文章共1540字,閱讀本文大約需要5分鐘 !
概述
Elasticsearch 與傳統的 SQL數據庫的一個明顯的不同點是,Elasticsearch 是一個 非結構化 的數據庫,或者說是一個 無模式 的數據庫。Elasticsearch 中數據最重要的三要素當屬:索引、類型、文檔,其中索引這個概念非常重要,我們可以粗略地將其類比到傳統SQL數據庫中的 數據表。本文就從 Elasticsearch 的索引映射如何配置開始講起。
注: 本文原載於 My Personal Blog:, CodeSheep · 程序羊 !
本文內容腦圖如下:
索引模式映射
創建索引時,可以自定義索引的結構,比如 創建一個保存用戶信息數據的 users
索引,其典型的結構如下:
-
id
:唯一表示符 -
name
:姓名 -
birthday
:出生日期 -
hobby
:愛好
爲此我們可以創建一個 json 格式的索引模式映射文件:users.json
{
"mappings" : {
"user" : {
"properties" : {
"id" : {
"type" : "long",
"store" : "yes"
},
"name" : {
"type" : "string",
"store" : "yes",
"index" : "analyzed"
},
"birthday" : {
"type" : "date",
"store" : "yes"
},
"hobby" : {
"type" : "string",
"store" : "no",
"index" : "analyzed"
}
}
}
}
}
上面的 json代碼意義如下:
- 創建一個名稱爲
users
的 Index - 裏面有一個名稱爲
user
的 Type - 而
user
有四個 field - 且每個 field 都有自己的 屬性 定義
然後我們來執行如下命令來新建一個索引:
curl -X PUT http://47.98.43.236:9200/users -d @users.json
結果如下,索引 users
、類型 user
、以及 四個字段 都已經順利插入:
關於字段的 可選類型,有如下幾種:
-
string
:字符串 -
number
:數字 -
date
:日期 -
boolean
:布爾型 -
binary
:二進制 -
ip
:IP地址 -
token_count
類型
關於每種類型有哪些 屬性,可參考官方文檔,由於內容太多,此處不再贅述。
分析器的使用
分析器是一種用於 分析數據 或者按照用戶想要的方式 處理數據 的工具,對於 字符串類型 的字段,Elasticsearch 允許用戶自定義分析器。
- 先來自定義一個分析器
{
"settings" : {
"index" : {
"analysis" : {
"analyzer" : {
"myanalyzer" : {
"tokenizer" : "standard",
"filter" : [
"asciifolding",
"lowercase",
"myFilter"
]
}
},
"filter" : {
"myFilter" : {
"type" : "kstem"
}
}
}
}
},
"mappings" : {
"user" : {
"properties" : {
"id" : {
"type" : "long",
"store" : "yes"
},
"name" : {
"type" : "string",
"store" : "yes",
"index" : "analyzed",
"analyzer" : "myanalyzer"
},
"birthday" : {
"type" : "date",
"store" : "yes"
},
"hobby" : {
"type" : "string",
"store" : "no",
"index" : "analyzed"
}
}
}
}
}
上述 json代碼中,用戶定義了一個名爲 myanalyzer 的分析器,該分析器包含 一個分詞器 + 三個過濾器,分別如下:
- 分詞器:
standard
- 過濾器:
asciifolding
- 過濾器:
lowercase
- 過濾器:
myFilter
(自定義過濾器,其本質是kstem
)
- 再來看如何測試和使用自定義的分析器
可以通過類似如下的 Restful接口來測試 analyze API 的工作情況:
curl -X GET 'http://47.98.43.236:9200/users/_analyze?field=user.name' -d 'Cars Trains'
可見我們輸入的時一行字符串普通"Cars Trains"
,而輸出爲:car
和 train
,這說明短語 "Cars Trains"
被分成了兩個詞條,然後全部轉爲小寫,最後做了詞幹提取的操作,由此證明我們上面自定義的分析器已然生效了!
相似度模型的配置
Elasticsearch 允許爲索引模式映射文件中的不同字段指定不同的 相似度得分 計算模型,其用法例析如下:
"mappings" : {
"user" : {
"properties" : {
"id" : {
"type" : "long",
"store" : "yes"
},
"name" : {
"type" : "string",
"store" : "yes",
"index" : "analyzed",
"analyzer" : "myanalyzer",
"similarity" : "BM25"
},
"birthday" : {
"type" : "date",
"store" : "yes"
},
"hobby" : {
"type" : "string",
"store" : "no",
"index" : "analyzed"
}
}
}
}
上述 json文件中,我們爲
name
字段使用了BM25
這種相似度模型,添加的方法是使用similarity
屬性的鍵值對,這樣一來 Elasticsearch 將會爲name
字段使用BM25
相似度計算模型來計算相似得分。
信息格式的配置
Elasticsearch 支持爲每個字段指定信息格式,以滿足通過改變字段被索引的方式來提高性能的條件。Elasticsearch 中的信息格式有如下幾個:
-
default
:默認信息格式,其提供了實時的對存儲字段和詞向量的壓縮 -
pulsing
:將 重複值較少字段 的信息列表 編碼爲詞條矩陣,可加快 該字段的查詢速度 -
direct
:該格式在讀過程中將詞條加載到未經壓縮而存在內存的矩陣中,該格式可以提升常用字段的性能,但損耗內存 -
memory
:該格式將所有的數據寫到磁盤,然後需要FST來讀取詞條和信息列表到內存中 -
bloom_default
:默認信息格式的擴展,增加了把bloom filter
寫入磁盤的功能。讀取時bloom filter
被讀取並存入內存,以便快速檢查給定的值是否存在 -
bloom_pulsing
:pulsing
格式的擴展,也加入bloom filter
的支持
信息格式字段(postings_format
)可以在 任何一個字段上 進行設置,配置信息格式的示例如下:
"mappings" : {
"user" : {
"properties" : {
"id" : {
"type" : "long",
"store" : "yes",
"postings_format" : "pulsing"
},
"name" : {
"type" : "string",
"store" : "yes",
"index" : "analyzed",
"analyzer" : "myanalyzer"
},
"birthday" : {
"type" : "date",
"store" : "yes"
},
"hobby" : {
"type" : "string",
"store" : "no",
"index" : "analyzed"
}
}
}
}
在該例子之中,我們手動配置改變了
id
字段的信息格式爲pulsing
,因此可加快該字段的查詢速度。
文檔值及其格式的配置
文檔值 這個字段屬性作用在於:其允許將給定字段的值被寫入一個更高內存效率的結構,以便進行更加高效的排序和搜索。我們通常可以將該屬性加在 需要進行排序 的字段上,這樣可以 提效。
其配置方式是 通過屬性 doc_values_format
進行,有三種常用的 doc_values_format
屬性值,其含義從名字中也能猜個大概:
-
default
:默認格式,其使用少量的內存但性能也不錯 -
disk
:將數據存入磁盤,幾乎無需內存 -
memory
:將數據存入內存
舉個栗子吧:
"mappings" : {
"user" : {
"properties" : {
"id" : {
"type" : "long",
"store" : "yes"
},
"name" : {
"type" : "string",
"store" : "yes",
"index" : "analyzed",
"analyzer" : "myanalyzer"
},
"birthday" : {
"type" : "date",
"store" : "yes"
},
"hobby" : {
"type" : "string",
"store" : "no",
"index" : "analyzed"
},
"age" : {
"type" : "integer",
"doc_values_format" : "memory"
}
}
}
}
上述 json配置中,我們給類型
user
添加了一個age
字段,假如我們想對年齡字段進行排序,那麼給該字段設置文檔值格式的屬性是可以提升效率的。
後 記
由於能力有限,若有錯誤或者不當之處,還請大家批評指正,一起學習交流!