全文检索工具elasticsearch：第一章：理论知识

搜索

什么是搜索， 计算机根据用户输入的关键词进行匹配，从已有的数据库中摘录出相关的记录反馈给用户。 

常见的全网搜索引擎，像百度、谷歌这样的。但是除此以外，搜索技术在垂直领域也有广泛的使用，比如淘宝、京东搜索商品，万芳、知网搜索期刊，csdn中搜索问题贴。也都是基于海量数据的搜索。

   如何处理搜索

    用传统关系性数据库

弊端：  

1、 对于传统的关系性数据库对于关键词的查询，只能逐字逐行的匹配，性能非常差。

2、匹配方式不合理，比如搜索“小密手机” ，如果用like进行匹配， 根本匹配不到。但是考虑使用者的用户体验的话，除了完全匹配的记录，还应该显示一部分近似匹配的记录，至少应该匹配到“手机”。

   专业全文索引是怎么处理的

     全文搜索引擎目前主流的索引技术就是倒排索引的方式。

   传统的保存数据的方式都是

      记录→单词

而倒排索引的保存数据的方式是

   单词→记录

例如

  搜索“红海行动”

但是数据库中保存的数据如图：

那么搜索引擎是如何能将两者匹配上的呢？

基于分词技术构建倒排索引：

首先每个记录保存数据时，都不会直接存入数据库。系统先会对数据进行分词，然后以倒排索引结构保存。如下：

然后等到用户搜索的时候，会把搜索的关键词也进行分词，会把“红海行动”分词分成：红海和行动两个词。

这样的话，先用红海进行匹配，得到id=1和id=2的记录编号，再用行动匹配可以迅速定位id为1,3的记录。

那么全文索引通常，还会根据匹配程度进行打分，显然1号记录能匹配的次数更多。所以显示的时候以评分进行排序的话，1号记录会排到最前面。而2、3号记录也可以匹配到。

   全文检索工具elasticsearch

  lucene与elasticsearch

咱们之前讲的处理分词，构建倒排索引，等等，都是这个叫lucene的做的。那么能不能说这个lucene就是搜索引擎呢？

还不能。lucene只是一个提供全文搜索功能类库的核心工具包，而真正使用它还需要一个完善的服务框架搭建起来的应用。

好比lucene是类似于jdk，而搜索引擎软件就是tomcat 的。

目前市面上流行的搜索引擎软件，主流的就两款，elasticsearch和solr,这两款都是基于lucene的搭建的，可以独立部署启动的搜索引擎服务软件。由于内核相同，所以两者除了服务器安装、部署、管理、集群以外，对于数据的操作，修改、添加、保存、查询等等都十分类似。就好像都是支持sql语言的两种数据库软件。只要学会其中一个另一个很容易上手。

从实际企业使用情况来看，elasticSearch的市场份额逐步在取代solr，国内百度、京东、新浪都是基于elasticSearch实现的搜索功能。国外就更多了 像维基百科、GitHub、Stack Overflow等等也都是基于ES的

 

  elasticSearch的使用场景

1. 为用户提供按关键字查询的全文搜索功能。
2. 著名的ELK框架(ElasticSearch,Logstash,Kibana)，实现企业海量日志的处理分析的解决方案。大数据领域的重要一份子。

  elasticSearch的安装

全文检索工具elasticsearch：第二章：安装配置

   elasticsearch的基本概念

cluster	整个elasticsearch 默认就是集群状态，整个集群是一份完整、互备的数据。
node	集群中的一个节点，一般只一个进程就是一个node
shard	分片，即使是一个节点中的数据也会通过hash算法，分成多个片存放，默认是5片。
index	相当于rdbms的database, 对于用户来说是一个逻辑数据库，虽然物理上会被分多个shard存放，也可能存放在多个node中。
type	类似于rdbms的table，但是与其说像table，其实更像面向对象中的class , 同一Json的格式的数据集合。
document	类似于rdbms的 row、面向对象里的object
field	相当于字段、属性

 

 

   利用kibana学习 elasticsearch restful api (DSL)

执行bin目录下的kibana程序：

cd /opt/kibana-5.6.4-linux-x86_64/bin

 ./kibana

   es中保存的数据结构

public class  Movie {  String id;      String name;      Double doubanScore;      List<Actor> actorList; } public class Actor{ String id; String name; }

这两个对象如果放在关系型数据库保存，会被拆成2张表，但是elasticsearch是用一个json来表示一个document。

所以他保存到es中应该是：

{   “id”:”1”,   “name”:”operation red sea”,   “doubanScore”:”8.5”,   “actorList”:[   {“id”:”1”,”name”:”zhangyi”}, {“id”:”2”,”name”:”haiqing”}, {“id”:”3”,”name”:”zhanghanyu”} ] }

 

 对数据的操作增删改查

查看es中有哪些索引

GET /_cat/indices?v

es 中会默认存在一个名为.kibana的索引

health status index   uuid                   pri rep docs.count docs.deleted store.size pri.store.size
yellow open   .kibana sBDZ-v6YQMWx9GaQOmSQQg   1   1          1            0      3.2kb          3.2kb

表头的含义

health	green(集群完整) yellow(单点正常、集群不完整) red(单点不正常)
status	是否能使用
index	索引名
uuid	索引统一编号
pri	主节点几个
rep	从节点几个
docs.count	文档数
docs.deleted	文档被删了多少
store.size	整体占空间大小
pri.store.size	主节点占

 

增加一个索引

PUT /movie_index

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

删除一个索引

      ES 是不删除也不修改任何数据

DELETE /movie_index

{
  "acknowledged": true
}

 新增文档 

格式 ：PUT /index/type/id

PUT /movie_index/movie/1 { "id":1,   "name":"operation red sea",   "doubanScore":8.5,   "actorList":[   {"id":1,"name":"zhang yi"}, {"id":2,"name":"hai qing"}, {"id":3,"name":"zhang han yu"} ] } PUT /movie_index/movie/2 {   "id":2,   "name":"operation meigong river",   "doubanScore":8.0,   "actorList":[   {"id":3,"name":"zhang han yu"} ] } PUT /movie_index/movie/3 {   "id":3,   "name":"incident red sea",   "doubanScore":5.0,   "actorList":[   {"id":4,"name":"zhang chen"} ] }

如果之前没建过index或者type，es 会自动创建。

 直接用id查找

GET movie_index/movie/1

 

 修改—整体替换

和新增没有区别

PUT /movie_index/movie/3 {   "id":"3",   "name":"incident red sea",   "doubanScore":"5.0",   "actorList":[   {"id":"1","name":"zhang chen"} ] }

修改—某个字段

POST movie_index/movie/3/_update {   "doc": {     "doubanScore":"7.0"   } }

修改—某个字段和 修改—整体替换二者选一，否则：

 删除一个document

DELETE movie_index/movie/3

{
  "found": true,
  "_index": "movie_index",
  "_type": "movie",
  "_id": "3",
  "_version": 18,
  "result": "deleted",
  "_shards": {
    "total": 2,
    "successful": 1,
    "failed": 0
  }
}

搜索type全部数据

GET movie_index/movie/_search

结果

{   "took": 2,    //耗费时间 毫秒   "timed_out": false, //是否超时   "_shards": {     "total": 5,   //发送给全部5个分片     "successful": 5,     "skipped": 0,     "failed": 0   },   "hits": {     "total": 3,  //命中3条数据     "max_score": 1,   //最大评分     "hits": [  // 结果       {         "_index": "movie_index",         "_type": "movie",         "_id": 2,         "_score": 1,         "_source": {           "id": "2",           "name": "operation meigong river",           "doubanScore": 8.0,           "actorList": [             {               "id": "1",               "name": "zhang han yu"             }           ]         }           。。。。。。。。           。。。。。。。。       }

 

 按条件查询(全部)

GET movie_index/movie/_search {   "query":{     "match_all": {}   } }

按分词查询 

GET movie_index/movie/_search {   "query":{     "match": {"name":"red"}   } }

注意结果的评分

按分词子属性查询 

GET movie_index/movie/_search {   "query":{     "match": {"actorList.name":"zhang"}   } }

 结果：

{
  "took": 2,
  "timed_out": false,
  "_shards": {
    "total": 5,
    "successful": 5,
    "skipped": 0,
    "failed": 0
  },
  "hits": {
    "total": 2,
    "max_score": 1,
    "hits": [
      {
        "_index": "movie_index",
        "_type": "movie",
        "_id": "2",
        "_score": 1,
        "_source": {
          "id": 2,
          "name": "operation meigong river",
          "doubanScore": 8,
          "actorList": [
            {
              "id": 3,
              "name": "zhang han yu"
            }
          ]
        }
      },
      {
        "_index": "movie_index",
        "_type": "movie",
        "_id": "1",
        "_score": 1,
        "_source": {
          "id": 1,
          "name": "operation red sea",
          "doubanScore": 8.5,
          "actorList": [
            {
              "id": 1,
              "name": "zhang yi"
            },
            {
              "id": 2,
              "name": "hai qing"
            },
            {
              "id": 3,
              "name": "zhang han yu"
            }
          ]
        }
      }
    ]
  }
}

match phrase

GET movie_index/movie/_search {     "query":{       "match_phrase": {"name":"operation red"}     } }

按短语查询，不再利用分词技术，直接用短语在原始数据中匹配

我就不发结果了，太长的博客也不好看。

  fuzzy查询

GET movie_index/movie/_search {     "query":{       "fuzzy": {"name":"rad"}     } }

校正匹配分词，当一个单词都无法准确匹配，es通过一种算法对非常接近的单词也给与一定的评分，能够查询出来，但是消耗更多的性能。

 

过滤--查询后过滤

GET movie_index/movie/_search {     "query":{       "match": {"name":"red"}     },     "post_filter":{       "term": {         "actorList.id": 3       }     } }

先查询后过滤效率慢，好比，我先从全国所有人中先过滤其他省份的留下广东的，再查询比先查询全国所有人再过滤广东的

过滤--查询前过滤（推荐）

GET movie_index/movie/_search {     "query":{         "bool":{           "filter":[ {"term": {  "actorList.id": "1"  }},                      {"term": {  "actorList.id": "3"  }}            ],            "must":{"match":{"name":"red"}}          }     } }

 

 过滤--按范围过滤

GET movie_index/movie/_search {    "query": {      "bool": {        "filter": {          "range": {             "doubanScore": {"gte": 8}          }        }      }    } }

关于范围操作符：

gt	大于
lt	小于
gte	大于等于
lte	小于等于

  排序

GET movie_index/movie/_search {   "query":{     "match": {"name":"red sea"}   }   , "sort": [     {       "doubanScore": {         "order": "desc"       }     }   ] }

这个先按名称后按red sea排序

 分页查询

GET movie_index/movie/_search {   "query": { "match_all": {} },   "from": 1,   "size": 1 }

 指定查询的字段

GET movie_index/movie/_search {   "query": { "match_all": {} },   "_source": ["name", "doubanScore"] }

太多了，但我坚持，希望尽最大努力把我知道的全部写出来。

高亮

GET movie_index/movie/_search {     "query":{       "match": {"name":"red sea"}     },     "highlight": {       "fields": {"name":{} }     }   }

聚合

取出每个演员共参演了多少部电影

GET movie_index/movie/_search {   "aggs": {     "groupby_actor": {       "terms": {         "field": "actorList.name.keyword"         }     }   } }

每个演员参演电影的平均分是多少，并按评分排序

GET movie_index/movie/_search {   "aggs": {     "groupby_actor_id": {       "terms": {         "field": "actorList.name.keyword" ,         "order": {           "avg_score": "desc"           }       },       "aggs": {         "avg_score":{           "avg": {             "field": "doubanScore"           }         }        }     }   } }

 关于mapping的类型

之前说type可以理解为table，那每个字段的数据类型是如何定义的呢

查看看mapping

GET movie_index/_mapping/movie

{
  "movie_index": {
    "mappings": {
      "movie": {
        "properties": {
          "actorList": {
            "properties": {
              "id": {
                "type": "long"
              },
              "name": {
                "type": "text",
                "fields": {
                  "keyword": {
                    "type": "keyword",
                    "ignore_above": 256
                  }
                }
              }
            }
          },
          "doubanScore": {
            "type": "float"
          },
          "id": {
            "type": "long"
          },
          "name": {
            "type": "text",
            "fields": {
              "keyword": {
                "type": "keyword",
                "ignore_above": 256
              }
            }
          }
        }
      }
    }
  }
}

实际上每个type中的字段是什么数据类型，由mapping定义。

但是如果没有设定mapping系统会自动，根据一条数据的格式来推断出应该的数据格式。

1. true/false → boolean
2. 1020  →  long
3. 20.1 → double
4. “2017-02-01” → date
5. “hello world” → text +keyword

默认只有text会进行分词，keyword是不会分词的字符串。

mapping除了自动定义，还可以手动定义，但是只能对新加的、没有数据的字段进行定义。一旦有了数据就无法再做修改了。

注意：虽然每个Field的数据放在不同的type下,但是同一个名字的Field在一个index下只能有一种mapping定义。

 中文分词

elasticsearch本身自带的中文分词，就是单纯把中文一个字一个字的分开，根本没有词汇的概念。但是实际应用中，用户都是以词汇为条件，进行查询匹配的，如果能够把文章以词汇为单位切分开，那么与用户的查询条件能够更贴切的匹配上，查询速度也更加快速。

分词器下载网址：https://github.com/medcl/elasticsearch-analysis-ik

安装

下载好的zip包，请解压后放到 /usr/share/elasticsearch/plugins/ik

然后重启es

测试使用

使用默认

GET movie_index/_analyze {     "text": "我是中国人" }

    请观察结果

 使用分词器

GET movie_index/_analyze {  "analyzer": "ik_smart",   "text": "我是中国人" }

请观察结果

   另外一个分词器

    ik_max_word

GET movie_index/_analyze {  "analyzer": "ik_max_word",   "text": "我是中国人" }

请观察结果

能够看出不同的分词器，分词有明显的区别，所以以后定义一个type不能再使用默认的mapping了，要手工建立mapping, 因为要选择分词器。

基于中文分词搭建索引

1、建立mapping

PUT movie_chn {   "mappings": {     "movie":{       "properties": {         "id":{           "type": "long"         },         "name":{           "type": "text"           , "analyzer": "ik_smart"         },         "doubanScore":{           "type": "double"         },         "actorList":{           "properties": {             "id":{               "type":"long"             },             "name":{               "type":"keyword"             }           }         }       }     }   } }

 

插入数据

PUT /movie_chn/movie/1 { "id":1,   "name":"红海行动",   "doubanScore":8.5,   "actorList":[     {"id":1,"name":"张译"},   {"id":2,"name":"海清"},   {"id":3,"name":"张涵予"}  ] } PUT /movie_chn/movie/2 {   "id":2,   "name":"湄公河行动",   "doubanScore":8.0,   "actorList":[   {"id":3,"name":"张涵予"} ] } PUT /movie_chn/movie/3 {   "id":3,   "name":"红海事件",   "doubanScore":5.0,   "actorList":[   {"id":4,"name":"张晨"} ] }

查询测试

GET /movie_chn/movie/_search {   "query": {     "match": {       "name": "红海战役"     }   } } GET /movie_chn/movie/_search {   "query": {     "term": {       "actorList.name": "张译"     }   } }

自定义词库

修改/usr/share/elasticsearch/plugins/ik/config/中的IKAnalyzer.cfg.xml

<?xml version="1.0" encoding="UTF-8"?> <!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd"> <properties>         <comment>IK Analyzer 扩展配置</comment>         <!--用户可以在这里配置自己的扩展字典 -->         <entry key="ext_dict"></entry>          <!--用户可以在这里配置自己的扩展停止词字典-->         <entry key="ext_stopwords"></entry>         <!--用户可以在这里配置远程扩展字典 -->          <entry key="remote_ext_dict">http://192.168.67.163/fenci/myword.txt</entry>         <!--用户可以在这里配置远程扩展停止词字典-->         <!-- <entry key="remote_ext_stopwords">words_location</entry> --> </properties>

按照标红的路径利用nginx发布静态资源

在nginx.conf中配置

server {         listen  80;         server_name  192.168.67.163;         location /fenci/ {            root es;     }    }

 

并且在/usr/local/nginx/下建/es/fenci/目录，目录下加myword.txt

myword.txt中编写关键词，每一行代表一个词。

 

然后重启es服务器，重启nginx。

在kibana中测试分词效果

更新完成后，es只会对新增的数据用新词分词。历史数据是不会重新分词的。如果想要历史数据重新分词。需要执行：

POST movies_index_chn/_update_by_query?conflicts=proceed

有点长了，分章节吧，第三章继续写。