1. 简介

1.1 历史

以下内容来自百度百科：https://baike.baidu.com/item/elasticsearch/3411206?fr=aladdin

Shay Banon在2004年创造了Elasticsearch的前身，称为Compass。在考虑Compass的第三个版本时，他意识到有必要重写Compass的大部分内容，以“创建一个可扩展的搜索解决方案”。因此，他创建了“一个从头构建的分布式解决方案”，并使用了一个公共接口，即HTTP上的JSON，它也适用于Java以外的编程语言。Shay Banon在2010年2月发布了Elasticsearch的第一个版本。

Elasticsearch BV成立于2012年，主要围绕Elasticsearch及相关软件提供商业服务和产品。2014年6月，在成立公司18个月后，该公司宣布通过C轮融资筹集7000万美元。这轮融资由新企业协会(NEA)牵头。其他投资者包括Benchmark Capital和Index Ventures。这一轮融资总计1.04亿美元

2015年3月，Elasticsearch公司更名为Elastic。

在2018年6月，Elastic提交了首次公开募股申请，估值在15亿到30亿美元之间。公司于2018年10月5日在纽约证券交易所挂牌上市。一些组织将Elasticsearch作为托管服务提供。这些托管服务提供托管、部署、备份和其他支持。大多数托管服务还包括对Kibana的支持。

Elasticsearch 自从诞生以来，其的应用越来越广泛，特别是大数据领域，功能也越来越强大，但是如何有效的监控管理 Elasticsearch 一直是公司所面对的难题，由于 Elasticsearch 集群的稳定性，决定了其业务发展的高度，对于一个应用来说其稳定是第一目标，所以完善的监控体系是必不可少的。此外，Elasticsearch 写入和查询对资源的消耗都很大，如何合理有效地控制资源，既能满足写入和查询的需求，又能满足资源充分利用，这是公司必须面对的问题。

在国内，还没较为完善的面向 Elasticsearch 的监控管理平台，很多企业往往只关注搭建一套简单分布式的集群环境，而对这个集群的缺乏监控和管理，元数据混乱，写入和查询耦合，缺乏监控一旦集群出现问题，就会导致数据丢失，甚至很容易导致线上应用故障。相比于小公司，中大型公司的资金较为充足，所以中大型公司，会选择为每个应用去维护一套集群，但是这每当资源不够需要扩容或者缩容时，极其不方便，需要增加删除节点，其运维成本过高。而且对每个应用来说，可能不能够充分利用资源，但是如果和其他应用混合部署，但是又涉及到复杂的资源分配问题，而且随着应用的发展，资源经常需要变动。在国外，ELasticsearch 的应用也很广泛，也有对 Elasticsearch 进行很好的监控和管理，Amazon AWS

中也有基于 Elasticsearch 构建的平台服务，帮助电商应用程序，网站等提供安全，高可靠，低成本，低延时，高吞吐的量的个性化搜索。虽然，对集群进行了监控和管理，但是管理的维度还是集群级别的，而对于应用往往是模板级别的，如果应用无法和集群一一对应，那就无法进行更高效的管理。这无法满足公司级别想要高效利用资源，集群内部能支持多个应用的场景

1.2 ElasticSearch 概述

Elasticsearch是一个开源的分布式、RESTful 风格的搜索和数据分析引擎，它的底层是开源库Apache Lucene。
 Lucene 可以说是当下最先进、高性能、全功能的搜索引擎库——无论是开源还是私有，但它也仅仅只是一个库。为了充分发挥其功能，你需要使用 Java 并将 Lucene 直接集成到应用程序中。 更糟糕的是，您可能需要获得信息检索学位才能了解其工作原理，因为Lucene 非常复杂。
 为了解决Lucene使用时的繁复性，于是Elasticsearch便应运而生。它使用 Java 编写，内部采用 Lucene 做索引与搜索，但是它的目标是使全文检索变得更简单，简单来说，就是对Lucene 做了一层封装，它提供了一套简单一致的 RESTful API 来帮助我们实现存储和检索。
 当然，Elasticsearch 不仅仅是 Lucene，并且也不仅仅只是一个全文搜索引擎。 它可以被下面这样准确地形容：

• 一个分布式的实时文档存储，每个字段可以被索引与搜索；
• 一个分布式实时分析搜索引擎；
• 能胜任上百个服务节点的扩展，并支持 PB （大数据）级别的结构化或者非结构化数据。
  由于Elasticsearch的功能强大和使用简单，*、卫报、Stack Overflow、GitHub等都纷纷采用它来做搜索。现在，Elasticsearch已成为全文搜索领域的主流软件之一。

1.3 ElasticSearch和solr的差别

1.3.1 Elasticsearch简介

Elasticsearch是一个实时分布式搜索和分析引擎。它让你以前所未有的速度处理大数据成为可能。
它用于全文搜索、结构化搜索、分析以及将这三者混合使用：
*使用Elasticsearch提供全文搜索并高亮关键字，以及输入实时搜索(search-asyou-type)和搜索纠错(did-you-mean)等搜索建议功能。
英国卫报使用Elasticsearch结合用户日志和社交网络数据提供给他们的编辑以实时的反馈，以便及时了解公众对新发表的文章的回应。
*结合全文搜索与地理位置查询，以及more-like-this功能来找到相关的问题和答案。
Github使用Elasticsearch检索1300亿行的代码。
但是Elasticsearch不仅用于大型企业，它还让像DataDog以及Klout这样的创业公司将最初的想法变成可扩展的解决方案。Elasticsearch可以在你的笔记本上运行，也可以在数以百计的服务器上处理PB级别的数据 。

Elasticsearch是一个基于Apache Lucene(TM)的开源搜索引擎。无论在开源还是专有领域，Lucene可以被认为是迄今为止最先进、性能最好的、功能最全的搜索引擎库。
但是，Lucene只是一个库。想要使用它，你必须使用Java来作为开发语言并将其直接集成到你的应用中，更糟糕的是，Lucene非常复杂，你需要深入了解检索的相关知识来理解它是如何工作的。
Elasticsearch也使用Java开发并使用Lucene作为其核心来实现所有索引和搜索的功能，但是它的目的是通过简单的 RESTful API 来隐藏Lucene的复杂性，从而让全文搜索变得简单。

1.3.2Solr简介

Solr 是Apache下的一个*开源项目，采用Java开发，它是基于Lucene的全文搜索服务器。Solr提供了比Lucene更为丰富的查询语言，同时实现了可配置、可扩展，并对索引、搜索性能进行了优化

Solr可以独立运行，运行在Jetty、Tomcat等这些Servlet容器中，Solr 索引的实现方法很简单，用 POST 方法向 Solr 服务器发送一个描述 Field 及其内容的 XML 文档，Solr根据xml文档添加、删除、更新索引 。Solr 搜索只需要发送 HTTP GET 请求，然后对 Solr 返回Xml、json等格式的查询结果进行解析，组织页面布局。Solr不提供构建UI的功能，Solr提供了一个管理界面，通过管理界面可以查询Solr的配置和运行情况。

solr是基于lucene开发企业级搜索服务器，实际上就是封装了lucene。

Solr是一个独立的企业级搜索应用服务器，它对外提供类似于Web-service的API接口。用户可以通过http请求，向搜索引擎服务器提交一定格式的文件，生成索引；也可以通过提出查找请求，并得到返回结果。

1.3.3Lucene简介

Lucene是apache软件基金会4 jakarta项目组的一个子项目，是一个开放源代码的全文检索引擎工具包，但它不是一个完整的全文检索引擎，而是一个全文检索引擎的架构，提供了完整的查询引擎和索引引擎，部分文本分析引擎（英文与德文两种西方语言）。Lucene的目的是为软件开发人员提供一个简单易用的工具包，以方便的在目标系统中实现全文检索的功能，或者是以此为基础建立起完整的全文检索引擎。Lucene是一套用于全文检索和搜寻的开源程式库，由Apache软件基金会支持和提供。Lucene提供了一个简单却强大的应用程式接口，能够做全文索引和搜寻。在Java开发环境里Lucene是一个成熟的免费开源工具。就其本身而言，Lucene是当前以及最近几年最受欢迎的免费Java信息检索程序库。人们经常提到信息检索程序库，虽然与搜索引擎有关，但不应该将信息检索程序库与搜索引擎相混淆。

Lucene是一个全文检索引擎的架构。那什么是全文搜索引擎？

全文搜索引擎是名副其实的搜索引擎，国外具代表性的有Google、Fast/AllTheWeb、AltaVista、Inktomi、Teoma、WiseNut等，国内著名的有百度（Baidu）。它们都是通过从互联网上提取的各个网站的信息（以网页文字为主）而建立的数据库中，检索与用户查询条件匹配的相关记录，然后按一定的排列顺序将结果返回给用户，因此他们是真正的搜索引擎。

从搜索结果来源的角度，全文搜索引擎又可细分为两种，一种是拥有自己的检索程序（Indexer），俗称“蜘蛛”（Spider）程序或“机器人”（Robot）程序，并自建网页数据库，搜索结果直接从自身的数据库中调用，如上面提到的7家引擎；另一种则是租用其他引擎的数据库，并按自定的格式排列搜索结果，如Lycos引擎。

1.3.4 Elasticsearch和Solr比较

• es基本是开箱即用‘解压就能用’，非常简单。Solr安装略微复杂一丢丢
• Solr 利用 Zookeeper 进行分布式管理，而 Elasticsearch 自身带有分布式协调管理功能。
• Solr 支持更多格式的数据，比如JSON、XML、CSV，而 Elasticsearch 仅支持json文件格式。
• Solr 官方提供的功能更多，而 Elasticsearch 本身更注重于核心功能，高级功能多有第三方插件提供，例如图形化界面需要kibana友好支撑
• Solr 查询快，但更新索引时慢（即插入删除慢），用于电商等查询多的应用；ES建立索引快（即查询慢），即实时性查询快，用于facebook新浪等搜索。
• Solr 是传统搜索应用的有力解决方案，但 Elasticsearch 更适用于新兴的实时搜索应用
• Solr比较成熟，有一个更大，更成熟的用户、开发和贡献者社区，而 Elasticsearch相对开发维护者较少，更新太快，学习使用成本较高。

2. ElasticSearch安装

2.1 下载

官网：https://www.elastic.co/cn/

下载地址： https://www.elastic.co/cn/downloads/elasticsearch

目录解析：

• bin：核心文件，启动脚本都在里边

• config: ElasticSearch的一些配置文件

  • Log4j2 日志配置文件
  • jvm.options java虚拟机相关的配置文件
  • Elasticsearch.yml Elasticsearch的配置文件 端口配置等 修改跨域相关

• jdk：运行环境

• lib ：所需依赖

• logs：日志文件存放地

• plugins :插件 ik分词器等

• modules：功能模块

2.2 启动

双击 /bin/elasticsearch.bat

测试访问 http://localhost:9200/

访问结果

说明成功了

2.3 安装head插件

2.3.1 环境前提

node.js环境必须要有，没有的要先安装这个环境

2.3.2 下载

https://github.com/mobz/elasticsearch-head/

2.3.3 初始化、启动

命令：

初始化：npm install 或者 cnpm install

运行：npm run start

2.3.4 测试访问

http://localhost:9100

但是会发现出现了跨域问题

2.3.5 解决跨域问题

修改ElasticSearch.yml

# 开启跨域
http.cors.enabled: true
# 配置跨域连接属性
http.cors.allow-origin: "*"

再次启动

访问测试http://localhost:9100

这时候发现有了

head一般用来当做数据展示界面

2.4 安装kibana

2.4.1 kibana概述

Kibana是一个针对Elasticsearch的开源分析及可视化平台 ,用来搜索、查看交互存储在Elasticsearch索引中的数据。使用Kibana ,可以通过各种图表进行高级数据分析及展示。Kibana让海量数据更容易理解。它操作简单,基于浏览器的用户界面可以快速创建仪表板( dashboard )实时显示Elasticsearch查询动态。设置Kibana非常简单。无需编码或者额外的基础架构,几分钟内就可以完成Kibana安装并启动Elasticsearch索索引监测。

2.5.2 安装前提

node.js 必须，版本和EasticSearch 相同

2.5.3 下载

官网：https://www.elastic.co/cn/downloads/kibana

下载后解压，解压这个特别慢，耐心等待

解压后的目录

2.5.4 启动

2.5.5 测试访问

http://localhost:5601/

发现是英文的

2.5.6汉化

因为kibana是自带国际化文件的所以只需要配置一下就好

/config /kibana.yml

i18n.locale: "zh-CN"

修改完之后重启

再次访问测试 http://localhost:5601/

成功汉化(＾－＾)V

3. ES核心概念

1.索引

2.字段类型（mapping）

3.文档（documents）

集群，节点，索引，类型，文档，分片，映射是什么？

3.1 数据库和ES对比

elasticsearch(集群)中可以包含多个索引(数据库)，每个索引中可以包含多个类型(表)，每个类型下又包 含多 个文档(行)，每个文档中又包含多个字段(列)。

Mysql	Elasticsearch
数据库(database)	索引(indices)
表(table)	Types(慢慢会被启用)
行(row)	Documents
字段(columns)	Fields

物理设计：

elasticsearch 在后台把每个索引划分成多个分片，每分分片可以在集群中的不同服务器间迁移 一个人就是一个集群！默认的集群名称就是 elaticsearh

逻辑设计：

文档

之前说elasticsearch是面向文档的，那么就意味着索引和搜索数据的最小单位是文档，elasticsearch 中，文档有几个 重要属性 :

• 自我包含，一篇文档同时包含字段和对应的值，也就是同时包含 key:value！
• 可以是层次型的，一个文档中包含自文档，复杂的逻辑实体就是这么来的！ {就是一个json对象！ fastjson进行自动转换！}
• 灵活的结构，文档不依赖预先定义的模式，我们知道关系型数据库中，要提前定义字段才能使用， 在elasticsearch中，对于字段是非常灵活的，有时候，我们可以忽略该字段，或者动态的添加一个 新的字段。

尽管我们可以随意的新增或者忽略某个字段，但是，每个字段的类型非常重要，比如一个年龄字段类 型，可以是字符 串也可以是整形。因为elasticsearch会保存字段和类型之间的映射及其他的设置。这种 映射具体到每个映射的每种类型，这也是为什么在elasticsearch中，类型有时候也称为映射类型。

类型

类型是文档的逻辑容器，就像关系型数据库一样，表格是行的容器。 类型中对于字段的定义称为映射， 比如 name 映 射为字符串类型。 我们说文档是无模式的，它们不需要拥有映射中所定义的所有字段， 比如新增一个字段，那么elasticsearch是怎么做的呢?elasticsearch会自动的将新字段加入映射，但是这 个字段的不确定它是什么类型，elasticsearch就开始猜，如果这个值是18，那么elasticsearch会认为它 是整形。 但是elasticsearch也可能猜不对， 所以最安全的方式就是提前定义好所需要的映射，这点跟关 系型数据库殊途同归了，先定义好字段，然后再使用，别 整什么幺蛾子。

索引

类似于mysql中的数据库

索引是映射类型的容器，elasticsearch中的索引是一个非常大的文档集合。索引存储了映射类型的字段 和其他设置。 然后它们被存储到了各个分片上了。 我们来研究下分片是如何工作的。

物理设计 ：节点和分片 如何工作

一个集群至少有一个节点，而一个节点就是一个elasricsearch进程，节点可以有多个索引默认的，如果 你创建索引，那么索引将会有个5个分片 ( primary shard ,又称主分片 ) 构成的，每一个主分片会有一个 副本 ( replica shard ,又称复制分片 )

上图是一个有3个节点的集群，可以看到主分片和对应的复制分片都不会在同一个节点内，这样有利于某 个节点挂掉 了，数据也不至于丢失。 实际上，一个分片是一个Lucene索引，一个包含倒排索引的文件 目录，倒排索引的结构使 得elasticsearch在不扫描全部文档的情况下，就能告诉你哪些文档包含特定的 关键字。 不过，等等，倒排索引是什 么鬼?

倒排索引

elasticsearch使用的是一种称为倒排索引的结构，采用Lucene倒排索作为底层。这种结构适用于快速的 全文搜索， 一个索引由文档中所有不重复的列表构成，对于每一个词，都有一个包含它的文档列表。 例 如，现在有两个文档， 每个文档包含如下内容：

Study every day, good good up to forever # 文档1包含的内容
To forever, study every day, good good up # 文档2包含的内容

为了创建倒排索引，我们首先要将每个文档拆分成独立的词(或称为词条或者tokens)，然后创建一个包 含所有不重 复的词条的排序列表，然后列出每个词条出现在哪个文档 :

现在，我们试图搜索 to forever，只需要查看包含每个词条的文档 score

两个文档都匹配，但是第一个文档比第二个匹配程度更高。如果没有别的条件，现在，这两个包含关键 字的文档都将返回。

再来看一个示例，比如我们通过博客标签来搜索博客文章。那么倒排索引列表就是这样的一个结构 :

如果要搜索含有 python 标签的文章，那相对于查找所有原始数据而言，查找倒排索引后的数据将会快 的多。只需要 查看标签这一栏，然后获取相关的文章ID即可。完全过滤掉无关的所有数据，提高效率！

elasticsearch的索引和Lucene的索引对比

在elasticsearch中， 索引 （库）这个词被频繁使用，这就是术语的使用。 在elasticsearch中，索引被 分为多个分片，每份 分片是一个Lucene的索引。所以一个elasticsearch索引是由多个Lucene索引组成 的。别问为什么，谁让elasticsearch使用Lucene作为底层呢! 如无特指，说起索引都是指elasticsearch 的索引。

接下来的一切操作都在kibana中Dev Tools下的Console里完成。基础操作！

4. IK分词器

4.1 什么是ik分词器

分词：即把一段中文或者别的划分成一个个的关键字，我们在搜索时候会把自己的信息进行分词，会把 数据库中或者索引库中的数据进行分词，然后进行一个匹配操作，默认的中文分词是将每个字看成一个 词，比如 “我爱狂神” 会被分为"我","爱","狂","神"，这显然是不符合要求的，所以我们需要安装中文分词 器ik来解决这个问题。

如果要使用中文，建议使用ik分词器！

IK提供了两个分词算法：ik_smart 和 ik_max_word，其中 ik_smart 为最少切分，ik_max_word为最细 粒度划分！一会我们测试！

4.2 下载、安装

GitHub地址：https://github.com/medcl/elasticsearch-analysis-ik/releases

在plugins 中 创建文件夹 ik 吧文件解压这里面（切记 目录什么的不要用中文）

这样就添加插件完成了

之后重启ElasticSearch

日志中可以看到ik分词器被加载了

还可以通过

elasticsearch-plugin list

来查看插件列表

4.3 kibana使用ik分词器

ik_smart 和 ik_max_word 接下来这测试这两种模式

4.3.1 ik_smart最少切分

GET _analyze
{
  "analyzer": "ik_smart",
  "text": "中国万岁"
}

{
  "tokens" : [
    {
      "token" : "中国",
      "start_offset" : 0,
      "end_offset" : 5,
      "type" : "CN_WORD",
      "position" : 0
    },
    {
      "token" : "万岁",
      "start_offset" : 5,
      "end_offset" : 7,
      "type" : "CN_WORD",
      "position" : 1
    }
  ]
}

4.3.2 ik_max_word 最细 粒度划分

GET _analyze
{
  "analyzer": "ik_max_word",
  "text": "中国万岁"
}

{
  "tokens" : [
    {
      "token" : "中国",
      "start_offset" : 0,
      "end_offset" : 5,
      "type" : "CN_WORD",
      "position" : 0
    },
    {
      "token" : "中国",
      "start_offset" : 0,
      "end_offset" : 2,
      "type" : "CN_WORD",
      "position" : 1
    },
    {
      "token" : "国共",
      "start_offset" : 1,
      "end_offset" : 3,
      "type" : "CN_WORD",
      "position" : 2
    },
    {
      "token" : "",
      "start_offset" : 2,
      "end_offset" : 5,
      "type" : "CN_WORD",
      "position" : 3
    },
    {
      "token" : "共产",
      "start_offset" : 2,
      "end_offset" : 4,
      "type" : "CN_WORD",
      "position" : 4
    },
    {
      "token" : "党",
      "start_offset" : 4,
      "end_offset" : 5,
      "type" : "CN_CHAR",
      "position" : 5
    },
    {
      "token" : "万岁",
      "start_offset" : 5,
      "end_offset" : 7,
      "type" : "CN_WORD",
      "position" : 6
    },
    {
      "token" : "万",
      "start_offset" : 5,
      "end_offset" : 6,
      "type" : "TYPE_CNUM",
      "position" : 7
    },
    {
      "token" : "岁",
      "start_offset" : 6,
      "end_offset" : 7,
      "type" : "COUNT",
      "position" : 8
    }
  ]
}

4.3.3 添加自己的词典

有时候，想要得到自己的词，结果被拆分了，那怎么办呢？ 可以通过添加自己的词典来解决

例如：我们 需要获得 '学习es'

GET _analyze
{
  "analyzer": "ik_max_word",
  "text": "学习es'"
}

{
  "tokens" : [
    {
      "token" : "学习",
      "start_offset" : 0,
      "end_offset" : 2,
      "type" : "CN_WORD",
      "position" : 0
    },
    {
      "token" : "es",
      "start_offset" : 2,
      "end_offset" : 4,
      "type" : "ENGLISH",
      "position" : 1
    }
  ]
}

发现学习es被拆开了

下面通过配置解决

1.进入\es\elasticsearch\plugins\ik\config

创建一个 *.dic 这个名字可以是任何

内容：

学习es

保存后打开 IKAnalyzer.cfg.xml文件添加自己的词典

<entry key="ext_dict">test.dic</entry>

重启，es、kibana 再次测试

GET _analyze
{
  "analyzer": "ik_max_word",
  "text": "学习es'"
}

{
  "tokens" : [
    {
      "token" : "学习es",
      "start_offset" : 0,
      "end_offset" : 4,
      "type" : "CN_WORD",
      "position" : 0
    },
    {
      "token" : "学习",
      "start_offset" : 0,
      "end_offset" : 2,
      "type" : "CN_WORD",
      "position" : 1
    },
    {
      "token" : "es",
      "start_offset" : 2,
      "end_offset" : 4,
      "type" : "ENGLISH",
      "position" : 2
    }
  ]
}

5. restful 操作

一种软件架构风格，而不是标准，只是提供了一组设计原则和约束条件。它主要用于客户端和服务器交 互类的软件。基于这个风格设计的软件可以更简洁，更有层次，更易于实现缓存等机制。

基本Rest命令说明：

doc名称不写默认是 _doc

method	url地址	描述
PUT	Host:port/索引名称/doc名称/文档id	创建文档(指定文档id)
POST	Host:port/索引名称/doc名称	创建文档(随机文档id)
POST	Host:port/索引名称/doc名称/文档id/_update	修改文档
DELETE	Host:port/索引名称/doc名称/文档id	删除文档
GET	Host:port/索引名称/doc名称/文档id	查询文档通过文档id
POST	Host:port/索引名称/doc名称/_search	查询所有数据

基础操作

5.1 创建索引

5.1.1 创建一个索引

PUT /索引名/~类型名~/文档id
{
	请求体
}

PUT /indexname/typename/1
{
  "key":"value",
  "key2":"value2"
}

#! Deprecation: [types removal] Specifying types in document index requests is deprecated, use the typeless endpoints instead (/{index}/_doc/{id}, /{index}/_doc, or /{index}/_create/{id}).
{
  "_index" : "indexname",
  "_type" : "typename",
  "_id" : "1",
  "_version" : 1,
  "result" : "created",
  "_shards" : {
    "total" : 2,
    "successful" : 1,
    "failed" : 0
  },
  "_seq_no" : 1,
  "_primary_term" : 1
}

5.1.2 字段类型

ES常用的数据类型可分为3大类

• 核⼼数据类型
• 复杂数据类型
• 专⽤数据类型

核心数据类型

（1）字符串

• text ⽤于全⽂索引，搜索时会自动使用分词器进⾏分词再匹配
• keyword 不分词，搜索时需要匹配完整的值

（2）数值型

• 整型： byte，short，integer，long
• 浮点型： float, half_float, scaled_float，double

（3）日期类型

• date

json没有date类型，插入|更新文档|字段时怎么表示date类型？

// mapping，将字段类型设置为date
"type" : "date" 

// 插入|更新此字段的值时，有3种表示方式

// 使用固定格式的字符串
"2020-04-18"、"2020/04/18 09:00:00"   
// 值使用长整型的时间戳，1970-01-01 00:00:00
1610350870    
// 值使用长整型的时间戳，ms
1641886870000

（4）范围型

integer_range， long_range， float_range，double_range，date_range

比如招聘要求年龄在[20, 40]上，mapping：

age_limit :{
　"type" : "integer_range"
}

插入|更新文档|字段时，值写成json对象的形式：

gt是大于，lt是小于，e是equals等于。

"age_limit" : {
　"gte" : 20,
　"lte" : 40
}

按此字段搜索时，值写常量：

age_limit的区间包含了此值的文档都算是匹配。

"term" : {
　"age_limit" : 30
}

（5）布尔

• boolean #true、false

（6）⼆进制

• binary 会把值当做经过 base64 编码的字符串，默认不存储，且不可搜索

复杂数据类型

（1）对象

• object

一个对象中可以嵌套对象。

// 定义mapping
"user" : {
    "type":"object"
}

// 插入|更新字段的值，值写成json对象的形式
"user" : {
    "name":"chy",
    "age":12
}

// 搜索时，字段名使用点号连接
"match":{
     "user.name":"chy"
 }

（2）数组

// ES没有专门的数组类型，定义mapping，写成元素的类型
"arr" : {
    "type":"integer"
}

// 插入|更新字段的值。元素可以是各种类型，但元素的类型要相同
"arr" : [1,3,4]

专用数据类型

• ip

// 定义mapping
"ip_address" : {
    "type":"ip"
}

// 插入|更新字段的值，值写成字符串形式
"ip" : "192.168.1.1"

// 搜索
"match":{
     "ip_address":"192.168.1.1"
 }

// ip在192.168.0.0 ~ 192.168.255.255上的文档都匹配
"match":{
     "ip_address":"192.168.0.0/16"
 }

自定义数据类型

如果自己的文档没有指定，那么ES就会给我们默认配置字段类型！

PUT /text1 // 创建索引规则
{
  "mappings": {
    // 属性
    "properties": {
      // 字段
      "field":{  
        "type": "text"
      },
      "fiele2":{
        "type": "long"
      }
    }
  }
}

{
  "acknowledged" : true,
  "shards_acknowledged" : true,
  "index" : "text1"
}

5.1.3 获取属性信息

// 获取索引信息
GET 索引名
// 获取文档信息
GET 索引名/类型/文档ID
// 通过 _cat/可以获得更多信息
GET _cat/...
GET _cat/health // 获取健康信息
GET _cat/indices?v // 查看默认的配置

5.1.4 修改属性值

修改 提交还是使用PUT方法即可 覆盖原来数据进行修改操作（version会增加，result:"update"）

使用POST更新 （更改请求方式在GET基础上后面加上 /_update）

5.1.5 删除索引

使用DELETE请求更换GET请求（不需要带请求体） 完成删除操作

5.2 文档操作

5.2.1 文档插入

与索引插入一致

PUT /indexname/typename/1
{
  "key":"value",
  "key2":"value2"
}
PUT /indexname/typename/2
{
  "key":"value",
  "key2":"value2"
}
PUT /indexname/typename/3
{
  "key":"value",
  "key2":"value2"
}

5.2.2 文档查找

// 简单查找
// /_search?q 代表query 后面跟条件(key=value)多个用&&连接 根据默认的映射规则查询
GET /indexname/typename/_search?q=key:value

// 复杂查找
GET /indexname/typename/_search
{
  // 查询
  "query":{
    // 查询条件 
    // match 匹配 会使用分词器解析
  	// term 精准查询 直接是通过倒排索引指定的词条进行精确的查找  
    "match":{  
      // 查询字段:查询值
      "FIELD":"VALUE"
       // 查询字段:查询值
       // 多个条件使用空格隔开
      "FIELD2":"VALUE2 VALUE3"
    }
    
    
    // 布尔查找
    "bool":{
      // must 代表 and
      "must":{
        // 查询条件
        "match":{
          // 查询字段:查询值
          "FIELD":"VALUE"
        }
      }

      // should 代表 or
      "should":{
      	// 查询条件
        "match":{
          // 查询字段:查询值
          "FIELD":"VALUE"
        }
    	}
			
			// must_not 代表 not
			"must_not":{
        // 查询条件
        "match":{
          // 查询字段:查询值
          "FIELD":"VALUE"
        }
      }
			
			// filter 自定义过滤器(条件过滤)
			"filter":{
        // range 范围
        "range":{
          // 字段:{条件:值}
          "FIELD":{
            // FIELD 大于 10
            "gt": 10,
            // FIELD 大于等于 10
            "gte": 10,
            // FIELD 小于 10
            "lt":10,
            // FIELD 小于等于 10
            "lte":10,
          }
        }
      }
			

    }
  }


  // 结果过滤,如果不写默认查询所有字段
  "_source":["key1","key2"]


	// 排序
	// 会使命中权重 `_score=null`
	"sort":[
    // 根据那个字段排序
    // desc 降序 asc 升序
    "FIELD":"desc"
  ]


	// 分页 
	// from 和 size 同时出现
	// from 从第几条开始 size 返回多少条数据
	"from":0
	"size":1

	// 高亮
	"highlight":{
    // 高亮字段
    "fields":{
      // 字段名称:{} 符合的结果会自动带上一个html标签
      // 默认是<em></em>标签
      "key":{}
    }
    // 设置自定义标签前缀
    "pre_tags":"<自定义 class=xxx ...>"
    // 设置自定义后缀
    "post_tags":"</自定义>"
  }
}

补充：

• 关于match 与 term的区别
  • match（先分析文档，然后在通过分词器进行解析） 速度没有term快
  • term是精准查询 速度快
• query：根据参数查找
• _source：过滤需要返回的字段
• sort：排序
• form、size 设置分页
• bool查询
  • must 代表 and
  • should 代表 or
  • must_not 代表 not
• filter条件过滤
  • gt 大于
  • gte 大于等于
  • lt 小于
  • lte 小于等于
• 一个字段多个条件使用空格隔开即可
• text 和 keyword 类型
  • text类型可以被分词器解析
  • keyword不能被分词器解析，也就是说只能做精准查询
• highlight 高亮设置