一、概念

什么是搜索？
从数据库查询。
我们在百度搜索一个关键字，或者在京东淘宝搜索一个商品，这些系统的后台怎么处理？
这些系统会将我们的搜索内容进行拆分，然后将拆分出来的一些词作为关键字，从“数据库”查询对应的信息，并且展示。
**

什么是索引？

image.png
MySQL的索引实现方式是：B+Tree。

索引库
Elasticsearch就是一个搜索引擎，主要就是管理索引。检索速度非常快。
常见的搜索引擎：solr和Elasticsearch。
如果项目中需要大数据量的检索，不要犹豫直接使用搜索引擎，会大幅度提高响应时间。

Elasticsearch简介

Lucene
image.png

倒排索引
image.png**
例子
image.png
要检索关键字：“洋河”。。。。。。
数据库的做法（传统做法）：从第一条数据开始查询，判断关键字是否在text1这列中存在，如果存在就返回这行数据。
倒排索引：建立一个索引记录
image.pngimage.png

Kibana

image.png
**

和Elasticsearch的交互

官方给出的标题：RESTFul API with JSON over HTTP 翻译就是：基于HTTP的带有JSON的restfulapi
其他语言可以使用 RESTful API 通过端口 9200 和 Elasticsearch 进行通信，你可以用 web 客户端访问 Elasticsearch 。事实上，正如你所看到的，你甚至可以使用 curl 命令来和 Elasticsearch 交互。
tip：
①所有的访问都是基于HTTP协议。
②API接口都是RESTful风格。
③所有的数据格式都是json。（请求参数，响应的数据）
关于RESTfull的说明

method url 说明
POST http://192.168.96.138:9200/indexnam/typeName/docId 给指定的索引添加一个文档（一行记录），并且指定文档的id
POST http://192.168.96.138:9200/indexnam/typeName 给指定的索引添加一个文档（一行记录），并且生成随机的id
PUT http://192.168.96.138:9200/indexnam/typeName/docId 更新指定ID的文档信息
PUT http://192.168.96.138:9200/indexnam/typeName/docId/_created 使用PUT请求新增一个文档信息
POST http://192.168.96.138:9200/indexnam/typeName/docId/_update 使用POST更新指定ID的文档信息
DELETE http://192.168.96.138:9200/indexnam/typeName/docId 删除指定ID的文档信息
GET http://192.168.96.138:9200/indexnam/typeName/docId 查询指定ID的文档信息

理论：
POST请求：表示增加数据（索引，文档）
GET请求：查询数据
PUT请求：更新（修改）
DELETE请求：删除数据
案例：
新增一个索引： 相当于以前数据库的一个insert
image.png
①请求的方式是POST，表示新增
②users新增的索引的名字。
③student是新增的类型的名字。
④ 指定的文档（一行记录）的id。（如果不指定，就会生成一个随机的id）
⑤我们要新增的索引的数据（JSON格式）。
⑥点击发送请求的按钮。
⑦服务器响应的结果（JSON格式）。

ES中的一些概念

什么是索引？

你可以将索引理解为一个数据库。
创建一个索引就相当于创建了一个库。
类型
你可以将类型理解为一张数据表。
相当于一张数据表，或者一个实体类。
一个索引只能有一个类型。
文档
可以理解为数据表中的一条记录
添加一个文档：
image.png
再给studet添加一条记录（ID随机）
image.png
tips：一个索引只能有一个类型。


分词器

搜索引擎的主要功能：
1：分词 ： 搜索引擎会自动将索引内容进行分词，并且对要检索的内容进行分词。
2 ：检索。
默认情况下ES是按照英文分词的。
image.png
如果是中文那就是按照一个字一个字的分割
ES本身不支持中文分词，需要自己配置专门的中文分词器。下载对应的中文分词器,下载的时候，要注意版本的对应。

安装中文分词器

linux中解压zip，需要安装 unzip命令.

yum install -y unzip zip

进入目录：

cd /opt/elasticsearch-7.6.2/plugins

创建一个目录ik （当然也可以不叫ik）并将文件解压到对应的ik目录

[root@localhost plugins]# mkdir ik [root@localhost plugins]# cd ../../ [root@localhost opt]# unzip -d /opt/elasticsearch-7.6.2/plugins/ik/ elasticsearch-analysis-ik-7.6.2.zip

重启ES和kibana

重启过程中就会发现加载分词器：
再测试，测试时指定分词器：
IK分词器有两个分词策略
[1]ik_smart： 最小分词。 （将一句话里面的词语分到最小单位）
image.png
[2]ik_max_word：最多分词。 （按照各种不通的方式组织词语进行分词）
image.png
这个分词器中有些词是不认识的。
查看分词器的配置文件：（在windows下解压查看）
image.png
IKAnalyzer.cfg.xml文件：

  1. <?xml version="1.0" encoding="UTF-8"?>
  2. <!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
  3. <properties>
  4.     <comment>IK Analyzer 扩展配置</comment>
  5.     <!--用户可以在这里配置自己的扩展字典 -->
  6.     <entry key="ext_dict"></entry>
  7.      <!--用户可以在这里配置自己的扩展停止词字典-->
  8.     <entry key="ext_stopwords"></entry>
  9.     <!--用户可以在这里配置远程扩展字典 -->
  10.     <!-- <entry key="remote_ext_dict">words_location</entry> -->
  11.     <!--用户可以在这里配置远程扩展停止词字典-->
  12.     <!-- <entry key="remote_ext_stopwords">words_location</entry> -->
  13. </properties>

我们自己编写一个扩展词典，放入我们自己的词语
我们准备一个扩展词典和终止符词典：
image.png
将这两个文件上传到ik分词器的config中：
image.png
在IKAnalyzer.cfg.xml配置：

<?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">st_ext_word.dic</entry>
     <!--用户可以在这里配置自己的扩展停止词字典-->
    <entry key="ext_stopwords">st_stop_word.dic</entry>
    <!--用户可以在这里配置远程扩展字典 -->
    <!-- <entry key="remote_ext_dict">words_location</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>

将st_ext_word.dic和IKAnalyzer.cfg.xml上传到linux中，覆盖linux中原有的文件
重启ES和Kibana


基本的命令

_cat命令
image.png

查看集群的健康状态
image.png
三个颜色：
green：有主备份。数据完整，而且高可用。
yellow：有主，但是没有备份，数据完成。
red：数据都不完整。

查看节点信息：
image.png

创建文档

添加一条记录。如果索引库存在就直接给对应的索引库中添加文档，如果不存在就创建所以库并且添加索引。
使用POST请求完成索引的添加：
image.png

post 请求方式 /ninja 索引的名字是：ninja /_doc 索引的数据类型，这里使用默认的 /3 指定id为3 如通过不指定id会生成一个随机的id {….} 文档数据（json格式）

PUT方法本来是用来修改的，但是我们在使用的时候，如果数据不存在则就是添加，但是put方法必须指定id
image.png

删除文档

根据文档的ID删除。 使用方法DELETE
image.png
**

更新文档

使用PUT命令进行更新
跟新基本信息：
image.png
tips：版本自动升级，其他的属性就全部被更新掉了。
使用POST新增时，如果ID是存在，就完成更新操作。
image.png
tips：文档的更新，永远都会保持最新的版本。
**

查询

根据ID查询具体的文档
使用GET请求完成查询：
image.png
返回的json格式的数据中的，_sorces中存储的就是我们要的结果。

查询所有的文档

image.png

按照条件查询

按照匹配分数排序。
image.png

高级查询

[1]基本查询

语法：
GET /indexName/[type/]_search
上面的语法默认是查询全部。 其中的type是非必须的。

[2]按照字段匹配查询(metch)

语法：

GET /indexName/_search
{
    query:{
        match:
            {"fieldName":"value"}
    }
}

image.png

[3]多条件查询-多个查询关键字

当一个字段，有多个关键字的时候，可以使用空格隔开，匹配度最高排前面
语法：
image.png

[4]组合查询（and）

同时满足：userName和skill两个查询条件。
语法：
image.png

[5]组合查询[or]

满足其中一个即可 使用关键字should。
语法：
image.png

上面的案例都是逻辑运算，我们可以按照java中的逻辑运算符理解：
image.png
通过伪代码理解：

if(username.eq(“西”) || skill.eq(“手”) || (username.eq(“佐”) && skill.eq(“千”)))

理解之后，就不难发现，这个其实可以一直嵌套下去。

[6]逻辑非（！）必须不能有

image.png

[7]条件过滤

（数字范围查询） 这里使用filter关键字
语法：

range 查询可同时提供包含（inclusive）和不包含（exclusive）这两种范围表达式，可供组合的选项如下： gt : > 大于（greater than） lt : < 小于（less than） gte : >= 大于或等于（greater than or equal to） lte : <= 小于或等于（less than or equal to）

image.png
日期范围的查询：

“range” : { “timestamp” : { “gt” : “2014-01-01 00:00:00”, “lt” : “2014-01-07 00:00:00” } }

**

[8]指定要显示的数据属性

相当于MySQL中的：select 指定列名. …
image.png

[9]高亮查询

百度的查询结果中，关键字红色的实现是在关键在的两边添加em标签。
从索引库查询出来的数据就可以直接他添加对应的标签。
通过highlight设置高亮显示的列，查询结果就会有高亮显示的效果。
ES不修改原有的查询结果，只是新增了高亮显示的查询结果。
image.png

[10]精确查询

使用term就是将查询的关键字作为一个整体进行查询。
所以往往用来查询:数字，布尔，日期 文本（无法拆分）
我们现在使用term是查询不到任何信息的，是因为我们存储的数据没有使用ik分词器，所以即使我们使用的关键字是一个整体，但是索引库中拆分的关键字是一个个的单独的文字。
image.png

自定义类型

我们正常的添加一个文档到索引库：
image.png
索引库或自动判断数据类型，并且进行索引的建立。
其实我们可以指定类型，就好像创建一个数据表一样
ES中的操作：
image.png
上面的操作就是在索引库中创建一个索引 emp

① 索引的名字 ② 设置这个索引的属性（列） ③ 设置empName和empSkill都是text类型，并且使用ik分词器。 ④ utag 设置关键字。 设置为关键字的列，不会被拆分。完全作为一个整体。

添加几条数据：
image.png