    {
      "token" : "共和",
      "start_offset" : 4,
      "end_offset" : 6,
      "type" : "CN_WORD",
      "position" : 7
    },
    {
      "token" : "国",
      "start_offset" : 6,
      "end_offset" : 7,
      "type" : "CN_CHAR",
      "position" : 8
    },
    {
      "token" : "国歌",
      "start_offset" : 7,
      "end_offset" : 9,
      "type" : "CN_WORD",
      "position" : 9
    }
  ]
}

测试 ik_smart 场景:

POST _analyze
{  
    "analyzer": "ik_smart",
    "text": "中华人民共和国国歌"  
}

ik_smart 场景结果：

{
  "tokens" : [
    {
      "token" : "中华人民共和国",
      "start_offset" : 0,
      "end_offset" : 7,
      "type" : "CN_WORD",
      "position" : 0
    },
    {
      "token" : "国歌",
      "start_offset" : 7,
      "end_offset" : 9,
      "type" : "CN_WORD",
      "position" : 1
    }
  ]
}

4、文档基本操作

以上将入门内容讲完，下面做一些文档实操。文档基本操作包括：创建索引、新建文档、更新文档、删除文档、查询文档。

4.1、创建 Mapping、创建索引

创建 Mapping，实际上也是创建索引。

PUT /goods
{
  "mappings": {
    "properties": {
      "brandName": {
        "type": "keyword"
      },
      "categoryName": {
        "type": "keyword"
      },
      "createTime": {
        "type": "date",
        "format": "yyyy-MM-dd HH:mm:ss"
      },
      "id": {
        "type": "keyword"
      },
      "price": {
        "type": "double"
      },
      "saleNum": {
        "type": "integer"
      },
      "status": {
        "type": "integer"
      },
      "stock": {
        "type": "integer"
      },
      "title": {
        "type": "text",
        "analyzer": "ik_max_word",
        "search_analyzer": "ik_smart"
      }
    }
  }
}

4.2、新建文档

有 2 种方式，Index API方式和 Create API方式：

Index API 方式 ，这种方式创建文档时，碰到相同的文档 id，依旧会创建成功，但会删掉旧的创建新的。

PUT 索引名称/_doc/文档id

PUT goods/_doc/1
{
  "id": 1,
  "brandName": "Apple",
  "categoryName": "手机",
  "createTime": "2023-10-22 19:12:56",
  "price": 8799,
  "saleNum": 599,
  "status": 0,
  "stock": 1000,
  "title": "Apple iPhone 13 Pro (A2639) 256GB 远峰蓝色 支持移动联通电信5G 双卡双待手机"
}

Create API 方式 ，这种方式创建文档时，碰到相同文档 id，则创建失败。

PUT 索引名称/_create/文档id

PUT goods/_create/1
{
  "id": 1,
  "brandName": "Apple",
  "categoryName": "手机",
  "createTime": "2023-10-22 19:12:56",
  "price": 8799,
  "saleNum": 599,
  "status": 0,
  "stock": 1000,
  "title": "Apple iPhone 13 Pro (A2639) 256GB 远峰蓝色 支持移动联通电信5G 双卡双待手机"
}

4.3、更新文档

POST 索引名称/_update/文档id

POST goods/_update/1
{
  "doc": {
    "title":"Apple iPhone 13 Pro (A2639) 256GB 远峰蓝色 支持移动联通电信5G 双卡双待手机111"
  }
}

4.4、删除文档

DELETE 索引名称/文档id

DELETE goods/_doc/1

4.5、查询文档

查询主要分为： match 匹配查询 、 term 词项查询 、 组合查询 、 聚合统计 。本文主要介绍 match 匹配查询和 term 词项查询 。

4.5.1 match 匹配查询

match 匹配查询

如果查询字段是文本，则会对文本进行分词，只要分词后的 Term 存在于文档中，就返回对应的文档。

如果查询的字段是日期、keyword、数字等精确类型，则不会进行分词，必须要查询的内容在文档里完全匹配上，才会返回对应的文档。

使用如下：

// 这种方式查到数据
POST goods/_search
{
  "query": {
    "match": {
      "categoryName": "手机"
    }
  }
}
// 这种方式查不到数据，categoryName是keyword类型，不做分词，必须完全匹配
POST goods/_search
{
  "query": {
    "match": {
      "categoryName": "手机多余"
    }
  }
}

// 这种方式查到数据
POST goods/_search
{
  "query": {
    "match": {
      "title": "移动"
    }
  }
}
// 这种方式查到数据，title是text类型，会做分词，只要有分词能匹配上就行
POST goods/_search
{
  "query": {
    "match": {
      "title": "移动多余"
    }
  }
}

match phrase 短语匹配查询

短语匹配查询要求就比较高了，短语匹配会对查询的内容进行分词，分词后的 Term 必须全部出现在文档中，并且顺序必须一致，才会返回对应的文档，当然这个一致的程度也是可以调整的。

使用如下：

// 这样可以查到数据
POST goods/_search
{
  "query": {
    "match_phrase": {
      "title": "移动联通"
    }
  }
}
// 这样查不到数据，短语匹配时，虽然做了分词，但是要分词后的顺序一致，索引匹配补上
POST goods/_search
{
  "query": {
    "match_phrase": {
      "title": "联通移动"
    }
  }
}

4.5.2 Term 词项查询

Term 词项查询与 match 查询，有个最大的区别，Term 词项查询时 ES 不会对检索内容进行分词，会将检索文本作为一个整体进行查询。而 match 查询会对检索内容做分词，然后对分词后的各个词项做查询。

使用如下：

// 这样查到数据，因为基于文档的内容分词后，建立的倒排索引里，有“移动”、“联通”索引，但是没有“移动联通”这个索引
POST goods/_search
{
  "query": {
    "match": {
      "title": "移动联通"
    }
  }
}
// 这样查不到数据，因为基于文档的内容分词后，建立的倒排索引里，没有“移动联通”这个索引，因为term查询不分词。
POST goods/_search
{
  "query": {
    "term": {
      "title": {
        "value": "移动联通"
      }
    }
  }
}

5、总结

本文从安装、 基本概念 、 分词器 、*** 文档基本操作 *** 这 4 个方面带你快速入门 Elasticsearch。所有的文档在写入时，只要字段是text类型都会被分词，然后建立倒排索引。需要特别注意的点是：match 匹配查询会对查询文本做分词，Term 词项查询不会对查询文本做分词。

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2023-10-24，如有侵权请联系 cloudcommunity@tencent.com 删除

elasticsearch