Elasticsearch 知识点整理一

极力推荐: 官网地址: https://www.elastic.co/guide/en/elasticsearch/reference/6.0

肺腑之言,学ES先学原生的语法,SpringData封装的是太好用了,但是没玩过原生的语法,可能不知道Spring提供的API在干什么

核心概念:

Near Realtime (NRT)

在ES中进行搜索是近实时的,意思是数据从写入ES到可以被searchable仅仅需要1秒钟,因此说基于ES执行的搜索和分析可以达到秒级

Cluster

集群 , 集群是一个或多个node的集合,他们一起保存你存放进去的数据,用户可以在所有的node之间进行检索,一般的每个集群都会有一个唯一的名称标识,默认的名称标识为 elasticsearch , 这个名字很重要,因为node想加入cluster时,需要这个名称信息

确保别在不同的环境中使用相同的集群名称,进而避免node加错集群的情况,一颗考虑下面的集群命名风格logging-stage和logging-dev和logging-pro

Node

单台server就是一个node,他和 cluster一样,也存在一个默认的名称,但是它的名称是通过UUID生成的随机串,当然用户也可以定制不同的名称,但是这个名字最好别重复,这个名称对于管理来说很在乎要,因为需要确定,当前网络中的哪台服务器,对应这个集群中的哪个节点

node存在一个默认的设置,默认的,当每一个node在启动时都会自动的去加入一个叫elasticsearch的节点,这就意味着,如果用户在网络中启动了多个node,他们会彼此发现,然后组成集群

在单个的cluster中,你可以拥有任意多的node,假如说你的网络上没有有其他正在运行的节点,然后你启动一个新的节点,这个新的节点自己会组件一个集群

Index

Index是一类拥有相似属性的document的集合,比如你可以为消费者的数据创建一个index,为产品创建一个index,为订单创建一个index

index名称(必须是小写的字符), 当需要对index中的文档执行索引,搜索,更新,删除,等操作时,都需要用到这个index

一个集群中理论上你可以创建任意数量的index

Type

Type可以作为index中的逻辑类别,为了更细的划分,比如用户数据type,评论数据type,博客数据type

在设计时,尽最大努力让拥有更多相同field的document会分为同一个type下

Document

document就是ES中存储的一条数据,就像mysql中的一行记录一样,可以是一条用户的记录,一个商品的记录等等

一个不严谨的小结:

为什么说这是不严谨的小结呢? 就是说下面三个对应关系只能说的从表面上看起来比较相似,但是ES中的type其实是一个逻辑上的划分,数据在存储是时候依然是混在一起存储的(往下看下文中有写,),然而mysql中的不同表的两个列是绝对没有关系的

Elasticsearch	关系型数据库
Document	行
type	表
index	数据库

Shards & Replicas

问题引入:

如果让一个Index自己存储1TB的数据,响应的速度就会下降为了解决这个问题,ES提供了一种将用户的Index进行subdivide的骚操作,就是将index分片, 每一片都叫一个Shards,实现了将整体庞大的数据分布在不同的服务器上存储

什么是shard?

shard分成replica shard和primary shard,顾名思义一个是主shard一个是备份shard, 负责容错以及承担部分读请求

shard可以理解成是ES中最小的工作单元,所有shard中的数据之和,才是整个ES中存储的数据, 可以把shard理解成是一个luncene的实现,拥有完整的创建索引,处理请求的能力

下图是两个node,6个shard的组成的集群的划分情况

大家可以看到,这时无论java应用程序访问的是node1还是node2,其实都能获取到数据

shard的默认数量

新创建的节点会存在5个primary shard,后续不然能再改动primary shard的值,如果每一个primary shard都对应一个replica shard,按理说单台es启动就会存在10个分片,但是现实是,同一个节点的replica shard和primary shard不能存在于一个server中,因此单台es默认启动后的分片数量还是5个

如何拓容Cluster

首先明确一点: 一旦index创建完成了,primary shard的数量就不可能再发生变化

因此横向拓展就得添加replica的数量, 因为replica shard的数量后续是可以改动的, 也就是说,如果后续我们将他的数量改成了2, 就意味着让每个primary shard都拥有了两个replica shard, 计算一下: 5+5*2=15 集群就会拓展成15个节点

如果想让每一个shard都有最多的系统的资源,就增加服务器的数量,让每一个shard独占一个服务器,

举个例子:

上图中存在上下两个node,每一个node,每个node中都有一个 自己的primary shard和其他节点的replica shard,为什么是强调自己和其他呢? 因为ES中规定,同一个节点的replica shard和primary shard不能存在于一个server中,但是不同节点的primary shard可以存在于同一个server上

当primary shard宕机时,它对应的replicas在其他的server不会受到影响,可以继续响应用户的读请求,通过这种分片的机制,并且分片的地位相当,假设单个shard可以处理2000/s的请求,通过横向拓展可以在此基础上成倍提升系统的吞吐量,天生分布式,高可用

此外:每一个document肯定存在于一个primary shard和这个primary shard 对应的replica shard中, 绝对不会出现同一个document同时存在于多个primary shard中的情况

入门探索:

集群的健康状况

GET /_cat/health?v

执行结果如下:

epoch      timestamp cluster       status node.total node.data shards pri relo init unassign pending_tasks max_task_wait_time active_shards_percent

1572595632 16:07:12  elasticsearch yellow          1         1      5   5    0    0        5             0                  -                 50.0%

解读上面的信息,默认的集群名是elasticsearch,当前集群的status是yellow,后续列出来的是集群的分片信息,最后一个active_shards_percent表示当前集群中仅有一半shard是可用的

状态

存在三种状态分别是red green yellow

green : 表示当前集群所有的节点全部可用
yellow: 表示所有的数据是可以访问的,但是并不是所有的replica shard都是可以使用的(我现在是默认启动一个node,而ES又不允许同一个node的primary shard和replica shard共存,因此我当前的node中仅仅存在5个primary shard,为status为黄色)
red: 集群宕机,数据不可访问

集群的索引信息

GET /_cat/indices?v

结果:

health status index              uuid                   pri rep docs.count docs.deleted store.size pri.store.size

yellow open   ai_answer_question cl_oJNRPRV-bdBBBLLL05g   5   1     203459            0    172.3mb        172.3mb

显示,状态yellow表示存在replica shard不可用, 存在5个primary shard,并且每一个primary shard都有一个replica shard , 一共20多万条文档,未删除过文档,文档占用的空间情况为172.3兆

创建index

PUT /customer?pretty

ES 使用的RestfulAPI,新增使用put,这是个很亲民的举动

添加 or 修改

如果是ES中没有过下面的数据则添加进去,如果存在了id=1的元素就修改(全量替换)

格式:PUT /index/type/id

全量替换时,原来的document是没有被删除的,而是被标记为deleted,被标记成的deleted是不会被检索出来的,当ES中数据越来越多时,才会删除它

PUT /customer/_doc/1?pretty

{

  "name": "John Doe"

}

响应:

{

  "_index": "customer",

  "_type": "_doc",

  "_id": "1",

  "_version": 1,

  "result": "created",

  "_shards": {

    "total": 2,

    "successful": 1,

    "failed": 0

  },

  "_seq_no": 0,

  "_primary_term": 1

}

强制创建,加添_create或者?op_type=create

PUT /customer/_doc/1?op_type=create

PUT /customer/_doc/1/_create

局部更新(Partial Update)

不指定id则新增document

POST /customer/_doc?pretty

{

  "name": "Jane Doe"

}

指定id则进行doc的局部更新操作

POST /customer/_doc/1?pretty

{

  "name": "Jane Doe"

}

并且POST相对于上面的PUT而言,不论是否存在相同内容的doc,只要不指定id,都会使用一个随机的串当成id,完成doc的插入

Partial Update先获取document,再将传递过来的field更新进document的json中,将老的doc标记为deleted,再将创建document,相对于全量替换中间会省去两次网络请求

检索

格式: GET /index/type/

GET /customer/_doc/1?pretty

响应:

{

  "_index": "customer",

  "_type": "_doc",

  "_id": "1",

  "_version": 1,

  "found": true,

  "_source": {

    "name": "John Doe"

  }

}

删除

删除一条document

大部分情况下,原来的document不会被立即删除,而是被标记为deleted,被标记成的deleted是不会被检索出来的,当ES中数据越来越多时,才会删除它

DELETE /customer/_doc/1

响应:

{

  "_index": "customer",

  "_type": "_doc",

  "_id": "1",

  "_version": 2,

  "result": "deleted",

  "_shards": {

    "total": 2,

    "successful": 1,

    "failed": 0

  },

  "_seq_no": 1,

  "_primary_term": 1

}

删除index

DELETE /index1

DELETE /index1,index2

DELETE /index*

DELETE /_all

可以在elasticsearch.yml中将下面这个设置置为ture,表示禁止使用 DELETE /_all

action.destructive_required_name:true

响应

{

  "acknowledged": true

}

更新文档

上面说了POST关键字,可以实现不指定id就完成document的插入, POST + _update关键字可以实现更新的操作

POST /customer/_doc/1/_update?pretty

{

  "doc": { "name": "changwu" }

}

POST+_update进行更新的动作依然需要执行id, 但是它相对于PUT来说,当使用POST进行更新时,id不存在的话会报错,而PUT则会认为这是在新增

此外: 针对这种更新操作,ES会先删除原来的doc,然后插入这个新的doc

document api

multi-index & multi-type

检索所有索引下面的所有数据

/_search

搜索指定索引下的所有数据

/index/_search

更多模式

/index1/index2/_search

/*1/*2/_search

/index1/index2/type1/type2/_search

/_all/type1/type2/_search

_mget api 批量查询

在docs中指定_index,_type,_id

GET /_mget

{

    "docs" : [

        {

            "_index" : "test",

            "_type" : "_doc",

            "_id" : "1"

        },

        {

            "_index" : "test",

            "_type" : "_doc",

            "_id" : "2"

        }

    ]

}

在URL中指定index

GET /test/_mget

{

    "docs" : [

        {

            "_type" : "_doc",

            "_id" : "1"

        },

        {

            "_type" : "_doc",

            "_id" : "2"

        }

    ]

}

在URL中指定 index和type

GET /test/type/_mget

{

    "docs" : [

        {

            "_id" : "1"

        },

        {

            "_id" : "2"

        }

在URL中指定index和type,并使用ids指定id范围

GET /test/type/_mget

{

    "ids" : ["1", "2"]

}

为不同的doc指定不同的过滤规则

GET /_mget

{

    "docs" : [

        {

            "_index" : "test",

            "_type" : "_doc",

            "_id" : "1",

            "_source" : false

        },

        {

            "_index" : "test",

            "_type" : "_doc",

            "_id" : "2",

            "_source" : ["field3", "field4"]

        },

        {

            "_index" : "test",

            "_type" : "_doc",

            "_id" : "3",

            "_source" : {

                "include": ["user"],

                "exclude": ["user.location"]

            }

        }

    ]

}

_bulk api 批量增删改

基本语法

{"action":{"metadata"}}\n

{"data"}\n

存在哪些类型的操作可以执行呢?

delete: 删除文档
create: _create 强制创建
index: 表示普通的put操作,可以是创建文档也可以是全量替换文档
update: 局部替换

上面的语法中并不是人们习惯阅读的json格式,但是这种单行形式的json更具备高效的优势

ES如何处理普通的json如下:

将json数组转换为JSONArray对象,这就意味着内存中会出现一份一模一样的拷贝,一份是json文本,一份是JSONArray对象

但是如果上面的单行JSON,ES直接进行切割使用,不会在内存中整一个数据拷贝出来

delete

delete比较好看仅仅需要一行json就ok

{ "delete" : { "_index" : "test", "_type" : "_doc", "_id" : "2" } }

create

两行json,第一行指明我们要创建的json的index,type以及id

第二行指明我们要创建的doc的数据

{ "create" : { "_index" : "test", "_type" : "_doc", "_id" : "3" } }

{ "field1" : "value3" }

index

相当于是PUT,可以实现新建或者是全量替换,同样是两行json

第一行表示将要新建或者是全量替换的json的index type 以及 id

第二行是具体的数据

{ "index" : { "_index" : "test", "_type" : "_doc", "_id" : "1" } }

{ "field1" : "value1" }

update

表示 parcial update,局部替换

他可以指定一个retry_on_conflict的特性,表示可以重试3次

POST _bulk

{ "update" : {"_id" : "1", "_type" : "_doc", "_index" : "index1", "retry_on_conflict" : 3} }

{ "doc" : {"field" : "value"} }

{ "update" : { "_id" : "0", "_type" : "_doc", "_index" : "index1", "retry_on_conflict" : 3} }

{ "script" : { "source": "ctx._source.counter += params.param1", "lang" : "painless", "params" : {"param1" : 1}}, "upsert" : {"counter" : 1}}

{ "update" : {"_id" : "2", "_type" : "_doc", "_index" : "index1", "retry_on_conflict" : 3} }

{ "doc" : {"field" : "value"}, "doc_as_upsert" : true }

{ "update" : {"_id" : "3", "_type" : "_doc", "_index" : "index1", "_source" : true} }

{ "doc" : {"field" : "value"} }

{ "update" : {"_id" : "4", "_type" : "_doc", "_index" : "index1"} }

{ "doc" : {"field" : "value"}, "_source": true}

滚动查询技术

滚动查询技术和分页技术在使用场景方面还是存在出入的,这里的滚动查询技术同样适用于系统在海量数据中进行检索,比如过一次性存在10条数据被命中可以被检索出来,那么性能一定会很差,这时可以选择使用滚动查询技术,一批一批的查询,直到所有的数据被查询完成他可以先搜索一批数据再搜索一批数据

采用基于_doc的排序方式会获得较高的性能

每次发送scroll请求,我们还需要指定一个scroll参数,指定一个时间窗口,每次搜索只要在这个时间窗口内完成就ok

示例

GET /index/type/_search?scroll=1m

{

    "query":{

        "match_all":{}

    },

    "sort":["_doc"],

    "size":3

}

响应

{

  "_scroll_id": "DnF1ZXJ5VGhlbkZldGNoBQAAAAAAAACNFlJmWHZLTkFhU0plbzlHX01LU2VzUXcAAAAAAAAAkRZSZlh2S05BYVNKZW85R19NS1Nlc1F3AAAAAAAAAI8WUmZYdktOQWFTSmVvOUdfTUtTZXNRdwAAAAAAAACQFlJmWHZLTkFhU0plbzlHX01LU2VzUXcAAAAAAAAAjhZSZlh2S05BYVNKZW85R19NS1Nlc1F3",

  "took": 9,

  "timed_out": false,

  "_shards": {

    "total": 5,

    "successful": 5,

    "skipped": 0,

    "failed": 0

  },

  "hits": {

    "total": 2,

    "max_score": null,

    "hits": [

      {

        "_index": "my_index",

        "_type": "_doc",

        "_id": "2",

        "_score": null,

        "_source": {

          "title": "This is another document",

          "body": "This document has a body"

        },

        "sort": [

          0

        ]

      },

      {

        "_index": "my_index",

        "_type": "_doc",

        "_id": "1",

        "_score": null,

        "_source": {

          "title": "This is a document"

        },

        "sort": [

          0

        ]

      }

    ]

  }

}

再次滚动查询

GET /_search/scroll

{

    "scroll":"1m",

    "_scroll_id": "DnF1ZXJ5VGhlbkZldGNoBQAAAAAAAACNFlJmWHZLTkFhU0plbzlHX01LU2VzUXcAAAAAAAAAkRZSZlh2S05BYVNKZW85R19NS1Nlc1F3AAAAAAAAAI8WUmZYdktOQWFTSmVvOUdfTUtTZXNRdwAAAAAAAACQFlJmWHZLTkFhU0plbzlHX01LU2VzUXcAAAAAAAAAjhZSZlh2S05BYVNKZW85R19NS1Nlc1F3"

}

_search api 搜索api

query string search

_searchAPI + 将请求写在URI中

GET /bank/_search?q=*&sort=account_number:asc&pretty

同样使用的是RestfulAPI, q=* ,表示匹配index=bank的下的所有doc,sort=account_number:asc表示告诉ES,结果按照account_number字段升序排序,pretty是告诉ES,返回一个漂亮的json格式的数据

上面的q还可以写成下面这样

GET /bank/_search?q=自定义field:期望的值

GET /bank/_search?q=+自定义field:期望的值

GET /bank/_search?q=-自定义field:期望的值

响应:

{

  "took" : 63,    // 耗费的时间

  "timed_out" : false,  // 是否超时了

  "_shards" : {   // 分片信息

    "total" : 5, // 总共5个分片,它的搜索请求会被打到5个分片上去,并且都成功了

    "successful" : 5,  //

    "skipped" : 0, // 跳过了0个

    "failed" : 0 // 失败了0个

  },

  "hits" : {  //命中的情况

    "total" : 1000,  // 命中率 1000个

    "max_score" : null,  // 相关性得分,越相关就越匹配

    "hits" : [ {

      "_index" : "bank",  // 索引

      "_type" : "_doc",   // type

      "_id" : "0",  // id

      "sort": [0],

      "_score" : null, // 相关性得分

                    // _source里面存放的是数据

      "_source" : {"account_number":0,"balance":16623,"firstname":"Bradshaw","lastname":"Mckenzie","age":29,"gender":"F","address":"244 Columbus Place","employer":"Euron","email":"bradshawmckenzie@euron.com","city":"Hobucken","state":"CO"}

    }, {

      "_index" : "bank",

      "_type" : "_doc",

      "_id" : "1",

      "sort": [1],

      "_score" : null,

      "_source" : {"account_number":1,"balance":39225,"firstname":"Amber","lastname":"Duke","age":32,"gender":"M","address":"880 Holmes Lane","employer":"Pyrami","email":"amberduke@pyrami.com","city":"Brogan","state":"IL"}

    }, ...

    ]

  }

}

指定超时时间: GET /_search?timeout=10ms 在进行优化时,可以考虑使用timeout, 比如: 正常来说我们可以在10s内获取2000条数据,但是指定了timeout,发生超时后我们可以获取10ms中获取到的 100条数据

query dsl (domain specified language)

下面我仅仅列出来了一点点, 更多的示例,参见官网点击进入官网

_searchAPI +将请求写在请求体中

GET /bank/_search

{

  "query": { "match_all": {} }, # 查询全部

  "query": { "match": {"name":"changwu zhu"} }, # 全文检索,户将输入的字符串拆解开,去倒排索引中一一匹配, 哪怕匹配上了一个也会将结果返回

  # 实际上,上面的操作会被ES转换成下面的格式

  #

  # {

  #    "bool":{

  #        "should":[

  #         {"term":{"title":"changwu"}},

  #         {"term":{"title":"zhu"}}

  #     ]

  #  }

  # }

  #

   "query": {

     "match": { # 手动控制全文检索的精度,

        "name":{

            "query":"changwu zhu",

            "operator":"and",  # and表示,只有同时出现changwu zhu 两个词的doc才会被命中

            "minimum_should_match":"75%" # 去长尾,控制至少命中3/4才算是真正命中

        }

     }

    }, # 全文检索,operator 表示

  # 添加上operator 操作会被ES转换成下面的格式,将上面的should转换成must

  #

  # {

  #    "bool":{

  #        "must":[

  #         {"term":{"title":"changwu"}},

  #         {"term":{"title":"zhu"}}

  #     ]

  #  }

  # }

  #

  # 添加上 minimum_should_match 操作会被ES转换成下面的格式

  #

  # {

  #    "bool":{

  #        "should":[

  #         {"term":{"title":"changwu"}},

  #         {"term":{"title":"zhu"}}

  #     ],

  #       "minimum_should_match":3

  #  }

  # }

  #

   "query": {

     "match": { #控制权重,

        "name":{

            "query":"changwu zhu",

            "boost":3  # 将name字段的权重提升成3,默认情况下,所有字段的权重都是样的,都是1

        }

     }

    },

   "query": {

   # 这种用法不容忽略

     "dis_max": { # 直接取下面多个query中得分最高的query当成最终得分

        "queries":[

           {"match":{"name":"changwu zhu"}},

           {"match":{"content":"changwu"}}

        ]

     }

    },

    # best field策略

    "query": { # 基于 tie_breaker 优化dis_max

    # tie_breaker可以使dis_max考虑其他field的得分影响

       "multi_match":{

           "query":"用于去匹配的字段",

           "type":"most_fields",# 指定检索的策略most_fields

           "fields":["field1","field2","field3"]

       }

    },

    # most field 策略, 优先返回命中更多关键词的doc, (忽略从哪个,从多少个field中命中的,只要命中就行)

    "query": { # 基于 tie_breaker 优化dis_max

    # tie_breaker可以使dis_max考虑其他field的得分影响

     "dis_max": { # 直接取下面多个query中得分最高的query当成最终得分, 这也是best field策略

        "queries":[

           {"match":{"name":"changwu zhu"}},

           {"match":{"content":"changwu"}}

        ],

        "tie_breaker":0.4

     }

    },

  "query": { "match_none": {} }

  "query": { "term": {"test_field":"指定值"} } # 精确匹配

  "query": { "exits": {"field":"title"} } # title不为空(但是这时ES2.0中的用法,现在不再提供了)

  "query": {  # 短语检索

              # 顺序的保证是通过 term position来保证的

              # 精准度很高,但是召回率低

         "match_phrase": { # 只有address字段中包含了完整的 mill lane (相连,顺序也不能变) 时,这个doc才算命中

             "address": "mill lane"

             }

  },

   "query": {  # 短语检索

         "match_phrase": {

             "address": "mill lane",

             # 指定了slop就不再要求搜索term之间必须相邻,而是可以最多间隔slop距离

             # 在指定了slop参数的情况下,离关键词越近,移动的次数越少, relevance score 越高

             # match_phrase +  slop 和 proximity match 近似匹配作用类似

             # 平衡精准度和召回率

             "slop":1 # 指定搜索文本中的几个term经过几次移动后可以匹配到一个doc

             }

  },

  # 混合使用match和match_phrase 平衡精准度和召回率

   "query": {

      "bool": {

      "must":  {

          # 全文检索虽然可以匹配到大量的文档,但是它不能控制词条之间的距离

          # 可能java elasticsearch在Adoc中距离很近,但是它却被ES排在结果集的后面

          # 它的性能比match_phrase高10倍,比proximity高20倍

         "match": {

            "address": "java elasticsearch"

            }

      },

      "should": {

         # 借助match_phrase+slop可以感知term position的功能,为距离相近的doc贡献分数,让它们靠前排列

          "match_phrase":{

              "title":{

                  "query":"java elasticsearch",

                  "slop":50

              }

          }

      }

  },

  # 重打分机制

   "query": {

       "match":{

           "title":{

               "query":"java elasticsearch",

               "minimum_should_match":"50%"

           }

       },

       "rescore":{ # 对全文检索的结果进行重新打分

           "window_size":50,  # 对全文检索的前50条进行重新打分

           "query": {

               "rescore_query":{ # 关键字

                    "match_phrase":{ # match_phrase + slop 感知 term persition,贡献分数

                       "title":{

                           "query":"java elasticsearch",

                           "slop":50

                  }

              }

          }

       }

   }

  # 前缀匹配, 相对于全文检索,前缀匹配是不会进行分词的,而且每次匹配都会扫描整个倒排索引,直到扫描完一遍才会停下来

  # 不会计算相关性得分,前缀越短拼配到的越多,性能越不好

  "query": { # 查询多个, 在下面指定的两个字段中检索含有 `this is a test`的doc

    "multi_match" : {

      "query":    "this is a test",

      "fields": [ "subject", "message" ]

    }

  },

  "query": { # 前缀搜索,搜索 user字段以ki开头的 doc

    "prefix" : { "user" : "ki" }

  },

  "query": { # 前缀搜索 + 添加权重

    "prefix" : { "user" :  { "value" : "ki", "boost" : 2.0 } }

  },

  # 通配符搜索

   "query": {

        "wildcard" : { "user" : "ki*y" }

    },

   "query": {

        "wildcard" : { "user" : { "value" : "ki*y", "boost" : 2.0 } }

    }

  # 正则搜索

   "query": {

        "regexp":{

            "name.first": "s.*y"

        }

    },

   "query": {# 正则搜索

        "regexp":{

            "name.first":{

                "value":"s.*y",

                "boost":1.2

            }

        }

    },

  # 搜索推荐, 类似于百度,当用户输入一个词条后,将其他符合条件的词条的选项推送出来

  # 原理和match_pharse相似,但是唯一的区别就是会将最后一个term当作前缀去搜索

  # 下例中: 使用quick brown进行match 使用f进行前缀搜索,使用slop调整term persition,贡献得分

   "query": {

      "match_phrase_prefix" : {# 前缀匹配

        "message" : {

                "query" : "quick brown f",

                "max_expansions" : 10, # 指定前缀最多匹配多少个term,超过这个数量就不在倒排索引中检索了,提升性能

                "slop":10

            }

       }

  },

  # Function Score Query

  # 用户可以自定义一个function_secore 函数,然后将某个field的值和ES计算出来的分数进行运算

  # 最终实现对自己指定的field进行分数的增强功能

  "query": {

        "function_score": {

            "query": { "match_all": {} },

            "boost": "5",

            "random_score": {},

            "boost_mode":"multiply"

        }

    }, 

  # Fuzzy Query 模糊查询会提供容错的处理

   "query": {

        "fuzzy" : {

            "user" : {

                "value": "ki",

                "boost": 1.0,

                "fuzziness": 2, # 做大的纠错数量

                "prefix_length": 0,# 不会被“模糊化”的初始字符数。这有助于减少必须检查的术语的数量。默认值为0。

                "max_expansions": 100 # 模糊查询将扩展到的最大项数。默认值为50

                transpositions:true # 是否支持模糊变换(ab→ba)。默认的是假的

            }

        }

    }

  "query": {

    "bool": {  # 布尔查询, 最终通过将它内置must,should等查询的得分加起来/should,must的总数, 得到最终的得分

      "must": [ # 必须匹配到XXX, 并且会得出相关性得分

        { "match": { "address": "mill" } }, # address中必须包含mill

      ],

      # 在满足must的基础上,should条件不满足也可以,但是如果也匹配上了,相关性得分会增加

      # 如果没有must的话,should中的条件必须满足一个

      "should": [ # 指定可以包含的值, should是可以影响相关性得分的

        { "match": { "address": "lane" } }

      ],

      "must_not": [ # 一定不包含谁

        { "match": { "address": "mill" } },

      ],

      "filter": { # 对数据进行过滤

        "range": { # 按照范围过滤

          "balance": { # 指定过滤的字段

            "gte": 20000, # 高于20000

            "lte": 30000  # 低于30000

          }

        }

      }

    }

  }

在上面的组合查询中,每一个子查询都会计算一下他的相关性分数,然后由最外层的bool综合合并一个得分,但是 filter是不会计算分数的

默认的排序规则是按照score降序排序,但像上面说的那样,如果全部都是filter的话他就不会计算得分,也就是说所有的得分全是1,这时候就需要定制排序规则,定义的语法我在上面写了

其他辅助API

比如下面的高亮,排序,分页,以及_source 指定需要的字段都可以进一步作用在query的结果上

  "highlight":{ # 高亮显示

    "fields":{  # 指定高亮的字段

      "balance":{}

  },

  "sort": [  # 指定排序条件

    { "account_number": "asc" } # 按照账户余额降序

  ],

  "from": 0, # 分页

  "size": 10, # 每页的大小4,通过执行size=0,可以实现仅显示聚合结果而不显示命中的信息详情

  "_source": ["account_number", "balance"], # 默认情况下,ES会返回全文JSON,通过_source可以指定返回的字段

聚合分析

聚合分析是基于doc value这样一个数据结果进行的,前面有说过,这个doc value 其实就是正排索引, 聚合分析就是根据某一个字段进行分组,要求这个字段是不能被分词的,如果被聚合的字段被分词,按照倒排索引的方式去索引的话,就不得不去扫描整个倒排索引(才可能将被聚合的字段找全,效率很低)

更多Aggregate 点击进入ES官网

三个概念:

什么是bucket?

bucket就是聚合得到的结果

什么是metric?

metric就是对bucket进行分析,如最最大值,最小值,平均值

什么是下钻?

下钻就是在现有的分好组的bucket继续分组,比如一个先按性别分组,再按年龄分组

聚合的关键字: aggs 和 query地位并列



  # 使用聚合时,天然存在一个metric,就是当前bucket的count

  "aggs": { # 聚合

    "group_by_state": { # 自定义的名字

      "term": {

        "field": "balance" # 指定聚合的字段, 意思是 group by balance

      },

       "terms": { # terms

        "field": {"value1","value2","value3"} # 指定聚合的字段, 意思是 group by balance

      }

    }

  },

  "aggs": { # 聚合中嵌套聚合

    "group_by_state": {

      "terms": {

        "field": "field1"

      },

      "aggs": { # 聚合中嵌套聚合

        "average_balance": {

          "avg": {

            "field": "field2"

          }

        }

      }

    }

  },

   "aggs": { #嵌套聚合,并且使用内部聚合的结果集

    "group_by_state": {

      "terms": {

        "field": "state.keyword",

        "order": {

          "average_balance": "desc" # 使用的下面聚合的结果集

        }

      },

      "aggs": {

        "average_balance": {

          "avg": {  # avg 求平均值  metric

            "field": "balance"

          }

        },

         "min_price": {

          "min": {  # metric 求最小值

            "field": "price"

          }

        },

         "max_price": {

          "max": {  # metric 求最大值

            "field": "price"

          }

        },

         "sum_price": {

          "sum": {  #  metric 计算总和

            "field": "price"

          }

        },

      }

    }

  },

   "aggs": { # 先按照年龄分组,在按照性别分组,再按照平均工资聚合

             # 最终的结果就得到了每个年龄段,每个性别的平均账户余额

    "group_by_age": {

      "range": {

        "field": "age",

        "ranges": [

          {

            "from": 20,

            "to": 30

          }

        ]

      },

      "aggs": {

        "group_by_gender": {

          "terms": {

            "field": "gender.keyword"

          },

          "aggs": {

            "average_balance": {

              "avg": {

                "field": "balance"

              }

            }

          }

        }

      },

      # histogram,类似于terms, 同样会进行bucket分组操作,接受一个field,按照这个field的值的各个范围区间进行分组操作

      # 比如我们指定为2000, 它会划分成这样 0-2000  2000-4000  4000-6000 ...

      "aggs": { # 聚合中嵌套聚合

         "group_by_price": {

              "histogram": {

                 "field": "price",

                 "interval":2000

             },

         "aggs": { # 聚合中嵌套聚合

             "average_price": {

               "avg": {

                  "field": "price"

               }

           }

        }

    }

  },

  "aggs" : {

        "sales_over_time" : { # 根据日期进行聚合

            "date_histogram" : {

                "field" : "date",

                "interval" : "1M",# 一个月为一个跨度

                "format" : "yyyy-MM-dd",

                "min_doc_count":0 #即使这个区间中一条数据都没有,这个区间也要返回

            }

        }

    }

    }

  }

}

filter aggregate

过滤加聚合,统计type=t-shirt的平均价格

POST /sales/_search?size=0

{

    "aggs" : {

        "t_shirts" : {

            "filter" : { "term": { "type": "t-shirt" } },

            "aggs" : {

                "avg_price" : { "avg" : { "field" : "price" } }

            }

        }

    }

}

嵌套聚合-广度优先

说一个应用于场景: 我们检索电影的评论, 但是我们先按照演员分组聚合,在按照评论的数量进行聚合

分析: 如果我们选择深度优先的话, ES在构建演员电影相关信息时,会顺道计算出电影下面评论数的信息,假如说有10万个演员的话, 10万*10=100万个电影每个电影下又有很多影评,接着处理影评, 就这样内存中可能会存在几百万条数据,但是我们最终就需要50条,这种开销是很大的

广度优先的话,是我们先处理电影数,而不管电影的评论数的聚合情况,先从10万演员中干掉99990条数据,剩下10个演员再聚合

		"aggs":{

            "target_actors":{

                "terms":{

                    "field":"actors",

                    "size":10,

                    "collect_mode":"breadth_first" # 广度优先

                }

            }

		}

global aggregation

全局聚合,下面先使用query进行全文检索,然后进行聚合, 下面的聚合实际上是针对两个不同的结果进行聚合,第一个聚合添加了global关键字,意思是ES中存在的所有doc进行聚合计算得出t-shirt的平均价格

第二个聚合针对全文检索的结果进行聚合

POST /sales/_search?size=0

{

    "query" : {

        "match" : { "type" : "t-shirt" }

    },

    "aggs" : {

        "all_products" : {

            "global" : {},

            "aggs" : {

                "avg_price" : { "avg" : { "field" : "price" } }

            }

        },

        "t_shirts": { "avg" : { "field" : "price" } }

    }

}

Cardinality Aggregate 基数聚合

作用类似于count(distcint),会对每一个bucket中指定的field进行去重,然后取去重后的count

虽然她会存在5%左右的错误率,但是性能特别好

POST /sales/_search?size=0

{

    "aggs" : {

        "type_count" : {

            "cardinality" : { # 关键字

                "field" : "type"

            }

        }

    }

}

对Cardinality Aggregate的性能优化, 添加 precision_threshold 优化准确率和内存的开销

下面的示例中将precision_threshold的值调整到100意思是当 type的类型小于100时,去重的精准度为100%, 此时内存的占用情况为 100*8=800字节

加入我们将这个值调整为1000,意思是当type的种类在1000个以内时,去重的精准度100%,内存的占用率为1000*8=80KB

官方给出的指标是, 当将precision_threshold设置为5时,错误率会被控制在5%以内

POST /sales/_search?size=0

{

    "aggs" : {

        "type_count" : {

            "cardinality" : { # 关键字

                "field" : "type",

                "precision_threshold":100

            }

        }

    }

}

进一步优化,Cardinality底层使用的算法是 HyperLogLog++, 可以针对这个算法的特性进行进一步的优化,因为这个算法的底层会对所有的 unique value取hash值,利用这个hash值去近似的求distcint count, 因此我们可以在创建mapping时,将这个hash的求法设置好,添加doc时,一并计算出这个hash值,这样 HyperLogLog++ 就无需再计算hash值,而是直接使用

PUT /index/

{

    "mappings":{

        "my_type":{

            "properties":{

                "my_field":{

                    "type":"text",

                    "fields":{

                        "hash":{

                            "type":"murmu3"

                        }

                    }

                }

            }

        }

    }

}

控制聚合的升降序

先按照颜色聚合,在聚合的结果上,再根据价格进行聚合, 最终的结果中,按照价格聚合的分组中升序排序, 这算是个在下转分析时的排序技巧

GET /index/type/_search

{

    "size":0,

     "aggs":{

         "group_by_color":{

             "term":{

                 "field":"color",

                 "order":{ #

                     "avg_price":"asc"

                 }

             }

         },

         "aggs":{

             "avg_price":{

                 "avg":{

                     "field":"price"

                 }

             }

         }

     }

}

Percentiles Aggregation

计算百分比, 常用它计算如,在200ms内成功访问网站的比率,在500ms内成功访问网站的比例,在1000ms内成功访问网站的比例, 或者是销售价为1000元的商品,占总销售量的比例, 销售价为2000元的商品占总销售量的比例等等

示例: 针对doc中的 load_time字段, 计算出在不同百分比下面的 load_time_outliner情况

GET latency/_search

{

    "size": 0,

    "aggs" : {

        "load_time_outlier" : {

            "percentiles" : {

                "field" : "load_time"

            }

        }

    }

}

响应 : 解读: 在百分之50的加载请求中,平均load_time的时间是在445.0, 在99%的请求中,平均加载时间980.1

{

    ...

   "aggregations": {

      "load_time_outlier": {

         "values" : {

            "1.0": 9.9,

            "5.0": 29.500000000000004,

            "25.0": 167.5,

            "50.0": 445.0,

            "75.0": 722.5,

            "95.0": 940.5,

            "99.0": 980.1000000000001

         }

      }

   }

}

还可以自己指定百分比跨度间隔

GET latency/_search

{

    "size": 0,

    "aggs" : {

        "load_time_outlier" : {

            "percentiles" : {

                "field" : "load_time",

                "percents" : [95, 99, 99.9]

            }

        }

    }

}

优化: percentile底层使用的是 TDigest算法,用很多个节点执行百分比计算,近似估计,有误差,节点越多,越精准

可以设置compression的值, 默认是100 , ES限制节点的最多是 compression*20 =2000个node去计算 , 因为节点越多,性能就越差

一个节点占用 32字节, 1002032 = 64KB

GET latency/_search

{

    "size": 0,

    "aggs" : {

        "load_time_outlier" : {

            "percentiles" : {

                "field" : "load_time",

                "percents" : [95, 99, 99.9],

                "compression":100 # 默认值100

            }

        }

    }

}

优化相关性得分

第一种方式:

在content字段中全文检索 java elasticsearch时,给title中同时出现java elasticsearch的doc的权重加倍

"query": {

      "bool" : {# 前缀匹配

         "match":{

            "content":{

                 "query":"java elasticsearch"

            }

         },

         "should":[

             "match":{

                 "title":{

                     "query":"java elasticsearch",

                     "boost":2

                 }

             }

         ]

       }

  }

第二种: 更换写法,改变占用的权重比例

GET my_index/_doc/_search

{

  "query":{

     "should":[

      { "match":{"title":"this is"}},  # 1/3

      { "match":{"title":"this is"}},  # 1/3

      {

        "bool":{

         "should":[

           {"match":{"title":"this is"}}, # 1/6

           {"match":{"title":"this is"}}  # 1/6

           ]

       }

     }

   ]

 }

}

第三种: 如果不希望使用相关性得分,使用下面的语法

GET my_index/_doc/_search

{

    "query": {

        "constant_score" : {

            "filter" : {

              "term" : { "title" : "this"} #

            },

            "boost" : 1.2

        }

    }

}

第四种: 灵活的查询

查询必须包含XXX,必须不包含YYY的doc

GET my_index/_doc/_search

{

  "query":{

    "bool": {

      "must":{

        "match":{

          "title":"this is a "

        }

      },

      "must_not":{

        "match":{

           "title":"another"

         }

       }

    }

  }

}

第五种: 查询必须包含XXX,可以包含YYY,但是包含了YYY后它的权重就会减少指定的值



GET my_index/_doc/_search

{

  "query":{

    "boosting": {

      "positive":{

        "match":{

          "title":"this is a "

        }

      },

      "negative":{

        "match":{

           "title":"another"

         }

       },

       "negative_boost": 0.2

    }

  }

}

第六种: 重打分机制

   "query": {

       "match":{

           "title":{

               "query":"java elasticsearch",

               "minimum_should_match":"50%"

           }

       },

       "rescore":{ # 对全文检索的结果进行重新打分

           "window_size":50,  # 对全文检索的前50条进行重新打分

           "query": {

               "rescore_query":{ # 关键字

                    "match_phrase":{ # match_phrase + slop 感知 term persition,贡献分数

                       "title":{

                           "query":"java elasticsearch",

                           "slop":50

                  }

              }

          }

       }

   }

第七种: 混用match和match_phrase提高召回率

  "query": {

      "bool": {

      "must":  {

          # 全文检索虽然可以匹配到大量的文档,但是它不能控制词条之间的距离

          # 可能java elasticsearch在Adoc中距离很近,但是它却被ES排在结果集的后面

          # 它的性能比match_phrase高10倍,比proximity高20倍

         "match": {

            "address": "java elasticsearch"

            }

      },

      "should": {

         # 借助match_phrase+slop可以感知term position的功能,为距离相近的doc贡献分数,让它们靠前排列

          "match_phrase":{

              "title":{

                  "query":"java elasticsearch",

                  "slop":50

              }

          }

      }

  }

欢迎大家点赞支持

巴特西

Elasticsearch 知识点整理 一