Elasticsearch核心技术（二）：Elasticsearch入门

本文从基本概念、基本CRUD操作、倒排索引原理、分词等部分来初识Elasticsearch。

2.1 基本概念

Elasticsearch是面向文档（Document）的，文档是所有可搜索数据的最小单位；文档会被序列化成Json格式，保存在Elasticsearch中，并且每个文档都有一个唯一ID，可以通过Elasticsearch自动生成，也可以自己进行指定。对比MySQL，每行数据都有一个主键，这个主键可以使用MySQL自增主键，也可以通过雪花算法等方式生成然后进行自己设置。

文档的元数据，用于标注文档的相关信息。例如：_index表示文档所属的索引名，_id表示文档唯一ID，_score表示相关性打分，_source是文档的原始Json数据等。

索引（Index）是文档的容器，是一类文档的集合。对比MySQL，可以认为索引为一个数据表。

Mapping用来定义字段名和类型，对比MySQL，每个表有表结构的定义，包括字段名称，字段类型等。与关系型数据库进行类比：

RDBMS	Elasticsearch
Table	Index
Row	Document
Column	Field
Schema	Mapping
SQL	DSL

节点是一个Elasticsearch的实例，本质上是一个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值运行一个Elasticsearch实例。节点分为数据节点和协调节点。数据节点是保存数据的节点，协调节点负责接收Client的请求，将请求路由到到合适的节点，并将结果汇集到一起。

集群是有多个节点组成的。

分片分为主分片和副本，每个分片可以设置一定数量的副本。主分片用于解决数据的水平扩展问题，通过主分片可以将数据分布到集群内的所有节点上。副本是用来解决数据高可用的问题，副本是主分片的拷贝，副本分片数可以动态调整，增加副本数，可以在一定程度上提高服务的可用性。当然副本可以提供查询功能，分摊系统的读负载。例如下图中，分片数为3，副本数为1。



对于分片的设定，生产环境中分片的设定需要提前进行规划。分片数量设置过小会导致后续无法增加节点实现水平扩展；而单个分片数据量太大，会导致数据重新分片耗时。分片数设置过大，会影响搜索结果的相关性打分，影响统计结果的准确性；而单个节点上有过多的分片，会导致资源浪费，同时会影响性能。

2.2 基本CRUD操作与批量操作

Elasticsearch对外提供RESTful API用于CRUD。使用RESTful API与Elasticsearch进行交互有两种方式：curl命令行和Kibana DevTools。可以直接使用Kibana DevTool与Elasticsearch进行交互。

2.2.1 索引操作

1. 创建索引
   
   request: PUT /test_index
   
   response:

{
  "acknowledged" : true,
  "shards_acknowledged" : true,
  "index" : "test_index"
}

1. 查看现有索引
   
   request：GET _cat/indices
   
   response：green open test_index GRXXECvrQjuNKRog7aDkPQ 1 1 2 3 28.9kb 14.4kb

2. 删除索引
   
   request：DELETE /test_index
   
   response：

{
  "acknowledged" : true
}

2.2.2 文档操作

1. 指定id创建文档

request：

PUT /test_index/_doc/1
{
  "username":"Paul",
  "age":10
}

response：

{
  "_index" : "test_index",
  "_type" : "_doc",
  "_id" : "1",
  "_version" : 1,
  "result" : "created",
  "_shards" : {
    "total" : 2,
    "successful" : 2,
    "failed" : 0
  },
  "_seq_no" : 0,
  "_primary_term" : 1
}

1. 不指定id创建文档

request：

POST /test_index/_doc
{
  "username":"Rose",
  "age":11
}

response:

{
  "_index" : "test_index",
  "_type" : "_doc",
  "_id" : "soOv1HcB4Isa6tvVdQ9J",
  "_version" : 1,
  "result" : "created",
  "_shards" : {
    "total" : 2,
    "successful" : 2,
    "failed" : 0
  },
  "_seq_no" : 1,
  "_primary_term" : 1
}

1. 指定id查询文档

request：GET /test_index/_doc/1

response：

{
  "_index" : "test_index",
  "_type" : "_doc",
  "_id" : "1",
  "_version" : 1,
  "_seq_no" : 0,
  "_primary_term" : 1,
  "found" : true,
  "_source" : {
    "username" : "Paul",
    "age" : 10
  }
}

1. 查询所有文档

request：GET /test_index/_search

response：

{
  "took" : 2,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 2,
      "relation" : "eq"
    },
    "max_score" : 1.0,
    "hits" : [
      {
        "_index" : "test_index",
        "_type" : "_doc",
        "_id" : "1",
        "_score" : 1.0,
        "_source" : {
          "username" : "Paul",
          "age" : 10
        }
      },
      {
        "_index" : "test_index",
        "_type" : "_doc",
        "_id" : "soOv1HcB4Isa6tvVdQ9J",
        "_score" : 1.0,
        "_source" : {
          "username" : "Rose",
          "age" : 11
        }
      }
    ]
  }
}

1. 更新文档

request：

POST /test_index/_update/1
{
  "doc": {
    "username": "Paul",
    "age": 20
  }
}

response：

{
  "_index" : "test_index",
  "_type" : "_doc",
  "_id" : "1",
  "_version" : 2,
  "result" : "updated",
  "_shards" : {
    "total" : 2,
    "successful" : 2,
    "failed" : 0
  },
  "_seq_no" : 2,
  "_primary_term" : 1
}

1. 删除文档

request：DELETE /test_index/_doc1

2.2.3 批量操作

批量操作可以减少网络连接所产生的开销，提高性能。

• _bulk

支持在一次API调用中，对不同的索引进行操作。

bulk支持Index、Create、Update？Delete四种操作。

请求中单条操作失败，并不会影响其他操作，返回结果中包含每一条操作的执行结果。

request:

POST _bulk
{"index":{"_index":"test_index", "_id":"1"}}
{"username":"Smart", "age":22}
{"delete":{"_index":"test_index", "_id":"2"}}

response:

{
  "took" : 95,
  "errors" : false,
  "items" : [
    {
      "index" : {
        "_index" : "test_index",
        "_type" : "_doc",
        "_id" : "1",
        "_version" : 5,
        "result" : "updated",
        "_shards" : {
          "total" : 2,
          "successful" : 2,
          "failed" : 0
        },
        "_seq_no" : 5,
        "_primary_term" : 1,
        "status" : 200
      }
    },
    {
      "delete" : {
        "_index" : "test_index",
        "_type" : "_doc",
        "_id" : "2",
        "_version" : 1,
        "result" : "not_found",
        "_shards" : {
          "total" : 2,
          "successful" : 2,
          "failed" : 0
        },
        "_seq_no" : 6,
        "_primary_term" : 1,
        "status" : 404
      }
    }
  ]
}

• 批量读取mget

request:

GET _mget
{
  "docs":[
    {
      "_index":"test_index",
      "_id":1
    },
    {
      "_index":"movies",
      "_id":1
    }]
}

response:

{
  "docs" : [
    {
      "_index" : "test_index",
      "_type" : "_doc",
      "_id" : "1",
      "_version" : 2,
      "_seq_no" : 2,
      "_primary_term" : 1,
      "found" : true,
      "_source" : {
        "username" : "Paul",
        "age" : 20
      }
    },
    {
      "_index" : "movies",
      "_type" : "_doc",
      "_id" : "1",
      "_version" : 1,
      "_seq_no" : 6,
      "_primary_term" : 1,
      "found" : true,
      "_source" : {
        "id" : "1",
        "title" : "Toy Story",
        "year" : 1995,
        "genre" : [
          "Adventure",
          "Animation",
          "Children",
          "Comedy",
          "Fantasy"
        ],
        "@version" : "1"
      }
    }
  ]
}

• 批量查询msearch

request:

POST test_index/_msearch
{}
{"query":{"match_all":{}},"size":1}
{"index":"kibana_sample_data_flights"}
{"query":{"match_all":{}},"size":2}

response:

{
  "took" : 4,
  "responses" : [
    {
      "took" : 2,
      "timed_out" : false,
      "_shards" : {
        "total" : 1,
        "successful" : 1,
        "skipped" : 0,
        "failed" : 0
      },
      "hits" : {
        "total" : {
          "value" : 2,
          "relation" : "eq"
        },
        "max_score" : 1.0,
        "hits" : [
          {
            "_index" : "test_index",
            "_type" : "_doc",
            "_id" : "soOv1HcB4Isa6tvVdQ9J",
            "_score" : 1.0,
            "_source" : {
              "username" : "Rose",
              "age" : 11
            }
          }
        ]
      },
      "status" : 200
    },
    {
      "took" : 4,
      "timed_out" : false,
      "_shards" : {
        "total" : 1,
        "successful" : 1,
        "skipped" : 0,
        "failed" : 0
      },
      "hits" : {
        "total" : {
          "value" : 10000,
          "relation" : "gte"
        },
        "max_score" : 1.0,
        "hits" : [
          {
            "_index" : "kibana_sample_data_flights",
            "_type" : "_doc",
            "_id" : "iTmvUXcBNxIYppLoFWwg",
            "_score" : 1.0,
            "_source" : {
              "FlightNum" : "R3J7URU",
              "DestCountry" : "US",
              "OriginWeather" : "Hail",
              "OriginCityName" : "Moscow",
              "AvgTicketPrice" : 1172.5681640799792,
              "DistanceMiles" : 5149.888524287689,
              "FlightDelay" : false,
              "DestWeather" : "Rain",
              "Dest" : "Spokane International Airport",
              "FlightDelayType" : "No Delay",
              "OriginCountry" : "RU",
              "dayOfWeek" : 6,
              "DistanceKilometers" : 8287.942197231247,
              "timestamp" : "2021-02-14T10:59:03",
              "DestLocation" : {
                "lat" : "47.61989975",
                "lon" : "-117.5339966"
              },
              "DestAirportID" : "GEG",
              "Carrier" : "ES-Air",
              "Cancelled" : false,
              "FlightTimeMin" : 753.4492906573861,
              "Origin" : "Sheremetyevo International Airport",
              "OriginLocation" : {
                "lat" : "55.972599",
                "lon" : "37.4146"
              },
              "DestRegion" : "US-WA",
              "OriginAirportID" : "SVO",
              "OriginRegion" : "RU-MOS",
              "DestCityName" : "Spokane",
              "FlightTimeHour" : 12.557488177623101,
              "FlightDelayMin" : 0
            }
          },
          {
            "_index" : "kibana_sample_data_flights",
            "_type" : "_doc",
            "_id" : "ijmvUXcBNxIYppLoFWwg",
            "_score" : 1.0,
            "_source" : {
              "FlightNum" : "OE9TTXI",
              "DestCountry" : "GB",
              "OriginWeather" : "Sunny",
              "OriginCityName" : "Guangzhou",
              "AvgTicketPrice" : 834.6361636829536,
              "DistanceMiles" : 5911.063226254684,
              "FlightDelay" : false,
              "DestWeather" : "Thunder & Lightning",
              "Dest" : "London Heathrow Airport",
              "FlightDelayType" : "No Delay",
              "OriginCountry" : "CN",
              "dayOfWeek" : 6,
              "DistanceKilometers" : 9512.93413679362,
              "timestamp" : "2021-02-14T08:13:00",
              "DestLocation" : {
                "lat" : "51.4706",
                "lon" : "-0.461941"
              },
              "DestAirportID" : "LHR",
              "Carrier" : "JetBeats",
              "Cancelled" : true,
              "FlightTimeMin" : 500.68074404176946,
              "Origin" : "Guangzhou Baiyun International Airport",
              "OriginLocation" : {
                "lat" : "23.39240074",
                "lon" : "113.2990036"
              },
              "DestRegion" : "GB-ENG",
              "OriginAirportID" : "CAN",
              "OriginRegion" : "SE-BD",
              "DestCityName" : "London",
              "FlightTimeHour" : 8.344679067362824,
              "FlightDelayMin" : 0
            }
          }
        ]
      },
      "status" : 200
    }
  ]
}

2.3 倒排索引

2.3.1 正排索引与倒排索引

什么是正排索引？正排索引指的是从文档Id到文档内容、单词的关联关系。例如每本书的目录，通过目录可以很快找到某个标题的具体内容在书中的那一页。

什么是倒排索引？倒排索引指的文档内容或者单词到文档Id的关联关系。还是以书的例子，倒排索引指的是从具体内容到文章标题的索引。

知乎上面有人举了一个形象的例子。比如说考我们一首诗，给一首诗的名字，通常大家都可以背下来诗的内容。那为什么“飞花令”的时候我们想不起来诗句呢？因为我们的大脑中没有建立从诗句中某个字到诗名的倒排索引，假如说建立了这样的倒排索引，我们也可以像中国诗词大会的选手一样飞来飞去。

文档ID	文档内容
1	Elasticsearch是最流行的搜索引擎
2	Java是世界上最好的语言
3	Google是全球最大的搜索引擎

单词	文档ID列表
elasticsearch	1
流行	1
搜索引擎	1,3
java	2
世界	2
最好	2
语言	2
google	3
全球	3
最大	3

Elasticsearch存储的是一个json格式的文档，其中包含多个字段，每个字段都会有自己的倒排索引。

那倒排索引是如何产生的呢？是文档内容分词之后和文档ID进行关联。

2.4 分词

分词是指将连续的字符串按照一定的规则重新切分成为单词（term or token）的过程，在ES里面叫做Analysis。

2.4.1 ES分词器组成和自带分词器

Analyzer是ES中专门处理分词的组件，组成如下：

• Character Filters：针对原始文本进行处理，比如去除HTML特殊标识符等
• Tokenizer：将原始文本按照一定规则切分成为单词
• Token Filters：针对Tokenizer处理的单词进行再加工，比如转小写、删除停用词或者新增同义词等处理

其工作过程如图所示：

Elasticsearch内置分词器

分词器	说明
Standard Analyzer	默认分词器，按词切分，小写处理，停用词处理默认关闭
Simple Analyzer	按照非字母切分，非字母的都被去除，小写处理
Stop Analyzer	小写处理，停用词过滤
Whitespace Analyzer	按照空格切分，不转小写
Keyword Analyzer	不分词，直接将输入内容进行输出
Pattern Analyzer	正则表达式，默认\W+（非字母符号分割）
Language	提供30多种常见语言的分词器
Customer Analyzer	自定义分词器

测试一下：

• 直接指定Analyzer进行测试

GET /_analyze
{
  "analyzer": "standard",
  "text": [
    "Hello World, Hello Elasticsearch"
  ]
}

• 指定索引的字段进行测试

POST /movies/_analyze
{
  "field": "title",
  "text": [
    "Hello World, Hello Elasticsearch"
  ]
}

• 自定义分词器进行测试

POST /_analyze
{
  "tokenizer": "standard",
  "filter": [
    "lowercase"
  ],
  "text": [
    "Hello World, Hello Elasticsearch"
  ]
}

2.4.2 Analyze API使用

ES提供一个测试分词的API接口，方便验证分词效果。_analyze

可以直接指定analyzer进行测试

可以直接指定索引中的字段进行测试：GET test_index/_analyze

可以自定义分词器进行测试

至此，学习了基本API的使用、批量操作、倒排索引原理和分词等概念，对ELasticsearch有了初步的认识。