es

  1. es入门
    注:1.7以后版本移除类型这个概念


    image.png

索引(indices)/index----------------------Databases 数据库
类型(type)--------------------------Table 数据表
文档(Document)----------------------Row 行
字段(Field)-------------------------Columns 列
注意:Elasticsearch本身就是分布式的,因此即便你只有一个节点,Elasticsearch默认也会对你的数据进行分片和副本操作

2.0 search

2.1 match_all 无条件匹配默认查询的是所有

GET /es_db/_doc/_search
{
"query":{
"match_all":{}
}
}

2.2 match匹配检索

match

2.4 短语匹配(match_phrase)

如查 小梅是坏蛋。会把这个整句当成一个词来处理


match_phrase
match_phrase

2.5 多字段匹配 (multi_match)

multi_match 支持查询字段进行拆分 :如查小梅是坏蛋,会对这个词进行拆分


multi_match

2.6 复合查询语句( boll)

boll 包含3个,must notmust should
must: 必须满足的条件
notmust:过滤条件
should:应该满足条件:查出的结果集可以不必须包含这个。如果包含这个,则他的得分是在最前面的

bool
bool

must,should筛选条件,会参与计算得分。而filter不会参与计算贡献得分的


image.png

2.7term检索

image.png
image.png
image.png
如果name字段是keyword类型,则使用term就必须精确查找了
PUT /es_db
{
  "mappings": {
    "properties": {
      "name": {
        "type": "keyword",
        "index": true,
        "store": true
      }
    }
  }
}

PUT /es_db/_doc/1
{
"name": "张三",
"sex": 1,
"age": 25,
"book": "elasticSearch入门至精通",
"address": "广州车陂"
}
GET /es_db/_search
{
  "query": {
    "term": {
       "name": "张三"
    }
  }
}

2.8 聚合aggs(aggregations)

聚合aggs提供了从数据中分组和提取数据的能力。最简单的聚合大致等于mysql中的Groupby和聚合函数
https://www.elastic.co/guide/en/elasticsearch/reference/7.10/search-aggregations.html

查出所有年龄分布,并且这些年龄段中性别为M的平均薪资和性别为F的平均薪资以及这个年龄段的总体平均薪资


image.png
image.png

最后总体结果:


image.png

3 Mapping

Mapping定义了一个文档应该被怎样处理,以及字段以什么类型进行处理。


image.png
3.1 添加映射
 Create an index with an explicit mapping[edit]
You can use the [create index]
PUT "my-index-000001"
{
  "mappings": {
    "properties": {
      "age":    { "type": "integer" },  
      "email":  { "type": "keyword"  }, 
      "name":   { "type": "text"  }     
    }
  }
}

基于以上可以往里面追加类型(You can use the [put mapping] API to add one or more new fields to an existing index
)

 "my-index-000001/_mapping"
{
  "properties": {
    "employee-id": {
      "type": "keyword",
      "index": false
    }
  }
}
'

3.2 更新映射

es不支持直接更新映射。如果非要更新的话,只能用数据迁移的方式进行。
先创建一个新索引,将以前索引的数据迁移到新索引中。

 POST "_reindex"
{
  "source": {
    "index": "my-index-000001"
  },
  "dest": {
    "index": "my-new-index-000001"
  }
}
'

image.png

image.png

4. 分词器

4.0 默认的分词器对中文都支持不好
4.1 IK分词器。
在es中的plugin中导入ik
4.2 自定义ik分词的词库
修改配置文件:将自定义词库文件加入到IK的配置文件中
IK分词器。。(可以将分词器的文件**.txt放入到ngnix中)


IK分词器的配置

5. 项目集成es (具体使用的时候需要根据文档来)

elasticsearch的选择

5.1 检索条件:

检索1

//通过api获取检索的数据。


获取检索的数据

//通过api获取检索的分析信息


获取检索的分析信息

es应用到项目中

1.商品的上架

1
2

3

4

5

es数组的扁平化处理
添加数据类型为:nested,拒绝扁平化处理


image.png
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 213,186评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,858评论 3 387
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 158,620评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,888评论 1 285
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,009评论 6 385
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,149评论 1 291
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,204评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,956评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,385评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,698评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,863评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,544评论 4 335
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,185评论 3 317
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,899评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,141评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,684评论 2 362
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,750评论 2 351

推荐阅读更多精彩内容