介绍
Elasticsearch 是一个分布式可扩展的实时搜索和分析引擎,一个建立在全文搜索引擎 Apache Lucene，底层封装了Lucene，但是直接用 Lucene，必须自己写代码去调用它的接口。Elastic提供了 REST API 的操作接口，开箱即用，它不仅包括了全文搜索功能，还可以进行以下工作:
- 分布式实时文件存储，并将每一个字段都编入索引，使其可以被搜索。
- 实时分析的分布式搜索引擎。
- 可以扩展到上百台服务器，处理PB级别的结构化或非结构化数据。
基本概念
Elasticsearch是面向文档型数据库，一条数据在这里就是一个文档，用JSON作为文档序列化的格式。
1 | { |
和关系型数据库类型对比：
关系数据库——>数据库——> 表——> 行——>列(Columns)
Elasticsearch——>索引(Index)——>类型(type)——>文档(Docments) ——>字段(Fields)
一个 Elasticsearch 集群可以包含多个索引(数据库)，也就是说其中包含了很多类型(表)。这些类型中包含了很多的文档(行)，然后每个文档中又包含了很多的字段(列)。Elasticsearch的交互，可以使用Java API，也可以直接使用HTTP的Restful API方式。
Node 与 Cluster
Elastic 本质上是一个分布式数据库，允许多台服务器协同工作，每台服务器可以运行多个 Elastic 实例。
单个 Elastic 实例称为一个节点（node）。一组节点构成一个集群（cluster）。
Index
Elastic 会索引所有字段，经过处理后写入一个反向索引（Inverted Index）。查找数据的时候，直接查找该索引。
所以，Elastic 数据管理的顶层单位就叫做 Index（索引）。它是单个数据库的同义词。每个 Index （即数据库）的名字必须是小写。
下面的命令可以查看当前节点的所有 Index。
1 | $ curl -X GET 'http://localhost:9200/_cat/indices?v' |
Document
Index 里面单条的记录称为 Document（文档）。许多条 Document 构成了一个 Index。
Document 使用 JSON 格式表示，下面是一个例子。
1 | { |
同一个 Index 里面的 Document，不要求有相同的结构（scheme），但是最好保持相同，这样有利于提高搜索效率。
Type
Document 可以分组，比如weather这个 Index 里面，可以按城市分组（北京和上海），这种分组就叫做 Type，它是虚拟的逻辑分组，用来过滤 Document。
不同的 Type 应该有相似的结构（schema），举例来说，id字段不能在这个组是字符串，在另一个组是数值。这是与关系型数据库的表的一个区别。性质完全不同的数据（比如products和logs）应该存成两个 Index，而不是一个 Index 里面的两个 Type。
下面的命令可以列出每个 Index 所包含的 Type。
1 | $ curl 'localhost:9200/_mapping?pretty=true' |
根据规划，Elastic 6.x 版只允许每个 Index 包含一个 Type，7.x 版将会彻底移除 Type。
Elasticsearch安装配置
下载安装包，解压，直接启动，默认端口9200。
如果启动报错max virtual memory areas vm.maxmapcount [65530] is too low，配置一下linux环境：sysctl -w vm.max_map_count=262144
成功启动后，请求9200端口，Elastic 返回一个 JSON 对象，包含当前节点、集群、版本等信息：
1 | $ curl localhost:9200 |
默认情况下，只允许本机访问，可以修改安装目录的config/elasticsearch.yml文件，去掉network.host的注释，将它的值改成0.0.0.0开启远程访问，然后重新启动 Elastic。
Windows下安装：
下载包：
https://artifacts.elastic.co/downloads/elasticsearch/elasticsearch-7.2.0-windows-x86_64.zip
解压后运行：elasticsearch.bat
浏览器查看：
完成安装！
安装Elasticsearch集群
解压安装包scp分发到不同的主机，对应修改每一个配置config/elasticsearch.yml：
1 | Cluster.name: chenkl #(同一集群要一样) |
新建一个ES用户（所有的ES节点都要新建用户），并改密码
1 | #由于安全问题，ES是不能使用Root用户运行的 |
分别启动每一台
1 | #启动 |
安装插件
索引
Elasticsearch最关键的就是提供强大的索引能力了，Elasticsearch索引的精髓：一切设计都是为了提高搜索的性能 。
为了提高搜索的性能，难免会牺牲某些其他方面，比如插入更新。比如插入一个json对象字符串，这个对象有多个fields，在插入这些数据到Elasticsearch的同时，Elasticsearch还默认的为这些字段建立索引–倒排索引，因为Elasticsearch最核心功能是搜索。
Elasticsearch是如何做到快速索引的？
Elasticsearch使用的倒排索引比关系型数据库的B-Tree索引快，为什么呢？
什么是B-Tree索引?
二叉树查找效率是logN，同时插入新的节点不必移动全部节点，所以用树型结构存储索引，能同时兼顾插入和查询的性能。因此在这个基础上，再结合磁盘的读取特性(顺序读/随机读)，传统关系型数据库采用了B-Tree/B+Tree这样的数据结构：
为了提高查询的效率，减少磁盘寻道次数，将多个值作为一个数组通过连续区间存放，一次寻道读取多个数据，同时也降低树的高度。
什么是倒排索引？
| ID | Name | Age | Sex |
|---|---|---|---|
| 1 | Kate | 24 | Female |
| 2 | John | 24 | Male |
| 3 | Bill | 29 | Male |
| 如图所示的一个表数据，ID是Elasticsearch自建的文档id，那么Elasticsearch建立的索引如下: | |||
| Name: |
| Term | Posting List |
|---|---|
| Kate | 1 |
| John | 2 |
| Bill | 3 |
| Age: |
| Term | Posting List |
|---|---|
| 24 | [1,2] |
| 29 | 3 |
| Sex: |
| Term | Posting List |
|---|---|
| Female | 1 |
| Male | [2,3] |
Posting List
Elasticsearch分别为每个field都建立了一个倒排索引，Kate, John, 24, Female这些叫term，而[1,2]就是Posting List。Posting list就是一个int的数组，存储了所有符合某个term的文档id。
通过posting list这种索引方式似乎可以很快进行查找，比如要找age=24的同学，爱回答问题的小明马上就举手回答：我知道，id是1，2的同学。但是，如果这里有上千万的记录呢？如果是想通过name来查找呢？
Term Dictionary
Elasticsearch为了能快速找到某个term，将所有的term排个序，二分法查找term，logN的查找效率，就像通过字典查找一样，这就是Term Dictionary。现在再看起来，似乎和传统数据库通过B-Tree的方式类似啊，为什么说比B-Tree的查询快呢？
Term Index
B-Tree通过减少磁盘寻道次数来提高查询性能，Elasticsearch也是采用同样的思路，直接通过内存查找term，不读磁盘，但是如果term太多，term dictionary也会很大，放内存不现实，于是有了Term Index，就像字典里的索引页一样，A开头的有哪些term，分别在哪页，可以理解term index是一颗树：
这棵树不会包含所有的term，它包含的是term的一些前缀。通过term index可以快速地定位到term dictionary的某个offset，然后从这个位置再往后顺序查找。
所以term index不需要存下所有的term，而仅仅是他们的一些前缀与Term Dictionary的block之间的映射关系，再结合FST(Finite State Transducers)的压缩技术，可以使term index缓存到内存中。从term index查到对应的term dictionary的block位置之后，再去磁盘上找term，大大减少了磁盘随机读的次数。
假设我们现在要将mop, moth, pop, star, stop and top(term index里的term前缀)映射到序号：0，1，2，3，4，5(term dictionary的block位置)。最简单的做法就是定义个Map<string, integer=””>，大家找到自己的位置对应入座就好了，但从内存占用少的角度想想，有没有更优的办法呢？答案就是：FST
FST以字节的方式存储所有的term，这种压缩方式可以有效的缩减存储空间，使得term index足以放进内存，但这种方式也会导致查找时需要更多的CPU资源。
压缩技巧
Elasticsearch里除了上面说到用FST压缩term index外，对posting list也有压缩技巧。
嗯，我们再看回最开始的例子，如果Elasticsearch需要对同学的性别进行索引(这时传统关系型数据库已经哭晕在厕所……)，会怎样？如果有上千万个同学，而世界上只有男/女这样两个性别，每个posting list都会有至少百万个文档id。 Elasticsearch是如何有效的对这些文档id压缩的呢？
Frame Of Reference
增量编码压缩，将大数变小数，按字节存储
首先，Elasticsearch要求posting list是有序的(为了提高搜索的性能，再任性的要求也得满足)，这样做的一个好处是方便压缩，看下面这个图例：
如果数学不是体育老师教的话，还是比较容易看出来这种压缩技巧的。
原理就是通过增量，将原来的大数变成小数仅存储增量值，再精打细算按bit排好队，最后通过字节存储，而不是大大咧咧的尽管是2也是用int(4个字节)来存储。
Roaring bitmaps
说到Roaring bitmaps，就必须先从bitmap说起。Bitmap是一种数据结构，假设有某个posting list：
[1,3,4,7,10]
对应的bitmap就是：
[1,0,1,1,0,0,1,0,0,1]
非常直观，用0/1表示某个值是否存在，比如10这个值就对应第10位，对应的bit值是1，这样用一个字节就可以代表8个文档id，旧版本(5.0之前)的Lucene就是用这样的方式来压缩的，但这样的压缩方式仍然不够高效，如果有1亿个文档，那么需要12.5MB的存储空间，这仅仅是对应一个索引字段(我们往往会有很多个索引字段)。于是有人想出了Roaring bitmaps这样更高效的数据结构。
Bitmap的缺点是存储空间随着文档个数线性增长，Roaring bitmaps需要打破这个魔咒就一定要用到某些指数特性：
将posting list按照65535为界限分块，比如第一块所包含的文档id范围在065535之间，第二块的id范围是65536131071，以此类推。再用<商，余数>的组合表示每一组id，这样每组里的id范围都在0~65535内了，剩下的就好办了，既然每组id不会变得无限大，那么我们就可以通过最有效的方式对这里的id存储。
“为什么是以65535为界限?”
程序员的世界里除了1024外，65535也是一个经典值，因为它=2^16-1，正好是用2个字节能表示的最大数，一个short的存储单位，注意到上图里的最后一行“If a block has more than 4096 values, encode as a bit set, and otherwise as a simple array using 2 bytes per value”，如果是大块，用节省点用bitset存，小块就豪爽点，2个字节我也不计较了，用一个short[]存着方便。
那为什么用4096来区分大块还是小块呢？
个人理解：都说程序员的世界是二进制的，4096*2bytes ＝ 8192bytes < 1KB, 磁盘一次寻道可以顺序把一个小块的内容都读出来，再大一位就超过1KB了，需要两次读。
联合索引
如果多个field索引的联合查询，倒排索引如何满足快速查询的要求呢？
利用跳表(Skip list)的数据结构快速做“与”运算，或者利用上面提到的bitset按位“与” 先看看跳表的数据结构：
将一个有序链表level0，挑出其中几个元素到level1及level2，每个level越往上，选出来的指针元素越少，查找时依次从高level往低查找，比如55，先找到level2的31，再找到level1的47，最后找到55，一共3次查找，查找效率和2叉树的效率相当，但也是用了一定的空间冗余来换取的。
假设有下面三个posting list需要联合索引：
如果使用跳表，对最短的posting list中的每个id，逐个在另外两个posting list中查找看是否存在，最后得到交集的结果。
如果使用bitset，就很直观了，直接按位与，得到的结果就是最后的交集。
Elasticsearch的索引思路
将磁盘里的东西尽量搬进内存，减少磁盘随机读取次数(同时也利用磁盘顺序读特性)，结合各种奇技淫巧的压缩算法，用及其苛刻的态度使用内存。
使用Elasticsearch进行索引时需要注意:
不需要索引的字段，一定要明确定义出来，因为默认是自动建索引的
同样的道理，对于String类型的字段，不需要analysis的也需要明确定义出来，因为默认也是会analysis的
选择有规律的ID很重要，随机性太大的ID(比如java的UUID)不利于查询
关于最后一点，个人认为有多个因素:
其中一个(也许不是最重要的)因素: 上面看到的压缩算法，都是对Posting list里的大量ID进行压缩的，那如果ID是顺序的，或者是有公共前缀等具有一定规律性的ID，压缩比会比较高；
另外一个因素: 可能是最影响查询性能的，应该是最后通过Posting list里的ID到磁盘中查找Document信息的那步，因为Elasticsearch是分Segment存储的，根据ID这个大范围的Term定位到Segment的效率直接影响了最后查询的性能，如果ID是有规律的，可以快速跳过不包含该ID的Segment，从而减少不必要的磁盘读次数，具体可以参考这篇如何选择一个高效的全局ID方案(评论也很精彩)
新建和删除 Index
新建 Index：$ curl -X PUT ‘localhost:9200/weather’
服务器返回一个 JSON 对象，里面的acknowledged字段表示操作成功。
1 | { |
删除Index：$ curl -X DELETE ‘localhost:9200/weather’
中文分词设置
首先，安装中文分词插件，如ik或smartcn。
$ ./bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v5.5.1/elasticsearch-analysis-ik-5.5.1.zip
安装以后，新建一个 Index，指定需要分词的字段。这一步根据数据结构而异，下面的命令只针对本文。基本上，凡是需要搜索的中文字段，都要单独设置一下。
1 | $ curl -X PUT 'localhost:9200/accounts' -d ' |
user、title、desc这三个字段都是中文，而且类型都是文本（text），所以需要指定中文分词器，不能使用默认的英文分词器。
Elastic 的分词器称为 analyzer。我们对每个字段指定分词器。
1 | "user": { |
上面代码中，analyzer是字段文本的分词器，search_analyzer是搜索词的分词器。ik_max_word分词器是插件ik提供的，可以对文本进行最大数量的分词。
数据操作
新增记录
向指定的 /Index/Type 发送 PUT 请求，就可以在 Index 里面新增一条记录。比如，向/accounts/person发送请求，就可以新增一条人员记录。
$ curl -X PUT ‘localhost:9200/accounts/person/1’ -d ‘
{
“user”: “张三”,
“title”: “工程师”,
“desc”: “数据库管理”
}’
服务器返回的 JSON 对象，会给出 Index、Type、Id、Version 等信息。
{
“_index”:”accounts”,
“_type”:”person”,
“_id”:”1”,
“_version”:1,
“result”:”created”,
“_shards”:{“total”:2,”successful”:1,”failed”:0},
“created”:true
}
新增记录的时候，也可以不指定 Id，这时要改成 POST 请求。
$ curl -X POST ‘localhost:9200/accounts/person’ -d ‘
{
“user”: “李四”,
“title”: “工程师”,
“desc”: “系统管理”
}’
上面代码中，向/accounts/person发出一个 POST 请求，添加一个记录。这时，服务器返回的 JSON 对象里面，_id字段就是一个随机字符串。
{
“_index”:”accounts”,
“_type”:”person”,
“_id”:”AV3qGfrC6jMbsbXb6k1p”,
“_version”:1,
“result”:”created”,
“_shards”:{“total”:2,”successful”:1,”failed”:0},
“created”:true
}
注意，如果没有先创建 Index（这个例子是accounts），直接执行上面的命令，Elastic 也不会报错，而是直接生成指定的 Index。所以，打字的时候要小心，不要写错 Index 的名称。
** 查看记录**
向/Index/Type/Id发出 GET 请求，就可以查看这条记录。
$ curl ‘localhost:9200/accounts/person/1?pretty=true’
上面代码请求查看/accounts/person/1这条记录，URL 的参数pretty=true表示以易读的格式返回。
返回的数据中，found字段表示查询成功，_source字段返回原始记录。
{
“_index” : “accounts”,
“_type” : “person”,
“_id” : “1”,
“_version” : 1,
“found” : true,
“_source” : {
“user” : “张三”,
“title” : “工程师”,
“desc” : “数据库管理”
}
}
如果 Id 不正确，就查不到数据，found字段就是false。
$ curl ‘localhost:9200/weather/beijing/abc?pretty=true’
{
“_index” : “accounts”,
“_type” : “person”,
“_id” : “abc”,
“found” : false
}
删除记录
删除记录就是发出 DELETE 请求。
$ curl -X DELETE ‘localhost:9200/accounts/person/1’
更新记录
更新记录就是使用 PUT 请求，重新发送一次数据。
$ curl -X PUT ‘localhost:9200/accounts/person/1’ -d ‘
{
“user” : “张三”,
“title” : “工程师”,
“desc” : “数据库管理，软件开发”
}’
{
“_index”:”accounts”,
“_type”:”person”,
“_id”:”1”,
“_version”:2,
“result”:”updated”,
“_shards”:{“total”:2,”successful”:1,”failed”:0},
“created”:false
}
上面代码中，我们将原始数据从”数据库管理”改成”数据库管理，软件开发”。 返回结果里面，有几个字段发生了变化。
“_version” : 2,
“result” : “updated”,
“created” : false
可以看到，记录的 Id 没变，但是版本（version）从1变成2，操作类型（result）从created变成updated，created字段变成false，因为这次不是新建记录。
数据查询
返回所有记录
使用 GET 方法，直接请求/Index/Type/_search，就会返回所有记录。
$ curl ‘localhost:9200/accounts/person/_search’
{
“took”:2,
“timed_out”:false,
“_shards”:{“total”:5,”successful”:5,”failed”:0},
“hits”:{
“total”:2,
“max_score”:1.0,
“hits”:[
{
“_index”:”accounts”,
“_type”:”person”,
“_id”:”AV3qGfrC6jMbsbXb6k1p”,
“_score”:1.0,
“_source”: {
“user”: “李四”,
“title”: “工程师”,
“desc”: “系统管理”
}
},
{
“_index”:”accounts”,
“_type”:”person”,
“_id”:”1”,
“_score”:1.0,
“_source”: {
“user” : “张三”,
“title” : “工程师”,
“desc” : “数据库管理，软件开发”
}
}
]
}
}
上面代码中，返回结果的 took字段表示该操作的耗时（单位为毫秒），timed_out字段表示是否超时，hits字段表示命中的记录，里面子字段的含义如下。
total：返回记录数，本例是2条。
max_score：最高的匹配程度，本例是1.0。
hits：返回的记录组成的数组。
返回的记录中，每条记录都有一个_score字段，表示匹配的程序，默认是按照这个字段降序排列。
全文搜索
Elastic 的查询非常特别，使用自己的查询语法，要求 GET 请求带有数据体。
$ curl ‘localhost:9200/accounts/person/_search’ -d ‘
{
“query” : { “match” : { “desc” : “软件” }}
}’
上面代码使用 Match 查询，指定的匹配条件是desc字段里面包含”软件”这个词。返回结果如下。
{
“took”:3,
“timed_out”:false,
“_shards”:{“total”:5,”successful”:5,”failed”:0},
“hits”:{
“total”:1,
“max_score”:0.28582606,
“hits”:[
{
“_index”:”accounts”,
“_type”:”person”,
“_id”:”1”,
“_score”:0.28582606,
“_source”: {
“user” : “张三”,
“title” : “工程师”,
“desc” : “数据库管理，软件开发”
}
}
]
}
}
Elastic 默认一次返回10条结果，可以通过size字段改变这个设置。
$ curl ‘localhost:9200/accounts/person/_search’ -d ‘
{
“query” : { “match” : { “desc” : “管理” }},
“size”: 1
}’
上面代码指定，每次只返回一条结果。
还可以通过from字段，指定位移。
$ curl ‘localhost:9200/accounts/person/_search’ -d ‘
{
“query” : { “match” : { “desc” : “管理” }},
“from”: 1,
“size”: 1
}’
上面代码指定，从位置1开始（默认是从位置0开始），只返回一条结果。
逻辑运算
如果有多个搜索关键字， Elastic 认为它们是or关系。
$ curl ‘localhost:9200/accounts/person/_search’ -d ‘
{
“query” : { “match” : { “desc” : “软件 系统” }}
}’
上面代码搜索的是软件 or 系统。
如果要执行多个关键词的and搜索，必须使用布尔查询。
$ curl ‘localhost:9200/accounts/person/_search’ -d ‘
{
“query”: {
“bool”: {
“must”: [
{ “match”: { “desc”: “软件” } },
{ “match”: { “desc”: “系统” } }
]
}
}
}’