ES 簡介
索引,分片,副本
ElasticSearch 是一個基於 Apache Lucene 搜索引擎的開源的搜索服務器項目,作爲一個文檔型搜索服務器,其存儲和架構和 mongo 等 NoSQL 數據庫十分類似,包括文檔型的存儲,分片,索引,集羣和副本集等。
索引
注意,es 的索引和數據庫的索引概念是不一樣的。
es 的索引相當於mongo 數據庫中的集合或者關係型數據庫中的庫。es 建立索引時的 mapping 字段則相當於mongo 數據庫中的表。
以 MongoDB 爲例,mongo 數據庫中有 order 集合,order 下有 info, 其中order_id 爲 info 表的索引。
那麼在 es 中,索引是 order,info 是 mapping 的類型 _type。//mongo 數據 use order db.info.find() { "did": 490873, "order_id": 3 ... } //es 數據 { "_index": "order", "_type": "info", "_source": { "did": 490873, "order_id": 3 .... } }
- 分片
當數據量達到單機物理極限時,可以使用分片進行水平擴展,即將數據分割爲更小的單元,存儲在不同的服務器上,每一個分片負責一部分數據的處理,總的查詢將在各個分片查詢結束後,彙總結果返回給調用方。因此一個索引的數據會分佈在不同的物理機上。 副本
副本集主要用於數據容災和提高查詢的吞吐量,每個分片可以有多個副本集,副本集只是分片的一個複製,可以認爲存儲了幾份相同的數據。分片和其對應的副本集之間,有一個主分片對外提供服務,當主分片故障或其他原因不可用時,將會從副本集中選擇一個作爲主分片,繼續對外提供服務。如果不指定,es 將默認使用 5 個分片和 1個副本。其架構如下圖所示:
REST API 接口
ES 所有的增刪改查等操作均通過 REST API 接口實現,甚至包括管理索引,檢查集羣和節點狀態等。
一個簡單的 REST API 接口的模型就是 操作 + 狀態 , es 支持的操作有增刪改查,操作後面指定es 的地址和端口,
GET | 獲取對象信息,可以是集羣信息,也可以是 es 中的數據信息,索引信息等 |
---|---|
PUT | 新建一個對象 |
POST | 修改對象,除了可以設置索引,分片和數據修改外,還可以發送關機,重啓等命令 |
DELETE | 刪除一個對象 |
獲取 es 集羣基本信息
curl -XGET 127.0.0.1:9200
{
"name" : "127.0.0.1",
"cluster_name" : "127.0.0.1",
"version" : {
"number" : "2.3.5",
"build_hash" : "90f439ff60a3c0f497f91663701e64ccd01edbb4",
"build_timestamp" : "2016-07-27T10:36:52Z",
"build_snapshot" : false,
"lucene_version" : "5.5.0"
},
"tagline" : "You Know, for Search"
}
新建一個文檔
# 在 curl 中使用 XPUT 時,-d 表示使用負載文本,後面的內容用於替換 1 , 所以 1 不能省略
curl -XPUT 127.0.0.1:9200/test/info/1 -d '{"title":"test"}'
{
"_index": "test",
"_type": "info",
"_id": "1",
"_version": 4,
"_shards": {
"total": 2,
"successful": 1,
"failed": 0
},
"created": false
}
注: es 部署的默認端口爲9200
ES 開發步驟
setting
獲取當前 setting
curl -XGET 127.0.0.1:9200/test/_settings?pretty
分片, 索引和副本集等設置
es 中分片和副本集的大小設置是在 setting 的 index 字段中
curl -XPUT 127.0.0.1:9200/test -d '
{
"settings": {
"index" : {
"number_of_shards" : '5', #分片數
"number_of_replicas" : '1' #副本數
}
}
當第一次插入數據時,如果索引不存在,es 會自動創建索引,通過修改 es 的配置文件 elasticsearch.yml 關閉自動創建:
action.auto_create_index :false
通過 PUT 來創建索引,以下是創建 名爲 test 的索引。
curl -XPUT 127.0.0.1:9200/test/
#創建成功會返回
{"acknowledged":true}
analyzer 自定義分析器設置
es 中的分析器 analyzer 也是在setting 字段中設置,用於字符串類型的分析,系統 默認的分析器有以下幾種:
standard 、simple 、whiteSpace 、stop 、keyword 、pattern 、 language 、snowball
除使用默認之外可以自定義分析器,analyzer 在 setting 字段中設置, 1 個 analyzer = 1 個分詞器 + n 個過濾器
{
"settings": {
"analysis": {
"analyzer": {
//自定義分析器名字爲 char_analyzer
"char_analyzer": {
"type": "custom",
//一個分詞器
"tokenizer": "char_split", //這個分詞器 char_split 是自定義的
//多個過濾器
"filter": [
"lowercase", //這個過濾器是系統自帶的
"myFilter" //這個過濾器是自定義的
]
}
},
//自定義的分詞器 char_split
"tokenizer": {
"char_split": {
"type": "nGram",
"min_gram": "1",
"max_gram": "1",
"token_chars": ["letter", "digit", "whitespace", "punctuation", "symbol"]
}
},
//自定義的過濾器 myFilter
"filter":{
"myFilter":{
"type":"kstem"
}
}
}
}
}
mapping
在 es 的 json 結構中,mapping 字段是與 setting 字段同級的,es 通過 mapping 來自定義索引的結構和字段之間的映射關係,常用的數據類型有 long 、string 和 nested
獲取當前 mapping
curl -XGET 127.0.0.1:9200/test/_mappings?pretty
簡單數據類型及自動推導
long
: 數值型和 數值型的 數組 字段均使用 long 類型, es 中可以通過 { “dynamic”: “true” } 設置是否動態推斷數據類型,設爲 true時 數值型的字段可以不用設置mapping值,由 es 自動推導其類型
string
: 字符串類型,用於搜索和半匹配,可以結合分析器一起使用
複雜數據類型
對於一個包含內部對象的數組,存儲時會被扁平化,比如以下數組
{
"followers": [
{ "age": 35, "name": "Mary White"},
{ "age": 26, "name": "Alex Jones"},
{ "age": 19, "name": "Lisa Smith"}
]
}
最終存儲結果:
{
"followers.age": [19, 26, 35],
"followers.name": [alex, jones, lisa, smith, mary, white]
}
{age: 35}
與{name: Mary White}
之間的關聯會消失,因每個多值的欄位會變成一個值集合,而非有序的陣列。
此時使用nested 類型來處理這些嵌套的結構,比如以下的 properties.prop 就是一個多值字段。
以下是一個基本的 mapping 結構
{
"mappings": {
"person": {
"dynamic": "false",
"properties": {
"id": {
"type": "long"
},
"name": {
"type": "string",
"analyzer": "char_analyzer", //指定分析器
//如果希望字符串是全詞匹配的,要指定 not_analyzed
//"index": "not_analyzed"
},
"prop": {
//嵌套結構使用 nested
"type": "nested",
"properties": {
"propid": {"type": "long", "index": "not_analyzed"},
"propname": {"type": "string", "analyzer": "char_analyzer"},
}
}
}
}
}
}
DSL
業務模塊已經對 es 接口做了一層封裝,需要使用 es 的模塊執行初始化之後,調用相應的接口函數即可,下面是使用 REST API 接口的DSL操作
增刪改
先看一個 es 文檔的具體結構:
{
"_index": "order",
"_type": "info",
"_id": "did-490873_id-3",
"_version": 6,
"_score": 1,
"_routing": "490873",
"_source": {
"did": 490873,
"order_id": 3,
....
}
}
可以看到,一個es 文檔一定包含以下字段:
_index
: 索引名稱 , 可以理解爲 mongo 中的數據庫名,也用於在執行其他操作時指定的索引 $es_addr/_index
_type
: 類型名稱, 可以理解爲 mongo 中的表名
_id
: 唯一標識符, 一般由各個模塊自己指定,用類似 did-10000_id-1
的格式作爲 _id
的值
_version
: es 自動維護的版本號,數據每次更改會自增
_source
: 文檔元數據
_routing
: 路由值。由於es 中的索引時存儲在各個分片上的,當我們創建或檢索一個文檔時,要知道或指定是在哪一個分片上。所有的文檔 操作都接收一個_routing
參數,它用來自定義文檔到分片的映射。自定義路由值可以確保所有相關文檔——例如屬於同一公司的文檔——被保存在同一分片上。 可以看到目前所有業務模塊的路由值全部使用的 did
搜索
搜索可以同時在多個索引的多個類型上進行
//搜索格式:
curl -X GET '127.0.0.1:9200/index/type/_search'
//沒有指定索引 默認在所有索引上搜索
curl -X GET '127.0.0.1:9200/_search/'
//同時指定 order 和 custm 索引搜索
curl -X GET '127.0.0.1:9200/order,custm/_search/'\
//在以g或u開頭的索引的所有類型中搜索
curl -X GET '127.0.0.1:9200/g*,u*/_search'
//在order 索引的 info 類型中搜索
curl -X GET '127.0.0.1:9200/order/info/_search'
//在 order 索引的類型 info, setting 中搜索
curl -X GET '127.0.0.1:9200/order/info,setting/_search'
//在所有索引的類型爲 info 的集合上搜索
curl -X GET '127.0.0.1:9200/_all/user,tweet/_search'
查詢是業務調用最爲頻繁的接口,也是最複雜的接口,業務模塊的主要處理是根據不同的查詢操作,制定查詢方案,以下是目前一些通用的查詢,可以覆蓋大多數的搜索方案。
最外層的是 query 和 bool , bool 以內分爲四種查詢方式:must
、 filter
、should
、 must_not
以下是官方文檔對四種查詢的解釋
可以看到如果無需系統評分或相關度計算,僅僅用於搜索,使用filter就可以了。一個典型的查詢結構如下圖所示:
POST _search
{
"query": {
"bool" : {
"must" : {
"term" : { "user" : "kimchy" }
},
"filter": {
"term" : { "tag" : "tech" }
},
"must_not" : {
"range" : {
"age" : { "gte" : 10, "lte" : 20 }
}
},
"should" : [
{ "term" : { "tag" : "wow" } },
{ "term" : { "tag" : "elasticsearch" } }
],
"minimum_should_match" : 1,
"boost" : 1.0
}
}
}
在上面四種查詢方式下,就是更小一級的對數據的過濾,如 term/terms
、match
、and
、or
、range
等等
term 和 terms
term 是最常用的查詢,該查詢不會使用分詞,必須全匹配, 大小寫也是敏感的,所以常用於數字型的搜索
terms 是 term 的數組形式,用於簡單的數值型數組的匹配,滿足數組中任何一個元素即返回
{
//查詢 did 爲 10000, 且 pid 爲數組 [22,23,24,25] 子集的文檔
"term":{ "did":10000 },
"terms":{ "pid":[22,23,24,25] }
}
match 和 match_phrase
match_phrase 和 match 用於字符串搜索,在定義了分詞器的情況下都會使用分詞
在 match_phrase 中 所有的 term 都出現在數據中時纔會返回數據
數據中出現的順序必須和給定的查詢順序一致纔會返回數據
netsted 類型數據查詢
netsted 類型的數據查詢需要制定 path, 也就是嵌套結構中類型爲 nested 的字段,然後嵌套結構內的字段用dot 查詢。
以下是一個完整的包含所有查詢方式的 json
{
"query": {
"bool": {
"filter": {
// and 下的條件是需要 同時滿足的
"and": [{
//對於數字類型的搜索,使用 term
"term": {
"did": 519390
}
},{
//對於數組類型的搜索 使用 terms
"terms": {
"follower_pids": [40984,40985]
}
}, {
//範圍搜索, 用 range
"range": {
"create_time": {
"gte": 1488211200000,
"lte": 1488988799999
}
}
}
]
},
//should 下的條件 滿足之一即可
"should": [{
//使用 match_phrase 的是使用分詞的,用於搜索字符串,且半詞匹配
"match_phrase": {
"contact_names": "44"
}
}
],
//should 中應該至少滿足的條件個數
"minimum_should_match": 1,
//must 下的也是必須滿足的,其實跟放在 and 下也可以 但是and 下一般放數值型的匹配
"must": [{
"match_phrase": {
"name": "234"
}
}, {
// nested 用於匹配 json 中嵌套json 的數據,在建立 mapping 的時候要使用 nested 並指定 path
"nested": {
"path": "props",
"query": {
"bool": {
"filter": [{
"term": {
"props.propid": 583
}
}, {
"match_phrase": {
"props.propvalue": "44"
}
}
]
}
}
}
}, {
"nested": {
"path": "props",
"query": {
"bool": {
"filter": [{
"term": {
"props.propid": 585
}
}, {
"range": {
"props.timestamp": {
"gte": 1489507200000,
"lte": 1490111999999
}
}
}
]
}
}
}
}, {
"nested": {
"path": "props",
"query": {
"bool": {
"filter": [{
"term": {
"props.propid": 588
}
}, {
"terms": {
"props.propmultiselect": ["one"]
}
}
]
}
}
}
}
],
"must_not": [{
"terms": {
"prop_ids": [584]
}
}
]
}
},
"sort": [{
"props.timestamp": {
"order": "asc",
"nested_path": "props",
"nested_filter": {
"term": {
"props.propid": 586
}
}
}
}
],
"fields": ["custmid", "contid"],
"from": 0,
"size": 51
}
深度分頁
es 默認採用的分頁方式是 from+ size的形式,在深度分頁的情況下,這種使用方式效率是非常低的,比如 from = 5000, size=10, es 需要在各個分片上匹配排序並得到5010 條有效數據,然後返回最後10條數據,這種方式類似於mongo的 skip + size。目前支持最大的 skip值是 max_result_window ,默認1w。爲了滿足深度分頁的場景,es 提供了 scroll + scan 的方式進行分頁讀取。
先獲取一個 scroll_id
curl -XGET 127.0.0.1:9200/product/info/_search?pretty&scroll=2m -d
{"query":{"match_all":{}}}
# 返回結果
{
"_scroll_id": "cXVlcnlBbmRGZXRjaDsxOzg3OTA4NDpTQzRmWWkwQ1Q1bUlwMjc0WmdIX2ZnOzA7",
"took": 1,
"timed_out": false,
"_shards": {
"total": 1,
"successful": 1,
"failed": 0
},
"hits":{...}
}
然後後續的文檔讀取根據這個scroll_id 來
使用 Go 寫 es 導入工具
重建分片和索引,並導入數據
當索引結構改變,需要重新建立索引時,要先清空數據,然後重建索引,再將數據重新導入到 es 裏
curl -XDELETE 127.0.0.1:9200/order
#或者使用數據清理腳本,其中 order 是索引地址
es_clean_data.sh 127.0.0.1:9200 order
ES 開發中的問題集合
同樣的查詢,使用curl 正常而使用head 插件時無數據返回:
將操作請求從 GET 改爲 POST
使用 skip 時,對於10000 條以後的數據無法返回:
這是 es 本身默認對skip 的限制,es 分頁使用的是
{ from:100 , size : 10 }
即從第 100 條開始取10條數據。在 es 索引中有個字段 index.max_result_window 默認設置爲 10000。
如果 from + size > index.max_result_window ,es 不會返回數據,該字段可以修改,比如指定custm 索引的值爲 50000curl -XPUT "127.0.0.1:9200/custm/_settings" -d '{ "index" : { "max_result_window" : 50000 } }'
設置之後可以使用以下命令查看 custm 索引的setting 信息
curl -XGET 127.0.0.1:9200/custm/_settings?pretty
如果要將當前所有的索引都設置,將索引名改成 _all 就可以
curl -XPUT "127.0.0.1:9200/all/_settings" -d '{ "index" : { "max_result_window" : 50000 } }'
但是後續新建的索引要自己手動加,系統不會幫你加
es 安裝問題
如果是初始化安裝部署,es 搜索有問題,先看看服務有沒有啓動,然後判斷 es 服務是否可用:
[root@local]# curl -X GET 127.0.0.1:9200 { "name" : "xx.xx.xx.xx", "cluster_name" : "xx.xx.xx.xx", "version" : { "number" : "2.3.5", "build_hash" : "90f439ff60a3c0f497f91663701e64ccd01edbb4", "build_timestamp" : "2016-07-27T10:36:52Z", "build_snapshot" : false, "lucene_version" : "5.5.0" }, "tagline" : "You Know, for Search" }
如果顯示的是 connection refused ,要注意 es 的運行的 host 與系統的 host 是否一致,如果是使用配置運行的,檢查配置是否正確:/usr/local/elasticsearch/config/elasticsearch.yml
ES 相關資源
在線資源
https://www.gitbook.com/book/looly/elasticsearch-the-definitive-guide-cn
ES head 插件
瀏覽器直接訪問地址: http://127.0.0.1:9200/_plugin/head/
使用Chrome 插件訪問: Google 應用商店搜索 ES Head 下載即可