*全文检索服务器，基于Lucene的API。很容易搭建一个集群
ElasticSearch安装及环境配置，Kibana安装及环境配置，中文分词器安装IK
Elasticsearch 是一款稳定高效的分布式搜索和分析引擎，它的底层基于 Lucene，并提供了友好的 RESTful API 来对数据进行操作，还有比较重要的一点是， Elasticsearch 开箱即可用，上手也比较容易。
1.docker 搜索镜像
docker search elasticsearch
2.拉取elasticsearch镜像
docker pull elasticsearch:6.8.3
3.启动Elasticsearch
docker run -id --name esearch -p 9200:9200 -p 9300:9300 elasticsearch:6.8.3
4.检查启动后的ElasticSearch启动镜像状态
docker ps -a
5.检查ElasticSearch的web服务运行情况
curl http://宿主机IP:9200/
6.Elasticsearch 启动后，也启动了两个端口 9200 和 9300：
解释：
1.9200 端口：HTTP RESTful 接口的通讯端口
2.9300 端口：TCP 通讯端口，用于集群间节点通信和与 Java 客户端通信的端口
测试:浏览器访问-->http://localhost:9200/ 或如下访问
curl 'http://localhost:9200/?pretty'
7.导入数据: 取得本地数据[/Users/facebook/Downloads/logs.jsonl]
curl -H 'Content-Type: application/x-ndjson' -XPOST 'localhost:9200/_bulk?pretty' --data-binary @/Users/facebook/Downloads/logs.jsonl
8.查看数据:
curl -XGET 'localhost:9200/_cat/indices?v&pretty'
如果ElasticSearch服务停止或是挂掉，先使用docker删除对应的进程：docker rm ae89feb13d62
1.进入容器
docker exec -it b8c7c128df2f /bin/bash
2.查看目录
ls
cd config/
3.编辑 .yml 文件
vim elasticsearch.yml
4.增加跨域功能
文件末尾：
http.cors.enabled: true
http.cors.allow-origin: "*"
5.重启容器
service docker restart效果图：
1..镜像拉取
docker pull mobz/elasticsearch-head:5
2.启动
docker run --name es-head -p 9100:9100 mobz/elasticsearch-head:5
3.查看启动是否成功
Started connect web server on http://localhost:91001.查看进程
docker ps - a
2.杀死没用，删除
docker rm ae89feb13d62
3.查看删除
docker ps -l Kibana是ES的一个配套工具，让用户在网页中可以直接与ES进行交互。 Kibana的默认端口是5601
1.安装
brew install kibana
2.启动
kibana
1.安装
$ brew install httpie
2.启动
$ port install httpie对应关系:
Mysql:
databases --> tables -->row ----> columns
ElasticSearch:
indexs ---> Types ----> Document---->Fields(域)
映射：mapping 对应数据库表结构的定义
1.创建索引，然后分片，副本（备份）
2.复合查询发送json数据，建议使用postman
1.创建索引库
PUT:
http://127.0.0.1:9200/blog1
{
"mappings":{ //索引库信息
"article":{ //type的名称，mysql表的概念
"properties":{ //mysql表属性名称概念 相当于字段的定义
"id":{ //字段的名称
"type":"long", //字段类型
"store":true, //是否存储
"index":"not-analyzed" //默认是不索引的
},
"title":{ //标题
"type":"text",
"store":true,
"index":"analyzed", //是否索引
"analyzer":"standard" //分词器 ：标准分词器
},
"content":{ //内容
"type":"text",
"store":true,
"index":"analyzed",
"analyzer":"standard"
}
}
}
}
}2.设置mappings
POST: http://127.0.0.1:9200/blog1(索引名称)/hello(相当于表名)_mappings(执行动作)
"hello":{
"article":{
"properties":{
"id":{
"type":"long",
"store":true,
"index":"not-analyzed"
},
"title":{
"type":"text",
"store":true,
"index":"analyzed",
"analyzer":"standard"
},
"content":{
"type":"text",
"store":true,
"index":"analyzed",
"analyzer":"standard"
}
}
}
}
3.删除索引库
DELETE: http://127.0.0.1:9200/blog1
"mappings":{
"article":{
"properties":{
"id":{
"type":"long",
"store":true,
"index":"not-analyzed"
},
"title":{
"type":"text",
"store":true,
"index":"analyzed",
"analyzer":"standard"
},
"content":{
"type":"text",
"store":true,
"index":"analyzed",
"analyzer":"standard"
}
}
}
}
4.创建文档 (一条数据就是一个Document)
POST: http://127.0.0.1:9200/blog1/hello/1 (解释：blog数据库名，hello 表名,1 文档Document 对应row)
{
"id":1
"title":新添加文档
"content":"新添加的文档的内容"
}
返回数据解析:
{
"_index":"blog1",
"_type":hello,
"_id":1, //** _id 文档真正的id相当于主键， 并不是我们的id 属性
"_version":1,
"reslut":"created",
"_shards":{
"total":2,
"sucessfull":1,
"failed":0
}
"created":true
}
5.删除文档
DELETE:
http://127.0.0.1:9200/blog1/hello/1 (删除blog1文档下hello表名为id为1的)
不需要body
6.修改文档 【Lucene底层实现的删除都是先删除后添加】
POST
http://127.0.0.1:9200/blog1/hello/1
{
"id":1,
"title":"修改文档1", //本质是先删除都添加
"content":"修改文档1内容"
}7.查询 根据_id
GET
http://127.0.0.1:9200/blog1/hello/1 查询的是主键_id
8.根据关键词 term
POST
http://127.0.0.1:9200/blog1/hello/_search 关键字_search
"query":{ //查询条件 query
"term":{ //根据term关键词查询 必须要指定在哪个字段 (title)，哪个关键词 用户输入
"title":"关键词(用户输入)"
}
}
9.querystring 带分析的查询 Lucene queryPath
POST
http://127.0.0.1:9200/blog1/hello/_search 关键字_search
"query":{
"query_string":{ //需要指定默认搜索域
"default_field":"title" //默认搜索域
"query":"今天在修路"
}
}
10.使用head 插件查询
- 1.基本查询
- 1.查询条件
- 两个条件should ，两个只需要满足一个就行 多条件查询时 假设两个查询条件 OR
- must：两个条件必须都满足 多条件查询时 假设两个查询条件 AND
- 1.查询条件
- 2.复合查询
对应效果图
**** 标准分词器: 一个汉字一个词 ,标准分词器 中文只能分成一个汉字 ****
1.查看分词器的分析结果 使用postman
http://127.0.0.1:9200/_analyze?analyze=standard&pretty=true&text="我是程序员"
解释：
_analyze :分词器关键字
analyze=standard:指定标准分词器
pretty=true:表示格式化输出
text: 我们要分析的内容
** 做中文项目 我们要使用中文分词器 IK中文分词器***
1.进入elasticsearch容器 -->plugins 目录下
docker exec -it b8c7c128df2f /bin/bash
ls
cd plugins/
2.下载ik分析器 wget https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v6.8.3/elasticsearch-analysis-ik-6.8.3.zip
ls
3.解压缩 ** cd /usr/share/elasticsearch/plugins/ik ** 一定要创建文件夹 unzip xxx 重命名为ik 4.重启 docker restart esearch (esearch 与前面创建的esearch 名字一致)
IK两种算法: ik_smart: ik_max_word: 拆分更多的中文分词
GET
http://127.0.0.1:9200/_analyze?analyze= ik_smart&pretty=true&text="我是程序员"
GET
http://127.0.0.1:9200/_analyze?analyze= ik_smart&pretty=true&text="我是程序员"
效果：
概念：大于2个节点就可以成为集群，一个node成为一个服务器。每个节点都有自己的名臣。
集群：cluster
节点：node
ES：默认分5片 --->5片加起来就是一个完整的索引库
高可用：备份节点
一般备份节点与节点不在同一个服务器上，防止服务器挂掉，备份节点就无法工作。
物理存储单元：
一个物理存储单元就是一个Lucene创建的索引库。
1. 准备三台ElasticSearch服务器
创建ElasticSearch-cluster文件夹，在内部复制三个ElasticSearch服务
elasticSearch/data 目录不能有数据，这里就是Lucene的索引库
2.修改每台服务器的配置
修改 elasticSearch/config/elasticsearch.yml 配置文件
配置信息
/* 这个文件里
http.cors.enabled: true
http.cors.allow-origin: "*"
*/
# 节点1的配置信息
# 集群名称，保证唯一
cluster.name: my-elasticsearch
#节点名称 必须不一样
node.name: node-1
#本机的ip地址
network.host:127.0.0.1
#服务端口号，在同一机器侠必须不一样
http.port:9200
# 集群建的通讯端口号 在同一机器侠必须不一样
transport.tcp.port:9300
#设置集群自动发信机器ip集合
discovery.zen.ping.unicast.host:["127.0.0.1:9300","127.0.0.1:9302","127.0.0.1:9303"]
星号： 主检点
圆点：从节点