1.优点 ：
①简化 Luence API的复杂操作
②轻松横向扩展 （支持集群，需要多少个es查询器，就配置几个节点即可，node.name: xxx,....）
③其实就是 集合 ： 全文检索，数据分析，分布式部署 为一体 就形成了 ES。
应用场景 ： 全文检索，复杂数据分析，同义词处理，相关度排名，海量数据的近实时处理。
启动步骤：
①先cmd去到head 目录, grunt server ,启动head插件
②直接.bat启动 elastaticSearch 服务
2.elasticSearch.yml 在设置参数的时候，后边一定要有空格！
cluster.name: kaven-test #设置集群的名称
node.name: master #当前elasticSearch节点的名称
network.host: xxx #监听的地址 host
http.port: 9200 #端口
对于集群里的子ES，一定要配上以下配置，否则找不到指挥官master 。
#增加新的参数，这样head插件就可以访问 es
http.cors.enabled: true
http.cors.allow-origin: "*"
ES的基本概念 ：
Index （索引），即mysql中的数据库，index必须小写。
Type（逻辑分组），即数据库中的表
Document(文档)【JSON 格式】，即数据库中的行
Node（节点）,Cluster(集群)，一个集群由一个唯一的名字标识 。 一个集群下的多个节点，通过 这个集群的唯一标识来加入集群。
切记 ： systemctl status firewalld [确保 firewalld是关闭] 与 chkconfig iptables off [确保 iptables 是关闭]
elasticsearch.yml 配置 ：
network.host: 0.0.0.0 # 指定哪些IP 可以访问es ,【0.0.0.0表示任何ip都可以访问】 【只有设置了 network.host ，程序里 才能直接用9300来连接 ES 】
cluster.name :KAVEN-CLUSTER # 集群名称 ,同个集群中所有节点node，集群名称必须相同
node.name : node1 # 每个节点都有各自唯一的 node 名称
【
http.cors.enabled: true
http.cors.allow-origin: "*"
】 #设置跨域访问
3.增删改查 操作 ：
创建索引：
增：ip:9200/index/type/1 （PUT） 【指定ID 插入数据】
jsonBody
ip:9200/index/type （POST）【系统生成ID插入数据】
改 ：ip:9200/index/type/id (POST)
doc（修改的内容） ：
删除索引：
简单查询 ：ip:9200/index/type/id （GET）
带条件查询(POST)：
http://ip:9200/index/type/_search
-- 查询所有，从一条开始，只查两条数据
{
"query":{
"match_all":{}
},
"from":1,
"size":2
}
排序查找关键字 ：
-- 精确匹配
解释 ：author字段必须是完全匹配 kaven 才会显示出来
term : term的意思就是过滤条件 ，查询条件 ,而且是文档中必须包含整个搜索的词汇。
term 与 match的区别在于 ：
term 【精确查询】 :不采用分词器查询。
match 【模糊查询】:采用分词器 查询。
比如：查询“我的宝马多少速度”，term 就会直接以整个"我的宝马多少速度"去文档中寻找匹配。而 match 会使用分词器，将该串分为"我的" ， "宝马","多少","速度" ，去文档中寻找是否有与这四个词其一匹配的 ，有一个匹配，该数据就会显示。
{
"query":{
"term":{
"author" : "kaven"
}
}
}
-- 关键词 模糊 查询 (POST)：
注意 ： 匹配的时候，会分为两个词：ElasticSearch，入门，凡是有这个两个词的都会显示出来。
{
"query":{
"match":{
"title" : "ElasticSearch入门"
}
}
}
-- 排序 查询 ,按 publish_date 降序排序(POST)：
{
"query":{
"match":{
"title" : "ElasticSearch"
}
},
"sort":[
{"publish_date":{"order" : "desc"}}
]
}
-- 聚合查询 (POST)：
分组 ：
解释 ： group_by_word_count-> 分组聚合的名称 ， world_count,publish_date ->以该这两个字段 分别 分组
{
"aggs":{
"group_by_country":{
"terms":{
"field":"country"
}
}
}
}
统计：
可以统计出 最大最小值等信息
{
"aggs" : {
"grades_by_word_count":{
"stats":{
"filed" :"world_count"
}
}
}
}
-- 高级查询 ：
子条件查询 ：
精确整个词 （总体来说是模糊搜索）匹配：（也就是说要所有词都包括，而且按顺序） 【可以查出 yes , you are find me completely ！】
{
"query":{
"match_phrase":{
"title" : "find me completely"
}
},
"from":1,
"size":2
}
多字段 的【精确】匹配查询 ：
解释： 字段：author 或者 title 只要有一个 包含有 Man词 ，就会显示出来
{
"query":{
"multi_match": {
"query": "kaven",
"fields": [ "author", "title" ]
}
}
}
查询所有字段 ， 可匹配 多个词 查询 ：
解释： 任何字段 只要包含 ElasticSearch 或者Python 的 都会显示出来
{
"query":{
"query_string":{
"query" : "(ElasticSearch) OR (Python) "
}
}
}
查询指定字段 ， 可匹配 多个词 查询 ：
解释： 字段 title 和 name 包含 ElasticSearch 或者Python 的 都会显示出来
{
"query":{
"query_string":{
"query" : "(ElasticSearch) OR (Python) ",
"field" : ["title" , "name"]
}
}
}
范围查询 ：
查找字段 read_count ，范围是 大于等于1000，小于等于2000的数据
{
"query":{
"range" :{
"read_count":{
"gte": 1000,
"lte" : 2000
}
}
}
}
---Filter Context :
filter 相比于 query :
①filter 相对于 query 会比较快一些，因为第一次查询的结果会进行缓存。
②filter 只查询出结果，但是query不仅查询出结果，还会计算出 相关度。
解释 ： 查询 字段word_count 为1000 的 数据，
term : 完全匹配
{
"query" : {
"bool" : {
"filter" : {
"term" : {
"word_count" : 1000
}
}
}
}
}
--复合条件查询：
-- 固定分数查询：
解释 ：查询出来的结果 ，分数_score都是 固定为 2
{
"query":{
"constant_score" :{
"filter":{
"match":{
"title" : "ElasticSearch"
}
},
"boost" : 2
}
}
}
-- 布尔 查询 （联合查询）：
should 查询 ：
解释 ：也称为或查询，只要 author 包含kaven 或者 title 包含book，就会显示。
{
"query":{
"bool" :{
"should":[
{
"match" :{
"author" :"kaven"
}
},
{
"match" :{
"title" :"book"
}
}
]
}
}
}
-- must查询 ：
解释 ：也称为 与查询，只要 author 包含kaven 而且 title 包含book，就会显示。
{
"query":{
"bool" :{
"must":[
{
"match" :{
"author" :"kaven"
}
},
{
"match" :{
"title" :"book"
}
}
]
}
}
}
-- 过滤 + must 查询:
解释 ：字段 author 必须包含kaven 且 title 必须包含book，且过滤剩下word_count 为 1000的 数据。
{
"query":{
"bool" :{
"must":[
{
"match" :{
"author" :"kaven"
}
},
{
"match" :{
"title" :"book"
}
}
],
"filter":[
{
"term" :{
"word_count":1000
}
}
]
}
}
}
must_not查询 ：
查询 author 不是 kaven的数据
{
"query":{
"bool" :{
"must_not":{
"term":{
"author":"kaven"
}
}
}
}
}
--- 用java实现ES功能的时候（BUG： None of the configured）
切记 除了集群名，端口号外，还有就是必须得是5.x以上的版本，2.x就有这个问题！！！
--- ElastaticSearch 与 mysql 实现同步 ：
使用第三方插件：go-mysql-elasticsearch
配置：
主要配置好，Mysql的连接，es的连接即可。
原理 ：
如果是第一次启动该程序，首先会使用mysqldump 对 源mysql 数据库 进行一次全量同步，通过 es client 执行写入数据到ES。然后实现了 一个 Mysql client，作为 slave 数据库 连接到 源 数据库（master）。之后如果有对源数据库进行改动，master数据库会通过binlog event 同步给 slave 数据库，binlog event获取到改动的内容 写入ES。
中文分词器 ：IKAnalyzer
简历 带分词器 的索引
analyzer: 分词器 【ik_max_word 是最细粒度分词】
search_analyzer: 分词规则
ElasticSearch 集群 ：
一。ElasticSearch的数据存储机制 - 分片备份 Shard【分片就是对数据切分成多个部分】。 正因为分片的存在，集群上的某台机子宕机了，其他的机器也可以访问该机器的数据。
分片 ： ES 上的索引 就是分片存储的，ES默认会把一个索引分出 5 片 ，数据保存在分片内，片数是可以自定义的。 当ES 的集群扩大或缩小的时候，各个节点会进行 分片的 迁移，这样就让各个节点都能访问到所有的数据。
副本 ：副本就是对原分片的复制，和原分片的内容是一样的。这时，需要将某个分片的副本存在其他的机器上，这样这台机宕机了， 也可以在 其他机器上找到对应的副本数据。
一般来说，Elasticsearch 会尽量把一个索引的不同分片存储在不同的主机上，分片的副本也尽可能存在不同的主机上，这样可以提高容错率，从而提高高可用性。
健康状态 ：Elasticsearch 衡量 索引 有三种健康状态
绿色： 代表所有的主分片 和 副本 都已经分配， 集群100%可用。
黄色 ： 所有的主分片 已经分配了，但至少还有一个副本是缺失的。
红色 ：至少一个主分片以及它的全部副本都在缺失中。
