安装好ElasticSearch及其Kibana，Marvel，Sense插件之后，就可以简单的使用ES了．
1. 使用简述
使用ES，是基于HTTP协议以及JSON为数据交互格式的．
使用Linux终端命令curl对ES进行HTTP请求，格式：
curl -X<VERB> '<PROTOCOL>://<HOST>:<PORT>/<PATH>?<QUERY_STRING>' -d '<BODY>'VERB，是HTTP请求的方法，有GET，POST，PUT，HEAD，DELETE．
PROTOCOL，有http，或者https.
HOST，部署在ES集群系统中的主机地址，本地节点使用localhost
PORT，ES服务器所使用的端口号，默认为9200
PATH，路径，不同的路径对应不同的功能，例如_count返回集群中文件的数量
QUERY_STRING，可选的查询参数，例如pretty参数，可以使返回的数据更加美观，在linux终端中可以体现．
BODY，是基于JSON格式的请求体．
例如，在linux终端输入命令：
curl -XGET 'http://localhost:9200/_count?pretty' -d '
{
"query": {
"match_all": {}
}
}
'{
"count" : 32330,
"_shards" : {
"total" : 4,
"successful" : 4,
"failed" : 0
}
}通过在curl命令加参数i，可以得到响应的头部和主体：
HTTP/1.1 200 OK
Content-Type: application/json; charset=UTF-8
Content-Length: 99
{
"count" : 32700,
"_shards" : {
"total" : 4,
"successful" : 4,
"failed" : 0
}
}
在Sense中对ES进行交互时，命令格式简写如下：
GET /_count
{
"query": {
"match_all": {}
}
}２. 面向文档及序列化
ElasticSearch是面向文档的，它可以存储整个对象或文档，而不是是像传统数据库一样只能存储行列的表，不仅仅是存储，ES还会索引每个文档的内容使之可以被搜索．
在ES中，可以对文档进行索引，检索，排序，过滤．这种理解数据的方式与以往完全不同，这也是ES能够执行复杂的全文搜索的原因之一．
ES对文档进行序列化，使用Java对象符号JSON(JavaScript Object Notation)作为文档序列化后的格式．
几乎所有的语言都有相应的模块将任意数据结构转换为JSON格式．
通过例子，介绍概念：索引indexing，搜索search以及聚合aggregations
例：为公司Megacorp创建一个员工目录，实现如下需求：
数据能够包含多个值的标签、数字和纯文本。
检索任何员工的所有信息。
支持结构化搜索，例如查找30岁以上的员工。
支持简单的全文搜索和更复杂的短语(phrase)
搜索高亮搜索结果中的关键字
能够利用图表管理分析这些数据
３. 索引
首先，中文索引分两个含义：名词和动词．名词对应英文的index，动词对应英文的indexing．
ES存储中是按照：索引index->类型type->文档document->字段field 级别层次划分的．
这可以和传统的数据库做类比：数据库Database->表Table->行，列
Relational DB -> Databases -> Tables -> Rows -> Columns
Elasticsearch -> Indices -> Types -> Documents -> Fields动词索引，索引一个文档，表示把一个文档存储到索引Index里，可以用来查询和检索，
索引一个文档时，如果文档已经存在，新的文档将覆盖旧的文档
默认情况下，文档中的所有字段都会被索引，只有这样才可以被用来检索．ES使用一种称为＂倒排索引＂的数据结构，加速ES的检索，如同传统数据库中，为数据表的列增加索引一样．
现在执行例子，根据需求，作出如下操作：
为每个员工的文档建立索引，每个文档中包含了员工的所有信息；
定义每个文档所属的类型Type为employee；
employee类型归属与索引megacorp；
megacorp索引存储在ES集群中；
通过使用PUT的方式，为ES集群添加文档，加入三个员工的文档：
员工１
PUT /megacorp/employee/1
{
"first_name" : "John",
"last_name" : "Smith",
"age" : 25,
"about" : "I love to go rock climbing",
"interests": [ "sports", "music" ]
}PUT /megacorp/employee/2
{
"first_name" : "Jane",
"last_name" : "Smith",
"age" : 32,
"about" : "I like to collect rock albums",
"interests": [ "music" ]
}
PUT /megacorp/employee/3
{
"first_name" : "Douglas",
"last_name" : "Fir",
"age" : 35,
"about": "I like to build cabinets",
"interests": [ "forestry" ]
}在使用 /megacorp/employee/1 这样的层次方式中，也就定义了索引，类型，文档的信息．
4. 搜索
现在ES集群中已经存储了一些员工的信息，下边进行各种业务的需求的操作．
检索单个员工的信息，也就是检索一个文档，使用HTTP GET请求+文档地址：索引/类型/文档 的方式：
GET /megacorp/employee/1{
"_index" : "megacorp",
"_type" : "employee",
"_id" : "1",
"_version" : 1,
"found" : true,
"_source" : {
"first_name" : "John",
"last_name" : "Smith",
"age" : 25,
"about" : "I love to go rock climbing",
"interests": [ "sports", "music" ]
}
}如果需要返回所有员工的文档，使用_search替代GET方法中的文档名：
GET /megacorp/employee/_search{
"took": 6,
"timed_out": false,
"_shards": { ... },
"hits": {
"total": 3,
"max_score": 1,
"hits": [
{
"_index": "megacorp",
"_type": "employee",
"_id": "3",
"_score": 1,
"_source": {
"first_name": "Douglas",
"last_name": "Fir",
"age": 35,
"about": "I like to build cabinets",
"interests": [ "forestry" ]
}
},
{
"_index": "megacorp",
"_type": "employee",
"_id": "1",
"_score": 1,
"_source": {
"first_name": "John",
"last_name": "Smith",
"age": 25,
"about": "I love to go rock climbing",
"interests": [ "sports", "music" ]
}
},
{
"_index": "megacorp",
"_type": "employee",
"_id": "2",
"_score": 1,
"_source": {
"first_name": "Jane",
"last_name": "Smith",
"age": 32,
"about": "I like to collect rock albums",
"interests": [ "music" ]
}
}
]
}
}
接下来，我们搜索姓氏中包含"Smith"的员工信息，通过为HTTP请求加参数的方式，成为查询字符串query string的搜索
GET /megacorp/employee/_search?q=last_name:Smith响应：
{
"took": 58,
"timed_out": false,
"_shards": {
"total": 5,
"successful": 5,
"failed": 0
},
"hits": {
"total": 2,
"max_score": 0.30685282,
"hits": [
{
"_index": "megacorp",
"_type": "employee",
"_id": "2",
"_score": 0.30685282,
"_source": {
"first_name": "Jane",
"last_name": "Smith",
"age": 32,
"about": "I like to collect rock albums",
"interests": [
"music"
]
}
},
{
"_index": "megacorp",
"_type": "employee",
"_id": "1",
"_score": 0.30685282,
"_source": {
"first_name": "John",
"last_name": "Smith",
"age": 25,
"about": "I love to go rock climbing",
"interests": [
"sports",
"music"
]
}
}
]
}
}DSL(Domian in Specific Language特定领域语言)以JSON格式请求体的形式．
使用DSL替代上边查询字符串的方法，查询信息写在请求体内：
GET /megacorp/employee/_search
{
"query" : {
"match" : {
"last_name" : "Smith"
}
}
}结构化查询
稍微复杂点的查询，得到年龄大于30岁的姓氏为Smith的员工，使用过滤器filter，进行结构化搜索：
GET /megacorp/employee/_search
{
"query" : {
"filtered" : {
"filter" : {
"range" : {
"age" : { "gt" : 30 } <1>
}
},
"query" : {
"match" : {
"last_name" : "smith" <2>
}
}
}
}
}其中，filter部分属于区间过滤器，用于查询所有年龄大于30岁的员工，"gt"为＂greater than＂的缩写
filter后的query->match语句就是在信息经过过滤器之后，进行匹配查询．
响应结果，只得到了一个年龄为32岁的姓氏Smith的员工：
{
"took": 15,
"timed_out": false,
"_shards": {
"total": 5,
"successful": 5,
"failed": 0
},
"hits": {
"total": 1,
"max_score": 0.30685282,
"hits": [
{
"_index": "megacorp",
"_type": "employee",
"_id": "2",
"_score": 0.30685282,
"_source": {
"first_name": "Jane",
"last_name": "Smith",
"age": 32,
"about": "I like to collect rock albums",
"interests": [
"music"
]
}
}
]
}
}全文搜索是一种更高级的搜索，传统数据库很难实现这样的功能．
搜索所有喜欢"rock climbing"的员工，使用之前的qury->match语句，为about字段设定检索值：
GET /megacorp/employee/_search
{
"query" : {
"match" : {
"about" : "rock climbing"
}
}
}{ ...
"hits": {
"total": 2,
"max_score": 0.16273327,
"hits": [
{
"_index": "megacorp",
"_type": "employee",
"_id": "1",
"_score": 0.16273327,
"_source": {
"first_name": "John",
"last_name": "Smith",
"age": 25,
"about": "I love to go rock climbing",
"interests": [
"sports",
"music"
]
}
},
{
"_index": "megacorp",
"_type": "employee",
"_id": "2",
"_score": 0.016878016,
"_source": {
"first_name": "Jane",
"last_name": "Smith",
"age": 32,
"about": "I like to collect rock albums",
"interests": [
"music"
]
}
}
]
}
}相关性的概念在ES中非常重要．
短语搜索：前边通过语句match进行，有时候需要精确匹配若干个单词或者一个短语phrase，使用match_phrase语句．
查询同时包含rock和climbing的（并且是相邻的）员工记录：
GET /megacorp/employee/_search
{
"query" : {
"match_phrase" : {
"about" : "rock climbing"
}
}
}{
...
"hits": {
"total": 1,
"max_score": 0.23013961,
"hits": [
{
"_index": "megacorp",
"_type": "employee",
"_id": "1",
"_score": 0.23013961,
"_source": {
"first_name": "John",
"last_name": "Smith",
"age": 25,
"about": "I love to go rock climbing",
"interests": [
"sports",
"music"
]
}
}
]
}
}很多应用需要在搜索结果中高亮highlight匹配到的关键字，这样用户可以知道为什么这些文档和查询相匹配．
ES中通过highlight语句的方式高亮片段：
GET /megacorp/employee/_search
{
"query" : {
"match_phrase" : {
"about" : "rock climbing"
}
},
"highlight": {
"fields" : {
"about" : {}
}
}
}响应结果中，增加了highlight字段，这里包含了about字段的文本，并用<em></em>来标识匹配到的单词．
{
...
"hits": {
"total": 1,
"max_score": 0.23013961,
"hits": [
{
"_index": "megacorp",
"_type": "employee",
"_id": "1",
"_score": 0.23013961,
"_source": {
"first_name": "John",
"last_name": "Smith",
"age": 25,
"about": "I love to go rock climbing",
"interests": [
"sports",
"music"
]
},
"highlight": {
"about": [
"I love to go <em>rock</em> <em>climbing</em>"
]
}
}
]
}
}5. 聚合
聚合aggregation是指对搜索的结果进行分析，得到需要的统计数据，就像传统数据库中GROUP BY语句一样．
查询所有员工中最大的共同兴趣爱好是什么：
GET /megacorp/employee/_search
{
"aggs": {
"all_interests": {
"terms": { "field": "interests" }
}
}
}响应结果不但返回匹配的文档信息，还对文档信息进行了分析，分析结果在aggregations字段中：
{
...
"hits": {
"total": 3,
"max_score": 1,
"hits": [
{
"_index": "megacorp",
"_type": "employee",
"_id": "2",
"_score": 1,
"_source": {
"first_name": "Jane",
"last_name": "Smith",
"age": 32,
"about": "I like to collect rock albums",
"interests": [
"music"
]
}
},
{
"_index": "megacorp",
"_type": "employee",
"_id": "1",
"_score": 1,
"_source": {
"first_name": "John",
"last_name": "Smith",
"age": 25,
"about": "I love to go rock climbing",
"interests": [
"sports",
"music"
]
}
},
{
"_index": "megacorp",
"_type": "employee",
"_id": "3",
"_score": 1,
"_source": {
"first_name": "Douglas",
"last_name": "Fir",
"age": 35,
"about": "I like to build cabinets",
"interests": [
"forestry"
]
}
}
]
},
"aggregations": {
"all_interests": {
"doc_count_error_upper_bound": 0,
"sum_other_doc_count": 0,
"buckets": [
{
"key": "music",
"doc_count": 2
},
{
"key": "forestry",
"doc_count": 1
},
{
"key": "sports",
"doc_count": 1
}
]
}
}
}从aggregations字段中，可以看出喜欢music的职员有2个，喜欢forestry的一个，喜欢sports的一个
如果我们想知道所有姓Smith的职员中，兴趣爱好的分析，只需在查询Smith的语句后，加上聚合语句：
GET /megacorp/employee/_search
{
"query": {
"match": {
"last_name": "smith"
}
},
"aggs": {
"all_interests": {
"terms": {
"field": "interests"
}
}
}
}分级汇总
分级汇总，在聚合一层次之后，再进行聚合．
查询所有职员的兴趣爱好，并得到每种兴趣爱好的职员的平均年龄：
GET /megacorp/employee/_search
{
"aggs" : {
"all_interests" : {
"terms" : { "field" : "interests" },
"aggs" : {
"avg_age" : {
"avg" : { "field" : "age" }
}
}
}
}
}{
...
"hits": {
...
},
"aggregations": {
"all_interests": {
"doc_count_error_upper_bound": 0,
"sum_other_doc_count": 0,
"buckets": [
{
"key": "music",
"doc_count": 2,
"avg_age": {
"value": 28.5
}
},
{
"key": "forestry",
"doc_count": 1,
"avg_age": {
"value": 35
}
},
{
"key": "sports",
"doc_count": 1,
"avg_age": {
"value": 25
}
}
]
}
}
}ES这个特性可以完成相当复杂的聚合工作．
6. 分布式
ES可以扩展到上百甚至上千的数量的服务器上，处理PB级别的数据．
ES为分布式而生，它的设计隐藏了分布式本身的复杂性．
Elasticsearch在分布式概念上做了很大程度上的透明化，在教程中你不需要知道任何关于分布式系统、分片、集群发现或者其他大量的分布式概念。
所有的教程你即可以运行在你的笔记本上，也可以运行在拥有100个节点的集群上，其工作方式是一样的。
ES致力于隐藏分布式系统的复杂特性，这些操作都是在底层完成的：
1. 将文档分区到不同的容器或者分片Shards中，它们可以存储在一个或多个节点中．
2. 将分片均匀的分配到各个节点中，对索引和搜索做负载均衡
3. 冗余每一个分片，防止因硬件损坏造成的数据丢失
4. 将集群中任意一个节点上的请求，路由到相应数据所在的节点
5. 无论是增加节点，还是移除节点，分片都能做到无缝的扩展和迁移
关于分布式的内容，教给你如何扩展集群，故障转移，处理文档存储，执行分布式搜索，分片是什么以及如何工作．
这些关于分布式的内容不是必读的，这些都是内部机制，不懂这些内部机制也可以使用ES，但是这些机制可以是你更深入和完整的了解ES．
可以暂时忽略它们，在需要深入理解的时候，再回头翻阅．