当前位置: 开发笔记 > 编程语言 > 正文

ElasticSearch全文检索

作者：同步管理精英 | 来源：互联网 | 2023-07-10 13:36

1.ElasticSearch-全文检索1.1简介：Elasticsearch是一个分布式的开源搜索和分析引擎，在ApacheLucene的基础上开发而成。Lucene是开源的搜索

1.ElasticSearch-全文检索

1.1 简介：

Elasticsearch 是一个分布式的开源搜索和分析引擎，在 Apache Lucene 的基础上开发而成。Lucene 是开源的搜索引擎工具包，Elasticsearch 充分利用Lucene，并对其进行了扩展，使存储、索引、搜索都变得更快、更容易，而最重要的是，正如名字中的“ elastic ”所示，一切都是灵活、有弹性的。而且，应用代码也不是必须用Java 书写才可以和Elasticsearc兼容，完全可以通过JSON 格式的HTTP 请求来进行索引、搜索和管理Elasticsearch 集群。

官方文档：免费且开放的搜索：Elasticsearch、ELK 和 Kibana 的开发者 | Elastic

1.2 基本概念：

Index（索引）：
- 动词：相当于数据库中的insert
- 名词：相当于数据库中的DataBase

Type（类型)：
- 在index索引中可以定义一个或多个类型，类似于Mysql中的table，每种类型的数据放在一起。

Document（文档）：
- 保存在某个索引（index）下，某种类型（type）的一个数据（Document），文档是JSON格式的，Document就像是Mysql中某个Table里面的内容。

倒排索引：
- ElasticSearch为什么能快速检索出我们所搜索得到内容，主要得益于其内部维护的倒排索引表：
- 当保存第一条索引时，先对这条索引进行分词（定义见图片中，词也可以是单个字），在倒排索引表中记录每一个拆分出来的词的出现位置。保存完这五个索引就能维护出这样的一张倒排索引表。
- 当我们想要检索红海特工行动时，一样先对检索的数据进行分词，在倒排索引表中发现红海出现在已保存的索引中的1，2，3，4，5.特工出现在5，行动出现在1，2，3.由于红海出现在了保存的所有的记录中，所以ElasticSearch会将保存的所有的数据都检索出来。红海和行动以及特工都分别出现了两次，谁排在前面涉及到相关性得分的高低。红海、行动在保存的记录中的命中率为2/2、2/3。红海和特工的命中率为2/4. 。自然红海和行动的相关性得分高，所以包含红海和行动的索引会排在包含红海和特工的索引的前面。

1.3 安装：

1.3.1 安装ElasticSearch：

先将虚拟机内存增大至1G；

启动vagrant，运行命令：
- //安装elasticsearch
  sudo docker pull elasticsearch:7.4.2

1.3.2 安装可视化操作工具：

运行命令：
- //kibana
  sudo docker pull kibana:7.4.2

1.4 配置：

1.4.1 配置ElasticSearch

sudo docker images查看上面两个是否安装成功。

创建配置文件夹及数据文件夹：
- sudo mkdir -p /mydata/elasticsearch/config
- sudo mkdir -p /mydata/elasticsearch/data
- 如果已经是管理员就不用sudo了

进入到mydata文件夹下并展示文件夹内容，查看elasticsearch文件夹是否创建成功
- cd /mydata/
- [vagrant@localhost mydata]$ ls 只用输入ls

成功则进入到elasticsearch文件夹中并展示文件夹内容
- [vagrant@localhost mydata]$ cd elasticsearch
- [vagrant@localhost elasticsearch]$ ls 效果-》config data

进入config文件夹中
- [vagrant@localhost elasticsearch]$ cd config/

切换root管理员模式
- [vagrant@localhost config]$ su root 输入密码默认是vagrant

开始配置elasticsearch
- [root@localhost config]# echo "http.host: 0.0.0.0" >> /mydata/elasticsearch/config/elasticsearch.yml
  [root@localhost config]# ls
  效果-》elasticsearch.yml
  [root@localhost config]# cat elasticsearch.yml
  效果-》http.host: 0.0.0.0
  [root@localhost config]# ll
  效果-》total 4
  -rw-r--r--. 1 root root 19 Aug 18 04:19 elasticsearch.yml

启动elasticsearch
- docker run --name elasticsearch -p 9200:9200 -p 9300:9300 \
  -e "discovery.type=single-node" \
  -e ES_JAVA_OPTS="-Xms64m -Xmx512m" \
  -v /mydata/elasticsearch/config/elasticsearch.yml:/usr/share/elasticsearch/config/elasticsearch.yml\
  -v /mydata/elasticsearch/data:/usr/share/elasticsearch/data \
  -v /mydata/elasticsearch/plugins:/usr/share/elasticsearch/plugins \
  -d elasticsearch:7.4.2

docker ps 检测elasticsearch有没有启动，没有启动的话修改elasticsearch文件夹的权限，见下

cd ../返回上一层目录（elasticsearch），ll查看文件夹信息(效果及代码见下)
- [root@localhost config]# cd ../
  [root@localhost elasticsearch]# ls
  config data plugins
  [root@localhost elasticsearch]# ll
  total 0
  drwxr-xr-x. 2 root root 31 Aug 18 04:19 config
  drwxr-xr-x. 2 root root 6 Aug 18 04:16 data
  drwxr-xr-x. 2 root root 6 Aug 18 04:53 plugins
- 关于drwxr-xr-x的一点儿拓展
- 所以对于elasticsearch这个文件夹，文件所有者具有全部权限，文件所属组具有执行和读权限，其他用户具有读权限。

修改elasticsearch文件夹权限：
- [root@localhost elasticsearch]# chmod -R 777 /mydata/elasticsearch/
  [root@localhost elasticsearch]# ll
  total 0
  drwxrwxrwx. 2 root root 31 Aug 18 04:19 config
  drwxrwxrwx. 2 root root 6 Aug 18 04:16 data
  drwxrwxrwx. 2 root root 6 Aug 18 04:53 plugins

docker ps -a 查看elasticsearch的CONTAINER ID，记录这个ID

重启elasticsearch
- [root@localhost elasticsearch]# docker start +你的ID的前几位（能与其他的服务ID区别开就行）

docker ps检测elasticsearch是否启动成功，docker logs +你的ID的前几位查看elasticsearch的日志有没有报错，没有报错就继续访问192.168.56.10：9200。能访问成功则表示elasticsearch配置成功！

1.4.2 运行Kibana：

运行命令：
- docker run --name kibana -e ELASTICSEARCH_HOSTS=http://192.168.56.10:9200 -p 5601:5601 -d kibana:7.4.2

docker ps检查kibana有没有成功启动

访问http://192.168.56.10:5601检测kibana有没有成功启动，没有启动成功的话就看看日志。

1.4.3 设置kibana和ElasticSearch自启动

运行命令：
- sudo docker update cdae --restart=always
  sudo docker update 1754 --restart=always
  其中cdae和1754是你安装的kibana和ElasticSearch所对应的能够区分其他软件的ID。

1.5 elasticsearch入门

1.5.1 命令一 _cat:

GET/ _cat/nodes: 查看所有节点_

GET/ _cat/health : 查看es 健康状况_

GET/ _cat/master: 查看主节点_

GET/ _cat/indices: 查看所有索引相当于sql里的 show databases;

postman 发送get请求访问 http://192.168.56.10:9200/_cat/nodes

1.5.2 命令二 post&put新增数据

put请求：
- 请求路径：主机号+端口号+索引+类型+唯一标识。例：http://192.168.56.10:9200/customer/external/1，带上JSON数据。其中customer是索引，external是类型，1是保存的这条数据的唯一标识。
- 注意：put请求必须带唯一标识。两次请求同一URL（唯一标识也相同），第一次为新增数据，第二次为修改数据。

post请求：
- 请求路径：主机号+端口号+索引+类型。带上JSON数据
- 注意：唯一标识可带可不带，不带唯一标识发送请求后elasticsearch会自动为你创建一个唯一标识，第二次发送同一请求一样为新增操作，再一次为第二次请求创建唯一标识。带唯一标识就和put类似。

- ”_index“:索引
- ”_type":类型
- "_id":唯一标识
- "_verson":版本，随着这条记录的更新版本不断递加
- "_shards":集群知识，目前不懂
- "_seq_no":并发控制字段，每次更新就会加1，用来做乐观锁
- "_primary_term":同上，主分配重新分配，如重启，就会变化。

1.5.3 命令三 get查询数据&乐观锁字段

get请求：
- 请求路径：主机号+端口号+索引+类型+唯一标识

乐观锁：
- 如果两个人同时想修改同一条数据，很显然这是不允许的（数据库里的并发性控制也不允许），在发送的请求上带上参数_seq_no 和 _primary_term可以防止同时对同一条数据的误操作。（乐观锁）
- 请去路径：http://192.168.56.10:9200/customer/external/1?if_seq_no=0&if_primary_term=1
- 第一个人发送这个请求完成修改后，"_seq_no"的值就会发生变化，当第二个人后发送这个请求时，会显示409错误。

1.5.4 命令四 put&post修改数据

post请求更新：
- 请求路径：主机号+端口号+索引+类型+唯一标识/_update
- 当两次发送同一个post请求更新时，Elasticsearch会与原数据进行对比，没有变化则返回noop（NoOperation的缩写），同时版本号以及序列号（_seq_no）不会改变。
- 注意：请求路径后带update,所带的JSON数据格式必须带doc。即：
  - {
    "doc":{
    "name":"TX"，
    //可以继续新增数据
    }
    }
  - 请求路径后面不带update，多次重复发送同一请求Elasticsearch不会与原数据进行对比，版本号和序列号会递增。

put请求更新：
- 请求路径：主机号+端口号+索引+类型+唯一标识
- put更新操作不能带_update

1.5.5 命令五删除数据

删除数据：
- 语法格式：DELETE customer/external/1 删除一条数据 or DELETE customer 删除整个索引
- 没有对类型的删除
- 请求方式为delete

1.5.6 命令六 bulk批量操作

bulk批量API
- 请求路径：主机号+端口号+索引+类型+/_bulk
- 请求方式必须为post。
- 携带JSON数据的格式：
  - {action:{metadata}}
    {requestbody}
    
    eg:
    {"index":{"_id":1}}
    {"name":"TX"}
    {"index":{"_id":1}}
    {"name":"ZMY"}
- postman中不支持批量操作，所以我们到Kibana（(http://192.168.56.10:5601/app/kibana#/dev_tools/console?_g=())）中测试批量操作。
- 测试数据网址：https://raw.githubusercontent.com/elastic/elasticsearch/7.4/docs/src/test/resources/accounts.json
- 请求路径：POST /bank/account/_bulk

1.6 elasticsearch进阶

1.6.1 两种查询方式：

使用REST request URL：查询条件写在url上
- GET bank/_search?q=*&sort=account_number:asc

REST request body结构化查询：
- GET bank/_search
  {
  "query": {
  "match_all": {}
  },
  "sort": [
  {
  "account_number": "asc"
  },
  {
  "balance": "desc"
  }
  ]
  }

1.6.2 QueryDSL的基本使用：

标准语法（按提示）
GET bank/_search
{
"query": {
"match_all": {}
},
"sort": [
{
"balance": {
"order": "desc"
}
}
],
"from": 0,
"size": 20,
"_source": ["balance","firstname"]
}

"_source":用来指定查询到的索引中返回的源数据的返回值，["balance","firstname"]表示在源数据中只显示balance和firstname这两个字段，只想返回一个字段也可以用{“字段名”}。

1.6.3 match全文检索

全文检索会对检索条件进行分词匹配，按照评分进行排序。

match可以做精确检索也可以做模糊检索,字段名对应的检索条件是精确的，这次查询就为精确查询，反之为模糊查询。
- GET bank/_search
  {
  "query": {
  "match": {
  "address": "Mill"
  }
  }
  }

1.6.4 match_phrase短语匹配：

match是将需要检索的词进行分词（拆词）匹配，而match_phrase则是将需要检索的词当作一个整体来匹配。

语法：
- GET bank/_search
  {
  "query": {
  "match_phrase": {
  "需要进行模糊匹配的字段名": "匹配值"
  }
  }
  }

1.6.5 multi_match 多字段匹配：

类似于sql里面的username like··· or nickname like···

语法：
- 用在上面就相当于
  GET bank/_search
  {
  "query": {
  "multi_match": {
  "query": "省略号里面的东西",
  "fields": ["username","nickname"]
  }
  }
  }

multi_match 多字段匹配是分词匹配的，假设省略号里面的东西为A B，那么elasticsearch会将在username和nickname中包含A或B的索引全部都查出来，而同时包括A和B的相关性得分可能会更高。

1.6.6 bool 复合查询：

用bool可以在一次查询中关联多个条件：

eg：
- GET bank/_search
  {
  "query": {
  "bool": {
  "must": [
  {"match": {
  "FIELD": "TEXT"
  }}
  ],
  "must_not": [
  {"match": {
  "FIELD": "TEXT"
  }}
  ],
  "should": [
  {"match": {
  "FIELD": "TEXT"
  }}
  ]
  }
  
  }
  }
- 其中must条件为某个字段必须是查询的值，must_not条件为某个字段必须不是查询的值，不影响相关性得分。should条件为某个字段可以是查询的值，也可以不是，是查询的值相关性得分更高。

1.6.7 filter过滤：

filter过滤器可以替代查询，但是filter不会计算相关性得分。

语法：
- GET bank/_search
  {
  "query": {
  "bool": {
  "must": [
  {"match": {
  "FIELD": "TEXT"
  }}
  ],
  "filter": {
  "range": {
  "FIELD": {
  "gte": 10,
  "lte": 20
  }
  }
  }
  }
  
  }
  }

1.6.8 term

和match一样。匹配某个属性的值。全文检索字段用match，其他非text字段匹配用term。

GET bank/_search
{
"query": {
"match": {
"address.keyword": "TEXT"
}
}
}

GET bank/_search
{
"query": {
"match_phrase": {
"address": "TEXT"
}
}
}

这两种写法的不同之处：
- 第一种写法是将address.keyword是将后面的TEXT值完全当作源数据中对应字段的值进行匹配。是一种精确匹配。
- 第二种写法可以进行分词匹配，即源数据字段值中只需要含有这个值就行。

1.6.9 aggregations(执行聚合)：

聚合的基本使用：
- GET bank/_search
  {
  "query": {
  "match": {
  "address": "mill"
  }
  },
  "aggs": {
  "AgeAggs": {
  "terms": {
  "field": "age",
  "size": 10
  }
  }
  }
  }
- 聚合结果：
- "aggregations" : {
  "AgeAggs" : {
  "doc_count_error_upper_bound" : 0,
  "sum_other_doc_count" : 0,
  "buckets" : [
  {
  "key" : 38,
  "doc_count" : 2
  },
  {
  "key" : 28,
  "doc_count" : 1
  },
  {
  "key" : 32,
  "doc_count" : 1
  }
  ]
  }
  }
- 类似于sql中的聚合函数。
- 先查询再聚合，上面的聚合的意思是按照年龄的值进行聚合。

复杂聚合的使用：
- GET bank/_search
  {
  "query": {
  "match_all": {}
  },
  "aggs": {
  "AgeAggs": {
  "terms": {
  "field": "age",
  "size": 100
  },
  "aggs": {
  "genderAgg": {
  "terms": {
  "field": "gender.keyword",
  "size": 10
  },
  "aggs": {
  "balanceAvg": {
  "avg": {
  "field": "balance"
  }
  }
  }
  }
  }
  }
  }
  }
- 聚合中嵌套聚合（子聚合）：先查询出所有的索引。先按照年龄聚合-》再在年龄聚合里按照性别聚合-》最后计算完成聚合后的分组的平均薪资。

1.6.10 参考：

聚合的类型等等参考官网文档：Welcome to Elastic Docs | Elastic

1.6.11 映射：

类似于sql里面的数据类型，不过在es里，新建某一条记录后es会为我们自动猜测并存储这条记录的类型

使用 " GET /bank/_mapping "可以查看bank下的属性所对应的类型

自定义映射类型（创建映射）：
- PUT /my_index
  {
  "mappings": {
  "properties": {
  "name": {
  "type": "text"
  },
  "age": {
  "type": "integer"
  },
  "email": {
  "type": "keyword"
  }
  }
  }
  }
- text类型在检索时会进行全文检索，并且进行分词匹配。
- keyword类型为精确检索。不进行分词匹配。

为映射添加新的字段：
- PUT /my_index/_mapping
  {
  "properties": {
  "employee_id": {
  "type": "keyword",
  "index": false
  }
  }
  }
- 其中index默认值为true，决定这条记录能不能作为索引被检索。

更新映射：
- es里面不支持直接更新某个索引的映射，原因很简单。更新某个属性对应的类型后，之前所保存的属性的记录在检索时都会失效。对于已经存在的字段，我们不能更新。更新必须创建新的索引进行数据迁移。

数据迁移：
- es6.0之前：
  - PUT /newbank
    {
    "mappings": {
    "properties": {
    "account_number": {
    "type": "long"
    },
    "address": {
    "type": "text"
    },
    "age": {
    "type": "integer"
    },
    "balance": {
    "type": "long"
    },
    "city": {
    "type": "text"
    },
    "email": {
    "type": "text"
    },
    "employer": {
    "type": "text"
    },
    "firstname": {
    "type": "text"
    },
    "gender": {
    "type": "text"
    },
    "lastname": {
    "type": "text"
    },
    "state": {
    "type": "text"
    }
    }
    }
    }
    //创建新的索引
    
    GET /newbank/_mapping
    
    POST _reindex
    {
    "source": {
    "index": "bank",
    "type": "account"
    },
    "dest": {
    "index": "newbank "
    }
    }
    //数据迁移
- es6.0之后：
  - 不需要指定数据类型
  - POST _reindex
    {
    "source": {
    "index": "bank"
    },
    "dest": {
    "index": "newbank "
    }
    }
    //数据迁移

1.6.12 分词：

一个tokenizer（分词器）接收一个字符流，将之分割为独立的tokens（词元，通常是独立的单词），然后输出tokens流。
例如：whitespace tokenizer遇到空白字符时分割文本。它会将文本“Quick brown fox!”分割为[Quick,brown,fox!]。
该tokenizer（分词器）还负责记录各个terms(词条)的顺序或position位置（用于phrase短语和word proximity词近邻查询），以及term（词条）所代表的原始word（单词）的start（起始）和end（结束）的character offsets（字符串偏移量）（用于高亮显示搜索的内容）。
elasticsearch提供了很多内置的分词器，可以用来构建custom analyzers（自定义分词器）。
关于分词器： https://www.elastic.co/guide/en/elasticsearch/reference/7.6/analysis.html

安装ik分词器：
- 如果你的虚拟机能够连接外网，那就直接使用wget安装：
- 没有安装wget先安装wget,顺便安装unzip 使用命令：
  - yum -y install wget
    yum -y install unzip

安装ik分词器方法一：（推荐）
- 先进入 cd /mydata/elasticsearch/plugins/ik/
- 使用命令：wget https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.4.2/elasticsearch-analysis-ik-7.4.2.zip 下载ik分词器7.4.2版本（注意：这里的版本要和你所使用的elasticsearch的版本一致）
- 使用命令：unzip elasticsearch-analysis-ik-7.4.2.zip -d ik 解压下载的自拍文件。
- 使用命令：rm -rf elasticsearch-analysis-ik-7.4.2.zip 删除压缩包文件。
- 重启elastic search，去kimaba上测试ik分词器是否生效。

安装ik分词器方法二：
- 在github上找自己使用的elasticsearch对应的ik分词器的版本，下载并解压。
- 使用虚拟机可视化操作软件比如MobaXterm在mydata/elasticsearch/plugins 下创建文件夹，取名ik，并利用MobaXterm在ik文件夹下上传你上一步解压的所有文件。
- 测试。。。。。。

配置nginx：
- 随便启动一个nginx实例，只是为了复制出配置
  docker run -p 8081:80 --name nginx -d nginx:1.10
- 将容器内的配置文件拷贝到/mydata/nginx/conf/ 下
  mkdir -p /mydata/nginx/html
  mkdir -p /mydata/nginx/logs
  mkdir -p /mydata/nginx/conf
  docker container cp nginx:/etc/nginx . #拷贝到当前文件夹
  #由于拷贝完成后会在config中存在一个nginx文件夹，所以需要将它的内容移动到conf中
  mv /mydata/nginx/conf/nginx/* /mydata/nginx/conf/
  rm -rf /mydata/nginx/conf/nginx
- 终止原容器：
  docker stop nginx
- 执行命令删除原容器：
  docker rm nginx
- 创建新的Nginx，执行以下命令
  docker run -p 80:80 --name nginx \
  -v /mydata/nginx/html:/usr/share/nginx/html \
  -v /mydata/nginx/logs:/var/log/nginx \
  -v /mydata/nginx/conf/:/etc/nginx \
  -d nginx:1.10
- 设置开机启动nginx
  docker update nginx --restart=always
- 创建“/mydata/nginx/html/index.html”文件，测试是否能够正常访问
  echo '
  hello nginx!
  ' >/mydata/nginx/html/index.html
  访问：http://ngix所在主机的IP:80/index.html

自定义词库：
- 方法一：通过nginx 间接自定义词库：
  - 在 /mydata/nginx/html/es/ 定义一个txt文件作为词库文件
  - 修改 /mydata/elasticsearch/plugins/ik/config/ IKAnalyzer.cfg/xml ,设置远程词库为192.168.56.10/es/fenci.txt 也就是你之前创建词库文件的位置。
  - 重启elastic search，测试效果。
- 方法二：通过ik分词器中的config配置文件定义词库：
  - 在/mydata/elasticsearch/plugins/ik/config/ 目录下新建一个fenci.dic文件。
  - 修改 /mydata/elasticsearch/plugins/ik/config/ IKAnalyzer.cfg.xml ,设置扩展字典为fenci.dic。也就是你刚刚创建词库文件。
  - 重启elastic search，测试效果。
- 这两种方法根本原理都相同，都是在某个文件中添加你想保留的字段，让分词器在分词时根据你的设置来进行分词。
- IKAnalyzer.cfg.xml
  - IK Analyzer 扩展配置
    
    fenci.dic
    
    http://192.168.56.10/es/fenci.txt

1.7 Elasticearch-Rest-Client

1.7.1 9300: TCP

spring-data-elasticsearch:transport-api.jar;
- springboot版本不同，ransport-api.jar不同，不能适配es版本
- 7.x已经不建议使用，8以后就要废弃

1.7.2 9200: HTTP

jestClient: 非官方，更新慢；

RestTemplate：模拟HTTP请求，ES很多操作需要自己封装，麻烦；

HttpClient：同上；

Elasticsearch-Rest-Client：官方RestClient，封装了ES操作，API层次分明，上手简单；最终选择Elasticsearch-Rest-Client（elasticsearch-rest-high-level-client）； https://www.elastic.co/guide/en/elasticsearch/client/java-rest/current/java-rest-high.html

1.8 springboot整合Elastic Search：

1.8.1 导入依赖：

新建module、开启服务注册发现什么的自己来。

依赖版本要和自己的elasticsearch的版本一致。

org.elasticsearch.client elasticsearch-rest-high-level-client 7.4.2

父依赖中的elasticsearch版本要修改为对应的版本。（不该后面会报错）
- 7.4.2

1.8.2 测试保存数据

@RunWith(SpringRunner.class)
@SpringBootTest
class GulimallSearchApplicationTests {

@Resource
RestHighLevelClient restHighLevelClient;
@Test
void contextLoads() {
System.out.println(restHighLevelClient);
}
@Test
void initData() throws IOException {
IndexRequest indexRequest=new IndexRequest("user");
indexRequest.id("1");
//初始化数据
User user=new User();
user.setName("张满月");
user.setAge(20);
user.setSex("女");
//将数据转化成json格式
String jsOnString= JSON.toJSONString(user);
indexRequest.source(jsonString, XContentType.JSON);
//同步执行操作
IndexResponse indexRespOnse= restHighLevelClient.index(indexRequest,GulimallElasticSearchConfig.COMMON_OPTIONS);
//提取有用的相应数据
System.out.println(indexResponse);
}
@Data
public class User{
private String name;
private String sex;
private int age;
}

}