- 01、课程目标
- 02、Elasticsearch聚合搜索:聚合分类
- 03、Elasticsearch聚合搜索:Bucket(桶)聚合
- 04、Elasticsearch聚合搜索:Metric(管道)聚合
- 05、搜索实战:过滤条件聚合显示
- 06、Elasticsearch拼音搜索:拼音分词器
- 07、Elasticsearch拼音搜索:自定义分词器
- 08、搜索实战:实现酒店拼音搜索
- 09、Elasticsearch自动补全:自动补全功能
- 10、▲ 搜索实战:搜索关键词自动补全
- 11、△ * 数据同步:同步方案分析
- 12、数据同步:导入酒店管理后台项目
- 13、数据同步:创建交换机和队列
- 14、数据同步:生产者发送MQ消息
- 15、数据同步:消费者监听MQ消息更新索引
- 16、Elasticsearch集群:集群及相关概念
- 17、Elasticsearch集群:搭建集群环境
- 18、* Elasticsearch集群:JavaAPI操作集群
- 19、Elasticsearch集群:路由原理
- 20、Elasticsearch集群:脑裂问题
- 21、Elasticsearch集群:故障迁移
- 22、课程总结
01、课程目标
- 能够掌握Elasticsearch聚合搜索
- 能够掌握Elasticsearch拼音分词器使用
- 能够掌握Elasticsearch自定义分词器使用
- 能够完成酒店搜索自动补全功能
- 能够掌握酒店数据自动导入Elasticsearch
- 能够了解Elasticsearch集群相关知识
02、Elasticsearch聚合搜索:聚合分类
聚合常见的有三类:
- 桶(Bucket)聚合:用来对文档做分组 类似mysql的group by
- TermAggregation:按照文档字段值分组,例如按照品牌值分组、按照国家分组
- Date Histogram:按照日期阶梯分组,例如一周为一组,或者一月为一组
- 度量(Metric)聚合:用以计算一些值,比如:最大值、最小值、平均值等
- 类似于mysql统计函数 count,sum,max,min
- Avg:求平均值
- Max:求最大值
- Min:求最小值
- Stats:同时求max、min、avg、sum等
- 管道(pipeline)聚合:其它聚合的结果为基础做聚合,就是说一个聚合的结果会称为另外一个聚合的条件;
注意:参加聚合的字段必须是keyword、日期、数值、布尔类型
03、Elasticsearch聚合搜索:Bucket(桶)聚合
需求:统计所有数据中的酒店品牌有几种
根据这个需求,其实就是按照品牌对数据分组。此时可以根据酒店品牌的名称做聚合,也就是Bucket聚合。
1)Bucket聚合基本语法
桶聚合:使用全文检索:term 和 match的衍生类型:terms
GET /hotel/_search
{
"size": 0, // 设置size为0,结果中不包含文档,只包含聚合结果,取消查询列表的数据
"aggs": { // 定义聚合
"brandAgg": { //给聚合起个名字
"terms": { // 聚合的类型,按照品牌值聚合,所以选择term
"field": "brand", // 参与聚合的字段
"size": 20 // 希望获取的聚合结果数量
}
}
}
}
结果如图:
2)聚合结果排序
默认情况下,Bucket聚合会统计Bucket内的文档数量,记为_count,并且按照_count降序排序。
我们可以指定order属性,自定义聚合的排序方式:
GET /hotel/_search
{
"size": 0,
"aggs": {
"brandAgg": {
"terms": {
"field": "brand",
"order": {
"_count": "asc" // 按照_count升序排列
},
"size": 20
}
}
}
}
3)限定聚合范围
默认情况下,Bucket聚合是对索引库的所有文档做聚合,但真实场景下,用户会输入搜索条件,因此聚合必须是对搜索结果聚合。那么聚合必须添加限定条件。
我们可以限定要聚合的文档范围,只要添加query条件即可:
range
GET /hotel/_search
{
"query": {
"range": {
"price": {
"lte": 200 // 只对200元以下的文档聚合
}
}
},
"size": 0,
"aggs": {
"brandAgg": {
"terms": {
"field": "brand",
"size": 20
}
}
}
}
这次,聚合得到的品牌明显变少了:
# 桶聚合
# 需求:统计酒店的品牌有有哪些
GET hotel/_search
{
"size": 0,
"aggs": {
"brandAgg": {
"terms": {
"field": "brand",
"size": 20
}
}
}
}
# 聚合结果排序
GET hotel/_search
{
"size": 0,
"aggs": {
"brandAgg": {
"terms": {
"field": "brand",
"size": 20,
"order": {
"_count": "asc"
}
}
}
}
}
# 对聚合结果限定数据范围
GET hotel/_search
{
"query": {
"term": {
"city": {
"value": "北京"
}
}
},
"size": 0,
"aggs": {
"brandAgg": {
"terms": {
"field": "brand",
"size": 20,
"order": {
"_count": "asc"
}
}
}
}
}
04、Elasticsearch聚合搜索:Metric(管道)聚合
需求:统计每个品牌酒店的用户评分的min、max、avg等值
这就要用到Metric聚合了,例如stat聚合:就可以获取min、max、avg等结果。
语法如下:
stat聚合:是bucket聚合的子聚合
GET /hotel/_search
{
"size": 0,
"aggs": {
"brandAgg": {
"terms": {
"field": "brand",
"size": 20
},
"aggs": { // 是brands聚合的子聚合,也就是分组后对每组分别计算
"score_stats": { // 聚合名称
"stats": { // 聚合类型,这里stats可以计算min、max、avg等
"field": "score" // 聚合字段,这里是score
}
}
}
}
}
}
这次的score_stats聚合是在brandAgg的聚合内部嵌套的子聚合。因为我们需要在每个桶分别计算。
另外,我们还可以给聚合结果做个排序,例如按照每个桶的酒店平均分做排序:
# 度量聚合
# 需求:统计所有酒店的平均得分
GET hotel/_search
{
"size": 0,
"aggs": {
"scoreAgg": {
"avg": {
"field": "score"
}
}
}
}
GET hotel/_search
{
"size": 0,
"aggs": {
"scoreAgg": {
"stats": {
"field": "score"
}
}
}
}
# 桶聚合+度量聚合
# 需求:统计每个酒店品牌的平均得分
GET hotel/_search
{
"size": 0,
"aggs": {
"brandAgg": {
"terms": {
"field": "brand",
"size": 20
},
"aggs": {
"scoreAgg": {
"stats": {
"field": "score"
}
}
}
}
}
}
# 需求:统计每个酒店品牌的平均得分,根据平均分倒序
# 对评分进行排序 "scoreAgg.avg": "desc"
GET hotel/_search
{
"size": 0,
"aggs": {
"brandAgg": {
"terms": {
"field": "brand",
"size": 20,
"order": {
"scoreAgg.avg": "desc"
}
},
"aggs": {
"scoreAgg": {
"stats": {
"field": "score"
}
}
}
}
}
}
RestAPI代码
/**
* 聚合查询
*/
@Test
public void testAgg() throws Exception {
//创建请求对象
SearchRequest request = new SearchRequest("hotel"); // hotel:索引库名称
request.source().size(0);
request.source().aggregation(AggregationBuilders
.terms("brandAgg").field("brand").size(20).order(BucketOrder.aggregation("scoreAgg.avg",false))
.subAggregation(
AggregationBuilders.stats("scoreAgg").field("score")
));
//执行条件,获取结果
SearchResponse response = highLevelClient.search(request, RequestOptions.DEFAULT);
//获取聚合结果
Aggregations aggregations = response.getAggregations();
//***********注意:这里的返回结果要分情况进行设置,如果是bucket的话就使用terms来获取bucket;
//要根据DSL语句查询的结果,在kibana查看;(建议先DSL查询后写java代码)
Terms terms = aggregations.get("brandAgg");
List<? extends Terms.Bucket> buckets = terms.getBuckets();
for(Terms.Bucket bucket:buckets){
String brandName = bucket.getKeyAsString();
//stat聚合:就可以获取min、max、avg等结果
Stats stats = bucket.getAggregations().get("scoreAgg");
double sum = stats.getSum();
double max = stats.getMax();
double min = stats.getMin();
double avg = stats.getAvg();
System.out.println("品牌:"+brandName+",min:"+min+",max:"+max);
}
}
05、搜索实战:过滤条件聚合显示
1)需求说明
需求:搜索页面的品牌、城市等信息不应该是在页面写死,而是通过聚合索引库中的酒店数据得来的:
思路分析:
目前,页面的城市列表、星级列表、品牌列表都是写死的,并不会随着搜索结果的变化而变化。但是用户搜索条件改变时,搜索结果会跟着变化。
例如:用户搜索“东方明珠”,那搜索的酒店肯定是在上海东方明珠附近,因此,城市只能是上海,此时城市列表中就不应该显示北京、深圳、杭州这些信息了。
也就是说,搜索结果中包含哪些城市,页面就应该列出哪些城市;搜索结果中包含哪些品牌,页面就应该列出哪些品牌。
如何得知搜索结果中包含哪些品牌?如何得知搜索结果中包含哪些城市?
使用聚合功能,利用Bucket聚合,对搜索结果中的文档基于品牌分组、基于城市分组,就能得知包含哪些品牌、哪些城市了。
因为是对搜索结果聚合,因此聚合是限定范围的聚合,也就是说聚合的限定条件跟搜索文档的条件一致。
2)API接口说明
接口路径
POST /hotel/filters
参数说明
JSON格式
参数 | 说明 | 是否必须 | 数据类型 | 默认值 |
---|---|---|---|---|
key | 搜索关键词 | 是 | String | 无 |
page | 页码 | 是 | Integer | 无 |
size | 页面大小 | 是 | Integer | 无 |
sortBy | 排序字段名称 | 否 | String | 无 |
brand | 品牌 | 否 | String | 无 |
city | 城市 | 否 | String | 无 |
minPrice | 最小价格 | 否 | Integer | 无 |
maxPrice | 最大价格 | 否 | Integer | 无 |
starName | 星级 | 否 | String | 无 |
location | 地理坐标 | 否 | String | 无 |
返回结果
json数据
{
"brand":[
"7天酒店",
"万怡",
"豪生",
"如家"
......
],
"starName":[
"二钻",
"三钻",
"五星级",
"四钻"
......
],
"city":[
"上海",
"深圳",
"深圳",
"北京"
......
]
}
3)DSL语句
# 需求:酒店聚合搜索
GET hotel/_search
{
"query": {
"bool": {
"must": [
{
"match": {
"all": "7天"
}
}
]
}
},
"size": 0,
"aggs": {
"cityAgg": {
"terms": {
"field": "city",
"size": 100
}
},
"starNameAgg":{
"terms": {
"field": "starName",
"size": 100
}
},
"brandAgg":{
"terms": {
"field": "brand",
"size": 100
}
}
}
}
4)Controller
在HotelController添加filters方法
/**
* 查询过滤条件列表
*/
@PostMapping("/filters")
public Map<String, List<String>> filters(@RequestBody RequestParams params){
return hotelService.filters(params);
}
5)Service
@Override
public Map<String, List<String>> filters(RequestParams params) {
try {
SearchRequest request = new SearchRequest("hotel");
BoolQueryBuilder boolQueryBuilder = buildBasicQuery(params);
//query条件
request.source().query(boolQueryBuilder);
//size
request.source().size(0);
//聚合条件
request.source().aggregation(AggregationBuilders.terms("brandAgg").field("brand").size(20));
request.source().aggregation(AggregationBuilders.terms("cityAgg").field("city").size(20));
request.source().aggregation(AggregationBuilders.terms("starNameAgg").field("starName").size(20));
//执行聚合查询
SearchResponse response = highLevelClient.search(request, RequestOptions.DEFAULT);
//获取聚合结果并封装
Aggregations aggregations = response.getAggregations();
List<String> brandAggList = getAggregationByName(aggregations, "brandAgg");
List<String> cityAggList = getAggregationByName(aggregations, "cityAgg");
List<String> starNameAggList = getAggregationByName(aggregations, "starNameAgg");
Map<String,List<String>> resultMap = new LinkedHashMap<>();
resultMap.put("brand",brandAggList);
resultMap.put("city",cityAggList);
resultMap.put("starName",starNameAggList);
return resultMap;
} catch (IOException e) {
e.printStackTrace();
throw new RuntimeException(e);
}
}
private List<String> getAggregationByName(Aggregations aggregations,String aggName) {
List<String> list = new ArrayList<>();
Terms terms = aggregations.get(aggName);
List<? extends Terms.Bucket> buckets = terms.getBuckets();
for(Terms.Bucket bucket:buckets){
String key = bucket.getKeyAsString();
list.add(key);
}
return list;
}
这里把之前search方法的Query条件抽取成buildBasicQuery方法
private BoolQueryBuilder buildBasicQuery(RequestParams params) {
//搜索条件
BoolQueryBuilder boolQueryBuilder = QueryBuilders.boolQuery();
if(StringUtils.isNotEmpty(params.getKey())){
boolQueryBuilder.must(QueryBuilders.matchQuery("all",params.getKey()));
}else{
boolQueryBuilder.must(QueryBuilders.matchAllQuery());
}
//添加过滤条件
//品牌
if(StringUtils.isNotEmpty(params.getBrand())){
boolQueryBuilder.filter(QueryBuilders.termQuery("brand",params.getBrand()));
}
//城市
if(StringUtils.isNotEmpty(params.getCity())){
boolQueryBuilder.filter(QueryBuilders.termQuery("city",params.getCity()));
}
//星级
if(StringUtils.isNotEmpty(params.getStarName())){
boolQueryBuilder.filter(QueryBuilders.termQuery("starName",params.getStarName()));
}
//价格
if(params.getMinPrice()!=null && params.getMaxPrice()!=null){
boolQueryBuilder.filter(QueryBuilders.rangeQuery("price").gte(params.getMinPrice()).lte(params.getMaxPrice()));
}
return boolQueryBuilder;
}
06、Elasticsearch拼音搜索:拼音分词器
要实现拼音分词检索,就必须对文档按照拼音分词。在GitHub上恰好有elasticsearch的拼音分词插件。地址:https://github.com/medcl/elasticsearch-analysis-pinyin
使用了最新版的ES就应该尽量使用最新版的插件;
课前资料中也提供了拼音分词器的安装包:
安装方式与IK分词器一样,分三步:
①解压
②上传到虚拟机中,elasticsearch的plugin目录
③重启elasticsearch
④测试
详细安装步骤可以参考IK分词器的安装过程。
测试用法如下:
POST /_analyze
{
"text": "如家酒店还不错",
"analyzer": "pinyin"
}
结果:
07、Elasticsearch拼音搜索:自定义分词器
默认的拼音分词器会将每个汉字单独分为拼音,而我们希望的是每个词条形成一组拼音,需要对拼音分词器做个性化定制,形成自定义分词器。
elasticsearch中分词器(analyzer)的组成包含三部分:
- character filters:在tokenizer之前对文本进行处理。例如删除字符、替换字符
- tokenizer:将文本按照一定的规则切割成词条(term)。例如keyword,就是不分词;还有ik_smart
- tokenizer filter:将tokenizer输出的词条做进一步处理。例如大小写转换、同义词处理、拼音处理等
文档分词时会依次由这三部分来处理文档:
声明自定义分词器的语法如下:
PUT /test
{
"settings": {
"analysis": {
"analyzer": { // 自定义分词器
"my_analyzer": { // 分词器名称
"tokenizer": "ik_max_word",
"filter": "py"
}
},
"filter": { // 自定义tokenizer filter
"py": { // 过滤器名称
"type": "pinyin", // 过滤器类型,这里是pinyin
"keep_full_pinyin": false,
"keep_joined_full_pinyin": true,
"keep_original": true,
"limit_first_letter_length": 16,
"remove_duplicated_term": true,
"none_chinese_pinyin_tokenize": false
}
}
}
},
"mappings": {
"properties": {
"name": {
"type": "text",
"analyzer": "my_analyzer",
"search_analyzer": "ik_max_word"
}
}
}
}
测试:
08、搜索实战:实现酒店拼音搜索
只需要3步即可实现酒店拼音搜索
1)删除酒店索引库
DELETE hotel
2)重新构建酒店索引库
PUT /hotel
{
"settings": {
"analysis": {
"analyzer": {
"text_anlyzer": {
"tokenizer": "ik_max_word",
"filter": "py"
}
},
"filter": {
"py": {
"type": "pinyin",
"keep_full_pinyin": false,
"keep_joined_full_pinyin": true,
"keep_original": true,
"limit_first_letter_length": 16,
"remove_duplicated_term": true,
"none_chinese_pinyin_tokenize": false
}
}
}
},
"mappings": {
"properties": {
"id":{
"type": "keyword"
},
"name":{
"type": "text",
"analyzer": "text_anlyzer",
"search_analyzer": "ik_max_word",
"copy_to": "all"
},
"address":{
"type": "keyword",
"index": false
},
"price":{
"type": "integer"
},
"score":{
"type": "integer"
},
"brand":{
"type": "keyword",
"copy_to": "all"
},
"city":{
"type": "keyword"
},
"starName":{
"type": "keyword"
},
"business":{
"type": "keyword",
"copy_to": "all"
},
"location":{
"type": "geo_point"
},
"pic":{
"type": "keyword",
"index": false
},
"all":{
"type": "text",
"analyzer": "text_anlyzer",
"search_analyzer": "ik_max_word"
}
}
}
}
3)执行之前的批量导入酒店数据
完成后,就可以使用拼音搜索酒店啦!
09、Elasticsearch自动补全:自动补全功能
Elasticsearch提供了Completion Suggester查询来实现自动补全功能。这个查询会匹配以用户输入内容开头的词条并返回。为了提高补全查询的效率,对于文档中字段的类型有一些约束:
- 参与补全查询的字段必须是completion类型。
- 字段的内容一般是用来补全的多个词条形成的数组。[“如家酒店”,”如家宾馆”]
比如,一个这样的索引库:
PUT test
{
"mappings": {
"properties": {
"title":{
"type": "completion",
}
}
}
}
然后插入下面的数据:
# 示例数据
POST test/_doc
{
"title": ["Sony","WH-1000XM3"]
}
POST test/_doc
{
"title":["SK-II","PITERA"]
}
POST test/_doc
{
"title":["Nintendo","switch"]
}
查询的DSL语句如下:
“suggest”
// 自动补全查询
GET /test/_search
{
"suggest":{
"title_suggest":{
"text":"s",
"completion":{
"field":"title",
"skip_duplicates":true,
"size":10
}
}
}
10、▲ 搜索实战:搜索关键词自动补全
需求:输入框搜索关键词时自动补全内容(品牌和商圈信息)
1)重构酒店索引库
PUT /hotel
{
"settings": {
"analysis": {
"analyzer": {
"text_anlyzer": {
"tokenizer": "ik_max_word",
"filter": "py"
}
},
"filter": {
"py": {
"type": "pinyin",
"keep_full_pinyin": false,
"keep_joined_full_pinyin": true,
"keep_original": true,
"limit_first_letter_length": 16,
"remove_duplicated_term": true,
"none_chinese_pinyin_tokenize": false
}
}
}
},
"mappings": {
"properties": {
"id":{
"type": "keyword"
},
"name":{
"type": "text",
"analyzer": "text_anlyzer",
"search_analyzer": "ik_max_word",
"copy_to": "all"
},
"address":{
"type": "keyword",
"index": false
},
"price":{
"type": "integer"
},
"score":{
"type": "integer"
},
"brand":{
"type": "keyword",
"copy_to": "all"
},
"city":{
"type": "keyword"
},
"starName":{
"type": "keyword"
},
"business":{
"type": "keyword",
"copy_to": "all"
},
"location":{
"type": "geo_point"
},
"pic":{
"type": "keyword",
"index": false
},
"all":{
"type": "text",
"analyzer": "text_anlyzer",
"search_analyzer": "ik_max_word"
},
"suggestion":{
"type": "completion",
"analyzer": "text_anlyzer",
"search_analyzer": "ik_max_word"
}
}
}
}
2)修改HotelDoc
需要在之前的HotelDoc添加suggestion属性,类型为List , 内容存储品牌和商圈的数值
package cn.itcast.hotel.pojo;
import lombok.Data;
import lombok.NoArgsConstructor;
import java.util.ArrayList;
import java.util.Collections;
import java.util.List;
@Data
@NoArgsConstructor
public class HotelDoc {
private Long id;
private String name;
private String address;
private Integer price;
private Integer score;
private String brand;
private String city;
private String starName;
private String business;
private String pic;
private String all;
private String location;
private Boolean isAD;
//显示坐标距离值
private Object distance;
//用于自动补全的字段
private List<String> suggestion;
public HotelDoc(Hotel hotel) {
this.id = hotel.getId();
this.name = hotel.getName();
this.address = hotel.getAddress();
this.price = hotel.getPrice();
this.score = hotel.getScore();
this.brand = hotel.getBrand();
this.city = hotel.getCity();
this.starName = hotel.getStarName();
this.business = hotel.getBusiness();
this.pic = hotel.getPic();
this.isAD = hotel.getIsAD();
this.location = hotel.getLatitude() + ", " + hotel.getLongitude();
this.all = hotel.getName()+hotel.getAddress()+hotel.getBusiness();
//填充suggestion(品牌,商圈)
this.suggestion = new ArrayList<>();
if(hotel.getBusiness().contains("/")){
String[] arr = hotel.getBusiness().split("/");
this.suggestion.add(hotel.getBrand());
Collections.addAll( this.suggestion, arr);
}else if(hotel.getBusiness().contains("、")){
String[] arr = hotel.getBusiness().split("、");
this.suggestion.add(hotel.getBrand());
Collections.addAll( this.suggestion, arr);
}else{
Collections.addAll( this.suggestion, hotel.getBusiness(),hotel.getBrand());
}
}
}
3)重新导入数据
重新执行之前编写的导入数据功能,可以看到新的酒店数据中包含了suggestion:
4)DSL语句
GET /hotel/_search
{
"size": 0,
"suggest": {
"suggestions": {
"text": "sz",
"completion":{
"field":"suggestion",
"skip_duplicates":true,
"size":10
}
}
}
}
结果显示:
5)API接口说明
接口路径
GET /hotel/suggestion?key=xxx
参数说明
form表单参数
参数 | 说明 | 是否必须 | 数据类型 | 默认值 |
---|---|---|---|---|
key | 搜索关键词 | 是 | String | 无 |
返回结果
json数据
[
"深圳东站",
"深圳北站地区",
"深圳国际会展中心商圈",
......
]
6)Controller
/**
* 搜索时自动补全
*/
@GetMapping("/suggestion")
public List<String> suggestion(@RequestParam String key){
return hotelService.suggestion(key);
}
7)Service
@Override
public List<String> suggestion(String key) {
try {
SearchRequest request = new SearchRequest("hotel");
request.source().size(0);
//添加自动补全条件
request.source().suggest(new SuggestBuilder().addSuggestion("hotelSuggestion",
SuggestBuilders.completionSuggestion("suggestion")
.prefix(key)
.size(10)
.skipDuplicates(true)));
SearchResponse response = highLevelClient.search(request, RequestOptions.DEFAULT);
//取出补全结果
List<String> resultList = new ArrayList<>();
CompletionSuggestion hotelSuggestion = response.getSuggest().getSuggestion("hotelSuggestion");
List<CompletionSuggestion.Entry.Option> options = hotelSuggestion.getOptions();
for(CompletionSuggestion.Entry.Option option:options){
resultList.add(option.getText().string());
}
return resultList;
} catch (IOException e) {
e.printStackTrace();
throw new RuntimeException(e);
}
}
效果如下:
11、△ * 数据同步:同步方案分析
常见的数据同步方案有三种:
- 同步调用
- 异步通知
- 监听binlog
1)同步调用
方案一:同步调用
基本步骤如下:
- hotel-demo对外提供接口,用来修改elasticsearch中的数据
- 酒店管理服务在完成数据库操作后,直接调用hotel-demo提供的接口,
2)异步通知
方案二:异步通知
流程如下:
- hotel-admin对mysql数据库数据完成增、删、改后,发送MQ消息
- hotel-demo监听MQ,接收到消息后完成elasticsearch数据修改
3)Canal监听binlog
方案三:监听binlog
流程如下:
- 给mysql开启binlog功能
- mysql完成增、删、改操作都会记录在binlog中
- hotel-demo基于canal监听binlog变化,实时更新elasticsearch中的内容
4)优缺点分析
方式一:同步调用
- 优点:实现简单,粗暴
- 缺点:业务耦合度高
方式二:异步通知
- 优点:低耦合,实现难度一般
- 缺点:依赖mq的可靠性
方式三:监听binlog
- 优点:完全解除服务间耦合
- 缺点:开启binlog增加数据库负担、实现复杂度高,还有就是只能在MySQL中使用;
12、数据同步:导入酒店管理后台项目
1)安装RabbitMQ
- 拉取rabbitmq镜像
docker pull rabbitmq:management
创建并运行容器
docker run -di --name=myrabbit -e RABBITMQ_DEFAULT_USER=admin -e RABBITMQ_DEFAULT_PASS=admin -p 15672:15672 -p 5672:5672 -p 25672:25672 -p 61613:61613 -p 1883:1883 rabbitmq:management
15672: http端口,UI界面访问端口
5672:tcp端口,用于各类语言API整合端口其它容器命令
docker start myrabbit 启动 docker stop myrabbit 暂停 docker restart myrabbit 重启 docker logs -f myrabbit 查看启动日志
- 访问RabbitMQ管理控制台: http://192.168.66.133:15672
默认账户:root/root
2)导入项目
导入课前资料提供的hotel-admin项目:
运行后,访问 http://localhost:8099
其中包含了酒店的CRUD功能:
13、数据同步:创建交换机和队列
MQ结构如图:
FANOUT: 没有routingKey
DIRECT: 有固定的routingKey
TOPIC:有通配规则的routingKey
1)引入依赖和配置
在hotel-admin、hotel-demo中引入rabbitmq的依赖:
<!--amqp-->
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-amqp</artifactId>
</dependency>
在hotel-admin、hotel-demo中application.yml添加RabbitMQ配置
spring:
rabbitmq:
host: 192.168.66.133
port: 5672
virtual-host: /
username: admin
password: admin
2)声明队列交换机名称
在hotel-admin和hotel-demo中的cn.itcast.hotel.constatnts
包下新建一个类MqConstants
:
package cn.itcast.hotel.constants;
public class MQConstants {
/**
* 交换机
*/
public final static String HOTEL_EXCHANGE = "hotel.topic";
/**
* 监听新增和修改的队列
*/
public final static String HOTEL_INSERT_QUEUE = "hotel.insert.queue";
/**
* 监听删除的队列
*/
public final static String HOTEL_DELETE_QUEUE = "hotel.delete.queue";
/**
* 新增或修改的RoutingKey
*/
public final static String HOTEL_INSERT_KEY = "hotel.insert";
/**
* 删除的RoutingKey
*/
public final static String HOTEL_DELETE_KEY = "hotel.delete";
}
3)声明队列交换机
在hotel-demo中,定义配置类,声明队列、交换机:
package cn.itcast.hotel.config;
import cn.itcast.hotel.constants.MQConstants;
import org.elasticsearch.index.query.QueryBuilders;
import org.springframework.amqp.core.*;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
/**
* 声明交换机和队列
*/
@Configuration
public class RabbitConfig {
/**
* 创建交换机
*/
@Bean
public TopicExchange createExchnage(){
return new TopicExchange(MQConstants.HOTEL_EXCHANGE,true,false);
}
/**
* 创建insert、update队列
*/
@Bean
public Queue createInsertQueue(){
return QueueBuilder.durable(MQConstants.HOTEL_INSERT_QUEUE).build();
}
/**
* 创建delete队列
*/
@Bean
public Queue createDeleteQueue(){
return QueueBuilder.durable(MQConstants.HOTEL_DELETE_QUEUE).build();
}
/**
* insert、update队列绑定交换机
*/
@Bean
public Binding bindInsertQueue(){
/**
* bind: 指定绑定队列
* to:绑定到哪个交换机
* with: 指定绑定routingKey
*/
return BindingBuilder.bind(createInsertQueue()).to(createExchnage()).with(MQConstants.HOTEL_INSERT_KEY);
}
/**
* delete队列绑定交换机
*/
@Bean
public Binding bindDeleteQueue(){
/**
* bind: 指定绑定队列
* to:绑定到哪个交换机
* with: 指定绑定routingKey
*/
return BindingBuilder.bind(createDeleteQueue()).to(createExchnage()).with(MQConstants.HOTEL_DELETE_KEY);
}
}
14、数据同步:生产者发送MQ消息
在hotel-admin中的增、删、改业务中分别发送MQ消息:
@PostMapping
public void saveHotel(@RequestBody Hotel hotel){
hotelService.save(hotel);
rabbitTemplate.convertAndSend(MQConstants.HOTEL_EXCHANGE,MQConstants.HOTEL_INSERT_QUEUE,hotel.getId());
}
@PutMapping()
public void updateById(@RequestBody Hotel hotel){
if (hotel.getId() == null) {
throw new InvalidParameterException("id不能为空");
}
hotelService.updateById(hotel);
rabbitTemplate.convertAndSend(MQConstants.HOTEL_EXCHANGE,MQConstants.HOTEL_INSERT_KEY,hotel.getId());
}
@DeleteMapping("/{id}")
public void deleteById(@PathVariable("id") Long id) {
hotelService.removeById(id);
rabbitTemplate.convertAndSend(MQConstants.HOTEL_EXCHANGE,MQConstants.HOTEL_DELETE_KEY,id);
}
15、数据同步:消费者监听MQ消息更新索引
hotel-demo接收到MQ消息要做的事情包括:
- 新增消息:根据传递的hotel的id查询hotel信息,然后新增一条数据到索引库
- 删除消息:根据传递的hotel的id删除索引库中的一条数据
1)首先在hotel-demo的cn.itcast.hotel.service
包下的IHotelService
中新增新增、删除业务
void deleteById(Long id);
void insertById(Long id);
2)给hotel-demo中的cn.itcast.hotel.service.impl
包下的HotelService中实现业务:
@Override
public void insertById(Long id) {
try {
Hotel hotel = getById(id);
HotelDoc hotelDoc = new HotelDoc(hotel);
String json = mapper.writeValueAsString(hotelDoc);
IndexRequest request = new IndexRequest("hotel").id(hotelDoc.getId().toString());
request.source(json, XContentType.JSON);
highLevelClient.index(request,RequestOptions.DEFAULT);
} catch (Exception e) {
e.printStackTrace();
throw new RuntimeException(e);
}
}
@Override
public void deleteById(Long id) {
try {
DeleteRequest request = new DeleteRequest("hotel").id(id.toString());
highLevelClient.delete(request,RequestOptions.DEFAULT);
} catch (Exception e) {
e.printStackTrace();
throw new RuntimeException(e);
}
}
3)编写监听器
在hotel-demo中的cn.itcast.hotel.listener
包新增一个类:
package cn.itcast.hotel.listener;
import cn.itcast.hotel.constants.MQConstants;
import cn.itcast.hotel.pojo.Hotel;
import cn.itcast.hotel.pojo.HotelDoc;
import cn.itcast.hotel.service.IHotelService;
import com.fasterxml.jackson.core.JsonProcessingException;
import com.fasterxml.jackson.databind.ObjectMapper;
import lombok.extern.slf4j.Slf4j;
import org.elasticsearch.action.delete.DeleteRequest;
import org.elasticsearch.action.delete.DeleteResponse;
import org.elasticsearch.action.index.IndexRequest;
import org.elasticsearch.action.index.IndexResponse;
import org.elasticsearch.client.RequestOptions;
import org.elasticsearch.client.RestHighLevelClient;
import org.elasticsearch.common.xcontent.XContentType;
import org.springframework.amqp.rabbit.annotation.RabbitListener;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Component;
/**
* MQ消息监听
*/
@Component
@Slf4j
public class HotelListener {
@Autowired
private IHotelService hotelService;
private ObjectMapper mapper = new ObjectMapper();
@Autowired
private RestHighLevelClient highLevelClient;
/**
* 处理insert/update消息
*/
@RabbitListener(queues = MQConstants.HOTEL_INSERT_QUEUE)
public void handlerInsertMsg(Long id){
try {
//更新文档
Hotel hotel = hotelService.getById(id);
//2.把Hotel转换为HotelDoc
HotelDoc hotelDoc = new HotelDoc(hotel);
//3.转换成json字符串
String hotelJson = mapper.writeValueAsString(hotelDoc);
//4.创建操作请求
IndexRequest request = new IndexRequest("hotel").id(hotelDoc.getId().toString()).source(hotelJson, XContentType.JSON);
//5.执行请求
IndexResponse response = highLevelClient.index(request, RequestOptions.DEFAULT);
log.info("索引导入成功,id:{}",hotel.getId());
} catch (Exception e) {
e.printStackTrace();
throw new RuntimeException(e);
}
}
/**
* 处理delete消息
*/
@RabbitListener(queues = MQConstants.HOTEL_DELETE_QUEUE)
public void handlerDeleteMsg(Long id){
try {
DeleteRequest request = new DeleteRequest("hotel").id(id.toString());
//2.执行请求
DeleteResponse response = highLevelClient.delete(request, RequestOptions.DEFAULT);
log.info("索引移除成功,id:{}",id);
} catch (Exception e) {
e.printStackTrace();
throw new RuntimeException(e);
}
}
}
16、Elasticsearch集群:集群及相关概念
目标:理解什么是集群、分布式
- 集群:多个人做一样的事。
- 分布式:多个人做不一样的事。
说明:在一个系统中,往往分布式和集群是并存的。
- 节点(node) :集群中的一个 Elasticearch 服务实例。在Elasticsearch中,节点的类型主要分为如下三种:
- master eligible节点:有资格参加选举成为Master的节点,默认为true(可以通过node.master: false设置)。
- data节点:保存数据的节点,默认为true(可以通过node.data: false设置)。
- Coordinating 节点:客户端节点。负责接收客户端请求,将请求发送到合适的节点,最终把结果汇集到一起返回,默认为true。
- 集群(cluster):一组拥有相同集群名称的节点,集群名称默认是elasticsearch。
- 索引(index) :es存储数据的地方,相当于关系数据库中的database。
- 分片(shard):索引库可以被拆分为不同的部分进行存储,称为分片。在集群环境下,一个索引库的不同分片可以拆分到放到不同的节点中,分片的好处有如下两点。
- 提高查询性能(多个节点并行查询)
- 提高数据安全性(鸡蛋不要放在一个篮子里)
- 主分片(Primary shard):相对于副本分片的定义。
- 副本分片(Replica shard):即对主分片数据的备份,每个主分片可以有一个或者多个副本,数据和主分片一样,副本的好处有如下两点:
- 数据备份,防止数据丢失
- 一定程度提高查询的并发能力(同一份完整的索引库的数据,分成了两份,都可以查询)
说明:主分片和副本分片永远不会分配在同一个节点上
17、Elasticsearch集群:搭建集群环境
为了方便搭建ES集群,我们采用docker-compose方式
1)创建相应目录(已完成)
在/root/es-cluster目录下创建以下目录
mkdir -p es01/data
mkdir -p es01/logs
mkdir -p es02/data
mkdir -p es02/logs
mkdir -p es03/data
mkdir -p es03/logs
mkdir -p kibana_config
2)创建配置文件(已完成)
创建docker-compose.yml
version: '3'
services:
es01:
image: elasticsearch:7.4.0
container_name: es01
environment:
- node.name=es01
- cluster.name=es-docker-cluster
- discovery.seed_hosts=es02,es03
- cluster.initial_master_nodes=es01,es02,es03
- bootstrap.memory_lock=true
- "ES_JAVA_OPTS=-Xms512m -Xmx512m"
ulimits:
memlock:
soft: -1
hard: -1
volumes:
- ./es01/data:/usr/share/elasticsearch/data
- ./es01/logs:/usr/share/elasticsearch/logs
- ./elasticsearch.yml:/usr/share/elasticsearch/config/elasticsearch.yml
ports:
- 9201:9200
networks:
- elastic
es02:
image: elasticsearch:7.4.0
container_name: es02
environment:
- node.name=es02
- cluster.name=es-docker-cluster
- discovery.seed_hosts=es01,es03
- cluster.initial_master_nodes=es01,es02,es03
- bootstrap.memory_lock=true
- "ES_JAVA_OPTS=-Xms512m -Xmx512m"
ulimits:
memlock:
soft: -1
hard: -1
volumes:
- ./es02/data:/usr/share/elasticsearch/data
- ./es02/logs:/usr/share/elasticsearch/logs
- ./elasticsearch.yml:/usr/share/elasticsearch/config/elasticsearch.yml
ports:
- 9202:9200
networks:
- elastic
es03:
image: elasticsearch:7.4.0
container_name: es03
environment:
- node.name=es03
- cluster.name=es-docker-cluster
- discovery.seed_hosts=es01,es02
- cluster.initial_master_nodes=es01,es02,es03
- bootstrap.memory_lock=true
- "ES_JAVA_OPTS=-Xms512m -Xmx512m"
ulimits:
memlock:
soft: -1
hard: -1
volumes:
- ./es03/data:/usr/share/elasticsearch/data
- ./es03/logs:/usr/share/elasticsearch/logs
- ./elasticsearch.yml:/usr/share/elasticsearch/config/elasticsearch.yml
ports:
- 9203:9200
networks:
- elastic
kibana01:
image: kibana:7.4.0
container_name: kibana01
links:
- es01
- es02
- es03
ports:
- 5602:5601
volumes:
- ./kibana_config/:/usr/local/kibana/config/
environment:
ELASTICSEARCH_HOSTS: http://es01:9200
networks:
- elastic
networks:
elastic:
driver: bridge
创建elasticsearch.yml文件
network.host: 0.0.0.0
http.cors.enabled: true
http.cors.allow-origin: "*"
3)修改目录文件权限(已完成)
sudo chown -R 1000:1000 /root/es-cluster/
4)运行docker-compose命令
进入/root/es-cluster目录下,执行以下名称
docker-compose up -d
如果需要停止则输入
docker-compose down
5)安装cerebro监控ES集群
docker search cerebro
docker pull yannart/cerebro
docker run -d --name cerebro -p 9000:9000 yannart/cerebro
访问:http://192.168.66.133:9000/
6)创建索引库
创建一个test索引库,指定分片数为3,副本数为1
PUT test
{
"settings": {
"number_of_shards": 3
, "number_of_replicas": 1
}
}
18、* Elasticsearch集群:JavaAPI操作集群
目标:掌握如何使用javaApi操作集群
1)spring-boot-data-elasticsearch,修改yml配置即可
spring:
elasticsearch:
rest:
uris: http://192.168.66.133:9201,http://192.168.66.133:9202,http://192.168.66.133:9203
2)运行导入数据的方法
发现可以正常导入数据到ES
19、Elasticsearch集群:路由原理
目标:理解ES中路由的原理
- 文档存入对应的分片,ES计算分片编号的过程,称为路由。
- Elasticsearch 是怎么知道一个文档应该存放到哪个分片中呢?
- 查询时,根据文档id查询文档, Elasticsearch 又该去哪个分片中查询数据呢?
- 路由算法 :shard_index(分片编号) = hash(文档id) % number_of_primary_shards(主分片个数)
假设有三个节点,三个主分片,三个副本分片
现在有个 id=5 文档要进行存储,会先会id进行hash运算得到一个数字17,17对3(分片数量)取模运算:17 % 3 = 2
最终决定存储在编号为2的分片上,即放到ES-node-3上,并且在ES-node-2节点上的副本分片上进行数据备份。
当要查询 id = 5 的文档,同样也要先进行hash计算,计算分片位置,路由到对应的分片进行数据查询。
说明:任何一个节点收到查询请求后,如果是一些词条搜索,也会根据倒排索引找到对应的id集合,再分别计算每个id的hash值,所存储的分片位置,再转发请求到分片所在的节点,最终汇总查询结果。
20、Elasticsearch集群:脑裂问题
目标:理解何为脑裂以及如何防止脑裂
何为脑裂?
- 一个正常es集群中只有一个主节点(Master),主节点负责管理整个集群。如创建或删除索引,并决定哪些分片分配给哪些节点。此外还跟踪哪些节点是集群的一部分。
- 脑裂就是一个集群出现多个主节点从而使集群分裂,使得集群处于异常状态。简单来说就是一个集群里只能有一个老大来指挥工作,如果有多个老大,就乱套了。
脑裂原因
- 网络原因:网络延迟
一般es集群会在内网部署,也可能在外网部署,比如阿里云。
内网一般不会出现此问题,外网的网络出现问题的可能性大些。 - 节点负载
主节点的角色既为master又为data。数据访问量较大时,可能会导致Master节点停止响应(假死状态)。 - JVM内存回收
当Master节点设置的JVM内存较小时,引发JVM的大规模内存回收,造成ES进程失去响应
避免脑裂
脑裂产生的原因:
- 网络原因:网络延迟较高
- 节点负载:主节点的角色既为master又为data
- JVM内存回收:JVM内存设置太小
避免脑裂:
- 网络原因:discovery.zen.ping.timeout 超时时间配置大一点。默认是3S
- 节点负载:角色分离策略
- 主节点配置:
node.master: true # 是否有资格参加选举成为master node.data: false # 是否存储数据
- 主节点配置:
- 数据节点配置:
node.master: false # 是否有资格参加选举成为master node.data: true # 是否存储数据
- JVM内存回收:修改 config/jvm.options 文件的 -Xms 和 -Xmx 为服务器的物理内存一半。
- 还可以在选举层面解决脑裂问题(即不让第二个老大产生):
# 声明获4得大于几票,主节点才有效,请设置为(master eligble nodes / 2) + 1 discovery.zen.minimum_master_nodes: 2
比如上面存在8个节点(假如都是master eligble节点),那需要设置discovery.zen.minimum_master_nodes: 5,代表至少5票投某个节点,才有效。如果某个时刻两个机房网络中断了,右边的机房里四个节点揭竿而起从新选举,也不够票数。
21、Elasticsearch集群:故障迁移
集群的master节点会监控集群中的节点状态,如果发现有节点宕机,会立即将宕机节点的分片数据迁移到其它节点,确保数据安全,这个叫做故障转移。
1)例如一个集群结构如图:
现在,node1是主节点,其它两个节点是从节点。
2)突然,node1发生了故障:
docker-compose stop es01
宕机后的第一件事,需要重新选主,例如选中了node2:
node2成为主节点后,会检测集群监控状态,发现:shard-1、shard-0没有副本节点。因此需要将node1上的数据迁移到node2、node3: