• ElasticSearch入门 第三篇:索引


    这是ElasticSearch 2.4 版本系列的第三篇:

    ElasticSearch是文档型数据库,索引(Index)定义了文档的逻辑存储和字段类型,每个索引可以包含多个文档类型,文档类型是文档的集合,文档以索引定义的逻辑存储模型,比如,指定分片和副本的数量,配置刷新频率,分配分析器等,存储在索引中的海量文档分布式存储在ElasticSearch集群中。

    ElasticSearch是基于Lucene框架的全文搜索引擎,将所有文档的信息写入到倒排索引(Inverted Index)的数据结构中,倒排索引建立的是索引中词和文档之间的映射关系,在倒排索引中,数据是面向词(Term)而不是面向文档的。

    ElasticSearch的对象模型,跟关系型数据库模型相比:

    • 索引(Index):相当于数据库,用于定义文档类型的存储;在同一个索引中,同一个字段只能定义一个数据类型;
    • 文档类型(Type):相当于关系表,用于描述文档中的各个字段的定义;不同的文档类型,能够存储不同的字段,服务于不同的查询请求;
    • 文档(Document):相当于关系表的数据行,存储数据的载体,包含一个或多个存有数据的字段;
      • 字段(Field):文档的一个Key/Value对;
      • 词(Term):表示文本中的一个单词;
      • 标记(Token):表示在字段中出现的词,由该词的文本、偏移量(开始和结束)以及类型组成;

    索引是由段(Segment)组成的,段存储在硬盘(Disk)文件中,段不是实时更新的,这意味着,段在写入磁盘后,就不再被更新。ElasticSearch引擎把被删除的文档的信息存储在一个单独的文件中,在搜索数据时,ElasticSearch引擎首先从段中查询,再从查询结果中过滤被删除的文档,这意味着,段中存储着“被删除”的文档,这使得段中含有”正常文档“的密度降低。多个段可以通过段合并(Segment Merge)操作把“已删除”的文档将从段中物理删除,把未删除的文档合并到一个新段中,新段中没有”已删除文档“,因此,段合并操作能够提高索引的查找速度,但段合并是IO密集型的操作,需要消耗大量的硬盘IO。

    一,创建索引

    在创建索引之前,首先了解RESTful API的调用风格,在管理和使用ElasticSearch服务时,常用的HTTP动词有下面五个:

    • GET 请求:获取服务器中的对象
      • 相当于SQL的Select命令
      • GET /blogs:列出所有博客
    • POST 请求:在服务器上更新对象
      • 相当于SQL的Update命令
      • POST /blogs/ID:更新指定的博客
    • PUT 请求:在服务器上创建对象
      • 相当于SQL的Create命令
      • PUT /blogs/ID:新建一个博客  
    • DELETE 请求:删除服务器中的对象
      • 相当于SQL的Delete命令
      • DELETE /blogs/ID:删除指定的博客
    • HEAD 请求:仅仅用于获取对象的基础信息

    1,禁用自动创建索引

    推荐设置:在全局配置文件 elasticsearch.yml 中,禁用自动创建索引:

    action.auto_create_index:false

    2,手动创建索引

    创建索引的语法是:PUT http://host:port/index_name/  + index_configuration

    其中,index_name是创建的索引的名字,indiex_configuration 是向ElasticSearch服务器传递的请求负载的主体,数据格式json,用于定义索引的配置信息:映射节(mappings)和配置节(settings)。

    在创建索引时,需要精心设计索引的映射节(mappings)和配置节(settings),本例创建blog索引和articles文档类型,创建索引的语法是:

    PUT http://localhost:9200/blog/

    下文详细介绍ElasticSearch索引的映射(Mapping)配置,详细信息请参考《Elasticsearch Reference [2.4] » Mapping》。注意,ElasticSearch引擎是大小写敏感的,强制性要求索引名和文档类型小写,对于字段名,ElasticSearch引擎会将首字母小写,建议在配置索引,文档类型和字段名时,都使用小写字母。

    二,索引映射节(mappings)

    1,索引结构

    索引是由文档类型构成的,在mappings字段中定义索引的文档类型,示例代码中为blog索引定义了三个文档类型:articles,followers和comments

    {  
       "mappings":{  
          "articles":{ },
          "followers":{ },
          "comments":{ }
       }
    }

    2,文档属性

    文档属性定义了文档类型的共用属性,适用于文档的所有字段:

    • dynamic_date_formats属性:该属性定义可以识别的日期格式列表;
    • dynamic属性:默认值为true,允许动态地向文档类型中加入新的字段。推荐设置为false,禁止向文档中添加字段,这样,文档类型的所有字段必须在索引映射的properties属性中显式定义,在properties字段中未定义的字段都将会ElasticSearch忽略。
      • dynamic设置为ture:默认值,新增加的字段被添加到索引映射中;
      • dynamic设置为false:新增加的字段会被忽略;
      • dynamic设置为strict:当向文档中新增字段时,ElasticSearch引擎抛出异常;
    {  
       "mappings":{  
          "articles":{  "dynamic":false,
             "dynamic_date_formats":["yyyy-MM-dd hh:mm:ss", "yyyy-MM-dd" ],
             "properties":{  
                "id":{},
                "title":{},
                "author":{},
                "content":{},
                "postedat":{}
             }
          }
       }
    }

    三,文档的字段属性

    1,字段的数据类型

    字段的数据类型由字段的属性type指定,ElasticSearch支持的基础数据类型主要有:

    • 字符串类型:string;
    • 数值类型:字节(byte)、2字节(short)、4字节(integer)、8字节(long)、float、double;
    • 布尔类型:boolean,值是true或false;
    • 时间/日期类型:date,用于存储日期和时间;
    • 二进制类型:binary;
    • IP地址类型:ip,以字符串形式存储IPv4地址;
    • 特殊数据类型:token_count,用于存储索引的字数信息

    在文档类型的properties属性中,定义字段的type属性,指定字段的数据类型,属性properties 用于定义文档类型的字段属性,或字段对象的属性:

     "properties":{  
                "id":{"type":"long"},

    2,字段的公共属性

    • index:该属性控制字段是否编入索引被搜索,该属性共有三个有效值:analyzed、no和not_analyzed:
      • analyzed:表示该字段被分析,编入索引,产生的token能被搜索到;
      • not_analyzed:表示该字段不会被分析,使用原始值编入索引,在索引中作为单个词;
      • no:不编入索引,无法搜索该字段;
      • 其中analyzed是分析,分解的意思,默认值是analyzed,表示将该字段编入索引,以供搜索。
    • store:指定是否将字段的原始值写入索引,默认值是no,字段值被分析,能够被搜索,但是,字段值不会存储,这意味着,该字段能够被查询,但是不会存储字段的原始值。
    • boost:字段级别的助推,默认值是1,定义了字段在文档中的重要性/权重;
    • include_in_all:该属性指定当前字段是否包括在_all字段中,默认值是ture,所有的字段都会包含_all字段中;如果index=no,那么属性include_in_all无效,这意味着当前字段无法包含在_all字段中。
    • copy_to:该属性指定一个字段名称,ElasticSearch引擎将当前字段的值复制到该属性指定的字段中;
    • doc_values:文档值是存储在硬盘上的索引时(indexing time)数据结构,对于not_analyzed字段,默认值是true,analyzed string字段不支持文档值;
    • fielddata:字段数据是存储在内存中的查询时(querying time)数据结构,只支持analyzed string字段;
    • null_value:该属性指定一个值,当字段的值为NULL时,该字段使用null_value代替NULL值;在ElasticSearch中,NULL 值不能被索引和搜索,当一个字段设置为NULL值,ElasticSearch引擎认为该字段没有任何值,使用该属性为NULL字段设置一个指定的值,使该字段能够被索引和搜索。

    3,字符串类型常用的其他属性

    • analyzer:该属性定义用于建立索引和搜索的分析器名称,默认值是全局定义的分析器名称,该属性可以引用在配置结点(settings)中自定义的分析器;
    • search_analyzer:该属性定义的分析器,用于处理发送到特定字段的查询字符串;
    • ignore_above:该属性指定一个整数值,当字符串字段(analyzed string field)的字节数量大于该数值之后,超过长度的部分字符数据将不能被analyzer处理,不能被编入索引;对于 not analyzed string字段,超过长度的部分字符将被忽略,不会被编入索引。默认值是0,禁用该属性;
    • position_increment_gap:该属性指定在相同词的位置上增加的gap,默认值是100;
    • index_options:索引选项控制添加到倒排索引(Inverted Index)的信息,这些信息用于搜索(Search)和高亮显示:
      • docs:只索引文档编号(Doc Number)
      • freqs:索引文档编号和词频率(term frequency)
      • positions:索引文档编号,词频率和词位置(序号)
      • offsets:索引文档编号,词频率,词偏移量(开始和结束位置)和词位置(序号)
      • 默认情况下,被分析的字符串(analyzed string)字段使用positions,其他字段使用docs; 

    分析器(analyzer)把analyzed string 字段的值,转换成标记流(Token stream),例如,字符串"The quick Brown Foxes",可能被分解成的标记(Token)是:quick,brown,fox。这些词(term)是该字段的索引值,这使用对索引文本的查找更有效率。字段的属性 analyzer 用于指定在index-time和search-time时,ElasticSearch引擎分解字段值的分析器名称。

    4,数值类型的其他属性

    • precision_step:该属性指定为数值字段每个值生成的term数量,值越低,产生的term数量越高,范围查询越快,索引越大,默认值是4;
    • ignore_malformed:忽略格式错误的数值,默认值是false,不忽略错误格式,对整个文档不处理,并且抛出异常;
    • coerce:默认值是true,尝试将字符串转换为数值,如果字段类型是整数,那么将小数取整;

    5,日期类型的其他属性

    • format:指定日期的格式,例如:“yyyy-MM-dd hh:mm:ss”
    • precision_step:该属性指定数值字段每隔多少数值,生成一个词(term);step值越低,产生的词数量越高,范围查询越快,索引越大,占用存储空间越大;
    • ignore_malformed:忽略错误格式,默认值是false,不忽略错误格式;

    6,多字段(fields)

    在fields属性中定义一个或多个字段,该字段的值和当前字段值相同,可以设置一个字段用于搜索,一个字段用于排序等。

    "properties":
    {  
        "id":{  "type":"long",
             "fields":{  "id2":{"type":"long","index":"not_analyzed"} }
          },

    7,文档值(doc_values) 

    默认情况下,多数字段都被一起编入索引,用户使用倒排索引(Inverted Index)可以搜索到相应的词(Term),倒排索引支持在唯一的有序词列表中查找特定词,或检查文档中是否包含某个词,但是,对于排序(Sort),聚合和在脚本中访问特定字段的值(Field value),这三个操作需要执行不同的数据访问模式,即单字段数据访问:在文档中查找特定的字段,检查该字段是否包含指定的词。

    文档值(doc_values)属性指定将字段的值写入到硬盘上的列式结构,实现了单个字段的数据访问模式,能够高效执行排序和聚合搜索。使用文档值的字段将有专属的字段数据缓存实例,无需像普通字段一样倒排。是存储在硬盘上的数据结构,在文档索引时创建。文档值数据存在硬盘上,在文档索引时创建,存储的数据和字段存储在_source 字段的数据相同,文档值支持所有的字段类型,除了analyzed string 字段之外。

    默认情况下,所有的字段都支持文档值,默认是启用的(enabled),如果不需要在单个字段上执行排序或聚合操作,或者从脚本中访问指定字段的值,那么,可以禁用文档值,字段的值将不会存储在硬盘空间中。

    "properties": {
        "status_code": { 
            "type":       "string",
            "index":      "not_analyzed"
            "doc_values": true
        },
        "session_id": { 
            "type":       "string",
            "index":      "not_analyzed",
            "doc_values": false
        }
    }

    8,字段数据(Fielddata)

    字段数据(Fielddata)是存储在内存中的查询时数据结构,只支持analyzed string字段。该数据结构在字段第一次执行聚合,排序或被脚本访问时创建。创建的过程是:在读取整个倒排索引(Inverted Index)时,ElasticSearch从硬盘上加载倒排索引的每个段(Segment),倒转词(Term)和文档的关系,并将其存储在JVM堆内存中。加载字段数据的过程是非常消耗IO资源的,一旦被加载,就被存储在内存中,直到段的生命周期结束。

    对于analyzed string字段,fielddata字段是默认启用的,

    "text":{  
       "type":"string",
       "fielddata":{  "loading":"lazy"
       }
    }

    详细信息,请参考Mapping parameters » fielddata

    Analyzed strings use a query-time data structure called fielddata. This data structure is built on demand the first time that a field is used for aggregations, sorting, or is accessed in a script. It is built by reading the entire inverted index for each segment from disk, inverting the term ↔︎ document relationship, and storing the result in memory, in the JVM heap.

    9,存储(store)

    存储(store)属性指定是否将字段的原始值写入索引,默认值是no,字段值被分析,能够被搜索,但是,字段的原始值不会存储,这意味着,该字段能够被查询,但是无法获取字段的原始值。默认情况下,该字段的值会被存储到_source字段中,如果想要获取单个或多个字段的值,而不是整个_source字段,可以使用 source filtering 来实现;但是在特定的条件下,只存储一个字段的值是有意义的(make sense),例如,一个article文档包含:title,postdate和content字段,从文档中只获取title和postdate字段,并且使_source 字段包含content字段,必须通过store属性来控制:

    "mappings": {
        "my_type": {
          "properties": {
            "title": {
              "type": "string",
              "store": true 
            },
            "date": {
              "type": "date",
              "store": true 
            },
            "content": {
              "type": "string",
    "store": false } } } }

    10,位置增加间隔(position_increment_gap)

    对于analyzed string字段,都会考虑把词的位置信息,用于支持位置和短语匹配查询(proximity or phrase queries),例如,有一个字符串字段,该字段中存在多个词“fake”,ElasticSearch引擎会在每个值之间增加一个gap,以防止短语匹配或位置匹配查询出现跨越多个词的异常,这个gap的值就是属性position_increment_gap,默认值是100;

    四,元字段

    在索引的映射中,元字段(Meta-field)是以下划线开头的字段,部分元字段可以配置,部分元字段不可配置,只能用于返回信息。

    1,_all 字段,可以配置

    ElasticSearch使用_all字段存储其他字段的数据以便搜索,默认情况下,_all字段是启用的,包含了索引中所有字段的数据,然而这一字段使索引变大,如果不需要,请禁用该字段,或排除某些字段。为了在_all字段中不包括某个特定字段,在字段中设置“include_in_all”属性为false。

    禁用_all字段,需要修改映射配置:

    {  
       "articles":{  "_all":{  
             "enabled":false
          }
       }
    }

    2,_source 字段,可以配置

    _source字段表示在生成索引的过程中,存储发送到ElasticSearch的原始JSON文档,默认情况下,该字段会被启用,因为索引的局部更新功能依赖该字段。

    {  
       "articles":{  
          "_source":{  
             "enabled":true
          }
       }
    }
    
    {  
       "articles":{  
          "_source":{  
             "excludes":["Content","Comments"],
             "includes":["author"]
          }
       }
    }

    3,_routing 字段,可以配置

    路由字段,将一个文档值进行哈希映射,并将该文档路由到指定的分片,路由的公式是:

    shard_num = hash(_routing) % num_primary_shards

    在ElasticSearch 2.4 版本中,path参数被废弃,使用的默认字段是_id,设置required为true,表示路由字段在进行索引的CRUD操作时必需显式赋值。

    {  
       "articles":{  
          "_routing":{  
             "required":true
          }
       }
    }

    在put 命令中,使用自定义的路由字段,以下示例使用 user1字段作为路由字段更新和查询文档:

    PUT my_index/my_type/1?routing=user1 
    {
      "title": "This is a document"
    }
    GET my_index/my_type/1?routing=user1

    4,不可配置的元字段

    • _index:返回文档所属的索引
    • _uid:返回文档的type和id
    • _type:返回文档类型(type)
    • _id:返回文档的ID;
    • _size:返回文档的_source字段中函数的字节数量;
    • _field_names:返回文档中不包含null值的字段名称;

    详细信息,请参考:Mapping » Meta-Fields

    五,索引配置节(settings)

    1,配置索引的分片和副本数量

    ElasticSearch索引是有一个或多个分片组成的,每个分片是索引的一个水平分区,包含了文档数据的一部分;每个分片有0,1或多个副本,分片的副本和分片存储相同的数据。

    示例代码,为索引创建5个分片,分片没有副本:

    "settings":{
        "number_of_shards":5,
        "number_of_replicas":0,

    2,配置分析器(analyzer)

    在配置结点的analysis属性中配置分析器,参考官方文档了解更多,

    分词器(tokenizer)是系统预定义的,常用的分词器是:

    • standard:默认值,用于大多数欧洲语言的标准分词器
    • simple:基于非字母字符来分词,并将其转化为小写形式
    • whitespace:基于空格来分词
    • stop:除了simple的所有功能,还能基于停用词(stop words)过滤数据;
    • pattern:使用正则表达式分词;
    • snowball:除了standard提供的分词功能之外,还提供词干提取功能;

    过滤器是系统预定义的,常用的过滤器是:

    • asciifolding
    • lowercase
    • kstem

    在配置结点中,自定义分析器(analyzer)示例代码:

    {  
       "settings":{  
          "index":{  
             "analysis":{  
                "analyzer":{  
                   "myanalyzer_name":{  
                      "tokenizer":"standard",
                      "filter":[  
                         "asciifolding",
                         "lowercase",
                         "ourEnglishFilter"
                      ]
                   }
                },
                "filter":{  
                   "ourEnglishFilter":{  
                      "type":"kstem"
                   }
                }
             }
          }
       }
    }
    View Code

    六,删除索引

    删除索引的语法是: DELETE http://localhost:9200/blog

    七,更新索引

    索引的更新分为逐个文档的更新和批量文档更新:

    1,单个文档(Individual Document)的更新

    单个文档更新的语法是:POST http://localhost:9200/blog/articles/1 +文档对象的JSON数据

    POST http://localhost:9200/blog/articles/1

    文档对象的JSON数据示例如下:

    {  
       "id":1,
       "title":"Elasticsearch index",
       "Author":"悦光阴",
       "content":"xxxxxxxxxxx",
       "postedat":"2017-03-14"
    }

    2,批量文档的更新(Bluk)

    批量文档更新的语法是:POST http://localhost:9200/_bulk + 批量文档对象的JSON数据,在_bulk 端进行批量更新操作。

    在传递的请求主体中,每一个请求分为两个JSON数据,第一个JSON数据包含操作说明的描述信息,第二个JSON数据包含文档对象:

    {  
       "index":{  
          "_index":"blog",
          "_type":"ariticles",
          "_id":1
       }
    }
    {  
       "id":1,
       "title":"Elasticsearch index",
       "Author":"悦光阴",
       "content":"xxxxxxxxxxx",
       "postedat":"2017-03-14"
    }
    {  
       "index":{  
          "_index":"blog",
          "_type":"ariticles",
          "_id":2
       }
    }
    {  
       "id":2,
       "title":"Elasticsearch index",
       "Author":"悦光阴",
       "content":"xxxxxxxxxxx",
       "postedat":"2017-03-14"
    }
    View Code

    八,搜索索引

    在_search端对索引数据进行搜索,ES查询的语法非常复杂,总体来说,ElasticSearch支持聚合查询和简单查询。

    1,按照路由搜索

    路由可以控制文档和查询转发的目的分片,ElasticSearch计算路由字段的哈希值,对于相同的路由值,将产生相同的哈希值,分配到特定的分片上;如果在查询时,指定路由值,那么只需要搜索单个分片而不是整个索引,就能获取查询结果。

    路由字段由文档类型的_routing属性定义,在查询时,使用routing参数来查找特定路由的文档:

    GET http://localhost:9200/blog/_search?routing=1235&q=article_id=100

    2,聚合和简单查询

    请阅读《ElasticSearch查询 第一篇:搜索API

    附:索引的配置文档

    {  
       "settings":{  
          "number_of_shards":5,
          "number_of_replicas":0
       },
       "mappings":{  
          "articles":{  
             "_routing":{  
                "required":false
             },
             "_all":{  
                "enabled":false
             },
             "_source":{  
                "enabled":true
             },
             "dynamic_date_formats":[  
                "yyyy-MM-dd",
                "yyyyMMdd"
             ],
             "dynamic":"false",
             "properties":{  
                "articleid":{  
                   "type":"long",
                   "store":true,
                   "index":"not_analyzed",
                   "doc_values":true,
                   "ignore_malformed":true,
                   "include_in_all":true,
                   "null_value":0,
                   "precision_step":16
                },
                "title":{  
                   "type":"string",
                   "store":true,
                   "index":"analyzed",
                   "doc_values":false,
                   "ignore_above":0,
                   "include_in_all":true,
                   "index_options":"positions",
                   "position_increment_gap":100,
                   "fields":{  
                      "title":{  
                         "type":"string",
                         "store":true,
                         "index":"not_analyzed",
                         "doc_values":true,
                         "ignore_above":0,
                         "include_in_all":false,
                         "index_options":"docs",
                         "position_increment_gap":100
                      }
                   }
                },
                "author":{  
                   "type":"string",
                   "store":true,
                   "index":"analyzed",
                   "doc_values":false,
                   "ignore_above":0,
                   "include_in_all":true,
                   "index_options":"positions",
                   "position_increment_gap":100,
                   "fields":{  
                      "author":{  
                         "type":"string",
                         "index":"not_analyzed",
                         "include_in_all":false,
                         "doc_values":true
                      }
                   }
                },
                "content":{  
                   "type":"string",
                   "store":true,
                   "index":"analyzed",
                   "doc_values":false,
                   "ignore_above":0,
                   "include_in_all":false,
                   "index_options":"positions",
                   "position_increment_gap":100
                },
                "postat":{  
                   "type":"date",
                   "store":true,
                   "doc_values":true,
                   "format":[  
                      "yyyy-MM-dd",
                      "yyyyMMdd"
                   ],
                   "index":"not_analyzed",
                   "ignore_malformed":true,
                   "include_in_all":true,
                   "null_value":"2000-01-01",
                   "precision_step":16
                }
             }
          }
       }
    }
    View Code

    在head插件中,打开"Any Request"窗体,输入索引名称:blog;在操作列表中选择PUT,并将配置文档作为请求body,点击下方的“Request”按钮,向Elasticsearch引擎发起请求,当右边面板中出现"acknowledged":true 时,说明索引blog创建成功。

    在测试阶段,可以禁用路由(_routing)和_all字段,启用源(_source)字段,以便更好的观察索引的行为。

    当启用dynamic属性时,推荐所有字段的名称都使用小写,

    参考文档:

    Elasticsearch Reference [2.4] » Mapping » Mapping parameters

    Elasticsearch Reference [2.4] » Index Modules

    Elasticsearch Reference [2.4] » Mapping

  • 相关阅读:
    Protobuf for Python测试保存和读取文件
    windows下使用pip安装python的第三方lxml库
    WIN10 CMD 启动虚拟WIFI
    关于 DataGridTextColumn的IsReadOnly
    wpf converter converterparameter 绑定多参数
    wpf 客户端 添加qq客服咨询
    错误信息:内存位置访问无效。 (Exception from HRESULT: 0x800703E6)
    acrgis导出成tiff图片,全是黑色
    webStrom访问只一个很简单的html文件的时候显示local host无法访问。。
    pandas 将excel一列拆分成多列重新保存
  • 原文地址:https://www.cnblogs.com/ljhdo/p/4981928.html
走看看 - 开发者的网上家园