1. ElasticSearch安装（略）

• java 17的安装——史上最快的JDK

• 这个一定要看 支持一览表

• 

• 集群环境安装

• Kibana 官网安装

2. ElasticSearch基础功能

2.1 索引操作

2.1.1 创建索引

ES软件的索引可以类比为MySQL中表的概念，创建一个索引，类似于创建一个表。查询完成后，Kibana右侧会返回响应结果及请求状态

PUT test_index

重复创建索引——报错！

2.1.2 Head 索引

head test_index

head test_index1

2.1.3 查询索引

2.1.3.1 查询单独索引

GET test_index

2.1.3.2 查询全部索引

GET _cat/indices

2.1.4 增加配置

JSON格式的主题内容

PUT test_index_1
{"aliases":{"test1":{}}
}

查询看结果

这样 别名就设置上了

GET test1

试一试~

注意：ES软件不支持修改索引信息，如果想要修改，只能新建

2.1.5 删除索引

DELETE test_index_1

再删除一次 ~！

2.2 文档操作

文档是ES软件搜索数据的最小单位，不依赖预先定义的模式，所以可以将文档类比为表的一行JSON类型的数据。我们知道关系型数据库中，要提前定义字段才能使用，在Elasticsearch中，对于字段是非常灵活的，有时候，我们可以忽略该字段，或者动态的添加一个新的字段。

2.2.1 创建文档

索引已经创建好了，接下来我们来创建文档，并添加数据。这里的文档可以类比为关系型数据库中的表数据，添加的数据格式为JSON格式

PUT test_doc

添加索引

PUT test_doc/_doc
{"id":1001,"name":"zhangsan","age":30
}

为什么只让用Post 不让用PUT？

• 因为PUT创建的时候，创建数据具有唯一性标识

PUT test_doc/_doc/1001
{"id":1001,"name":"zhangsan","age":30
}

POST test_doc/_doc
{"id":1002,"name":"lisi","age":40
}

2.2.2 查询文档

2.2.2.1 查询个别文档

GET test_doc/_doc/1001

GET test_doc/_doc

2.2.2.2 查询文档所有数据

GET test_doc/_search

2.2.3 修改数据

PUT test_doc/_doc/1001
{"id":10011,"name":"zhangsan1","age":300,"tel":123123
}

POST 也可以

2.2.4 删除数据

DELETE test_doc/_doc/1002

再删一次

2.3 文档搜索

PUT test_query

PUT test_query/_bulk
{"index": {"_index": "test_query","_id": "1001"}}
{"id": "1001","name":"zhang san","age":30}
{"index": {"_index": "test_query","_id": "1002"}}
{"id": "1002","name":"li si","age": 40}
{"index": {"_index": "test_query","_id": "1003"}}
{"id": "1003", "name": "wang wu","age" : 50}
{"index": {"_index": "test_query","_id": "1004"}}
{"id": "1004","name": "zhangsan", "age" : 30}
{"index": {"_index": "test_query","_id": "1005"}}
{"id": "1005","name": "lisi","age":40}
{"index": {"_index": "test_query","_id": "1006"}}
{"id": "1006", "name ": "wangwu","age" : 50}

2.3.1 Match分词查询

Match 是分词查询，ES会将数据分词保存

GET test_query/_search
{"query":{"match":{"name":"zhangsan"}}
}

GET test_query/_search
{"query":{"match":{"name":"zhang"}}
}

GET test_query/_search
{"query":{"match":{"name":"zhang li"}}
}

2.3.2 使用term精确匹配某个字段的关键词

但是我不想分词~

GET test_query/_search
{"query":{"term":{"name":{"value":"zhang san"}}}
}

GET test_query/_search
{"query":{"term":{"name":{"value":"zhangsan"}}}
}

2.3.3 查询结果中过滤某些不需要的字段

某些情况下，不需要查询结果中返回所有的字段，就可以通过添加"_source"进行限制

GET test_query/_search
{"_source": ["name","age"], "query": {"match": {"name": "zhang"}}
}

2.3.4 多条件组合查询

组合查询的关键语法是需要在查询条件中使用bool关键字

2.3.4.1 查询name中含有zhang或age为40的数据

这个需求类似于mysql 中的or的语法，在es中使用should可以满足类似的需求

GET test_query/_search
{"query": {"bool": {"should": [[{"match":{"name":"zhang"}},{"match":{"age":40}}]]}}
}

2.3.4.2 查询文档中name中必须含有zhang或者age必须大于等于30岁的数据

组合使用should和must

GET test_query/_search
{"query": {"bool": {"must": [[{"match":{"name":"zhang"}}]],"should": [{"range": {"age": {"gte": 30}}}]}}
}

2.3.4.3 查询结果排序

查询name中含有 zhang的文档，并按照age排序

GET test_query/_search
{"query": {"match": {"name": "zhang"}},"sort":[{"age" : {"order":"desc"}}]
}

2.3.5 分页查询

语法

GET 索引名称/_search
{"query": {"match_all": {}},"from": 0,        //从第几条开始查询"size": 2         //每次查询多少数据
}

看下面的查询结果

计算公式：

$$from=(pageno-1)\ast size$$

2.4 聚合搜索

实际业务中，经常会涉及到对查询的结果根据某个或者某些字段进行聚合，类似于mysql中的group by语法；

2.4.1 根据age将查询结果进行分组聚合

注意点：这里 "size"设置为0表示查询结果中不展示其他非聚合结果的信息；

GET test_query/_search
{"aggs": {"aggAge": {"terms": {"field": "age"}}},"size": 0
}

2.4.2 查询年龄大于等于40岁的，并将结果按照age分组聚合

GET test_query/_search
{"query": {"range": {"age": {"gte": 40}}}, "aggs": {"aggAge": {"terms": {"field": "age"}}},"size": 0
}

查询结果如下

2.4.3 根据age分组聚合，再对聚合后的结果按照age求平均值

GET test_query/_search
{"aggs": {"ageAgg": {"terms": {"field": "age"},"aggs": {"avgAgg": {"avg": {"field": "age"}}}}},"size": 0
}

查询结果如下

2.4.4 获取结果集中的前N个数据

GET test_query/_search
{"aggs": {"top3": {"top_hits": {"size": 3}}},"size": 0
}

查询结果如下

2.4.5 获取结果集中按照age字段排序后求取前N个数据

GET test_query/_search
{"aggs": {"top3": {"top_hits": {"sort": [{"age" : {"order":"desc"}}], "size": 3}}},"size": 0
}

2.5 索引模板

我们之前对索引进行一些配置信息设置，但是都是在单个索引上进行设置。在实际开发中，我们可能需要创建不止一个索引，但是每个索引或多或少都有一些共性。

比如我们在设计关系型数据库时，一般都会为每个表结构设计一些常用的字段，比如：创建时间，更新时间，备注信息等。elasticsearch 在创建索引的时候，就引入了模板的概念，你可以先设置一些通用的模板，在创建索引的时候，elasticsearch会先根据你创建的模板对索引进行设置。

elasticsearch中提供了很多的默认设置模板，这就是为什么我们在新建文档的时候，可以为你自动设置一些信息， 做一些字段转换等。

2.5.1 创建/修改 索引

索引可使用预定义的模板进行创建这个模板称作Indextemplates.模板设置包括settings和mappings

PUT _template/mytemplate{"index_patterns": ["my*"  // 该模板自动适用于索引名称以 my 开头的索引],// 设置模板规则"settings": {"index": {"number_of_shards": "2" // 分片数量}},// 影射规则"mappings": {"properties": {// 字段 now 的类型及格式"now": {"type": "date","format": "yyyy/MM/dd"}}}
}

可以多长操作！！

2.5.2 查看模板

GET _template/模板名称

2.5.3 更新模板

与创建命令相同，只要创建的模板名称已存在，就是更新操作，新规则覆盖旧规则

如果创建的是索引，不是索引模板，当要创建的索引已存在时，操作是不会成功的，会出错，提示索引已存在

2.5.4 应用模板

只要新创建的 索引 符合 索引模板 的匹配规则，就会自动应用模板

如：新创建 my_index_template 索引，以 my 开头，符合匹配规则

// 应用索引模板；创建以 my 开头的索引
PUT my_index_template
// 查询创建的索引
GET my_index_template

2.5.5 删除模板

DELETE _template/索引模板名称

删除后查询；结果为空；查询不存在的索引模板时，结果都为空

2.6 中文分词

我们在使用Elasticsearch官方默认的分词插件时会发现，其对中文的分词效果不佳，经常分词后得效果不是我们想要得。

2.6.1 分词操作

GET _analyze
{"analyzer": "standard", "text": ["zhang san"]
}

2.6.2 分词操作(不带插件情况下，中文拆分逻辑太适合)

GET _analyze
{"analyzer": "chinese", "text": ["我是一个三好学生"]
}

2.6.3 集成了IK插件后提供的分词

一定注意！版本下载的正确性！！！


别忘了重新启动！！

2.6.3.1 ik_smart——最少切分

GET _analyze
{"analyzer": "ik_smart", "text": ["我是一个三好学生"]
}

2.6.3.2 ik_max_word——最细粒度切分

相较于上者，分得更加精细

GET _analyze
{"analyzer": "ik_max_word", "text": ["我是一个三好学生"]
}

2.6.4 自定义分词效果

重新启动ES！！！

2.7 文档评分机制（转载）

PUT test_scorePUT test_score/_doc/1001
{"text": "zhang kai shou bi, yin jie tai yang"
}PUT test_score/_doc/1002
{"text": "zhang san"
}GET test_score/_search?explain=true
{"query": {"match": {"text": "zhang"}}
}

• 该章节转载了 ElasticSearch之score打分机制原理

Elasticsearch 的得分机制是一个基于词频和逆文档词频的公式，简称为 TF-IDF 公式，所以先来研究下 TF-IDF原理。

2.7.1 TF-IDF 原理

• 英文全称：Term Frequency - Inverse Document Frequency
• 中文名称：词频-逆文档频率

常用于文本挖掘，资讯检索等应用，在NLP以及推荐等领域都是一个常用的指标，用于衡量字词的重要性。

比较直观的解释是，如果一个词本来出现的频率就很高，如the，那么它就几乎无法带给读者一些明确的信息。

一般地，以TF-IDF衡量字词重要性时

• 某个字词在某个文档中出现的频率越高，那么该字词对该文档就有越大的重要性，它可能会是文章的关键词（词在单个文档中出现的频率，相对于当个文档！！！）
• 但若字词在词库中出现的频率越高，那么字词的重要性越低，如the。（相对于整个文档集合，也就是词库）

2.7.1.1 计算公式

TF-IDF即是两者相乘，词频乘以逆文档频率，如下：

TF-IDF$=TF\ast IDF$

下标i，j的含义：编号为j的文档中的词语i在该文档中的词频，即所占比例，n为该词语的数量。如下：

换言之，就是词语出现的次数与文档中所有词总数的比值。

$$T{F}_{ij}=\frac{n_{ij}}{n_{\ast j}}$$

N表示文档总数，Ni表示文档集中包含了词语 $i$ 的文档数。

对分子分母加一是为了避免某些词语没有在文档中出现过，导致分母为零的情况。

IDF针对某个词计算了它的逆文档频率，即包含该词语的文档比例的倒数（再取对数），若IDF值越小，分母越大，说明这个词语在文档集中比较常见不具有鲜明的信息代表性，TF-IDF的值就小。

总之TF-IDF的值，通常希望它越大越好，大值代表性强。如下：

$$ID{F}_i=log（\frac{N+1}{N_i+1}）$$

2.7.1.2 示例说明

有两个文档，即doc1、doc2，并去它们的并集

doc1 = "The cat sat on my bed"
doc2 = "The dog sat on my knees"
# 构建词库,union是并集操作
wordSet = set(doc1.split()).union(set(doc2.split()))

两个文档的并集如下：

{‘The’,‘bed’,‘cat’,‘dog’,‘knees’,‘my’,‘on’,‘sat’}

doc1、doc2两个文档对应的词在并集中的统计情况：

序号	cat	sat	my	on	dog	bed	The	knees
0	1	1	1	1	0	1	1	0
1	0	1	1	1	1	0	1	1

2.7.1.3 计算TF

计算词频 TF，对单个文档统计：

再理解一下，何为TF，表示单个单词占当前文档所有单词集合的比值。即1/6=0.16666666666…

cat	sat	my	on	dog	bed	The	knees
1	1	1	1	0	1	1	0
0.166666…	0.166666…	0.166666…	0.166666…	0	0.166666…	0.166666…	0

2.7.1.4 计算IDF

逆文档频率IDF,全局只有一份逆文档频率，对所有文档统计

N表示文档总数，Ni`表示文档集中包含了词语i的文档数。

此时N=2，共有两个文档。Ni表示含有单词的文档个数。

cat	sat	my	on	dog	bed	The	knees
0.17609125…	0.0	0.0	0.0…	0.17609125…	0.17609125…	0.0	0.17609125…

2.7.1.5 TF-IDF计算

最终计算：TF-IDF = TF * IDF

序号	cat	sat	my	on	dog	bed	The	knees
0	0.029349	0	0	0	0.029349	0	0	0
1	0	0	0	0.029349	0	0	0	0.029349

2.7.2 Elasticsearch打分机制

上面介绍了TF-IDF的原理，而ES的得分机制就是基于词频和逆文档词频的公式，即TF-IDF公式。
$$score(q,d)=coord(q,d)\cdot queryNorm(q)\cdot \sum _{tinq}(tf(tind)\cdot idf(t){}^2\cdot t.getBoost()\cdot norm(t,d))$$

公式中将查询作为输入，使用不同的手段来确定每一篇文档的得分，将每一个因素最后通过公式综合起来，返回该文档的最终得分。这个综合考量的过程，在ES中这种相关性称为得分。

考虑到查询内容和文档的关系比较复杂，所以公式中需要输入的参数和条件非常得多，但是其中比较重要的其实是TF-IDF算法 ，再次解释一下。

• TF (词频)

Term Frequency : 搜索文本中的各个词条在查询文本中出现了多少次，次数越多，就越相关，得分会比较高

• IDF(逆文档频率)

Inverse Document Frequency : 搜索文本中的各个词条在整个索引的所有文档中出现了多少次，出现的次数越多，说明越不重要，也就越不相关，得分就比较低。

2.7.2.1 示例说明

在查询语句的最后加上explain=true ，会把得分过程打印。

注：当前ElasticSearch的scorpios索引里，只有一个文档。

PUT itwluoPUT itwluo/_doc/1001
{"text": "java"
}GET itwluo/_search
{"query": {"match": {"text": "java"}}
}

result

{"took": 992,"timed_out": false,"_shards": {"total": 1,"successful": 1,"skipped": 0,"failed": 0},"hits": {"total": {"value": 1,"relation": "eq"},"max_score": 0.2876821,"hits": [{"_index": "itwluo","_id": "1001","_score": 0.2876821,"_source": {"text": "java"}}]}
}

详细结果

{"took": 3,"timed_out": false,"_shards": {"total": 1,"successful": 1,"skipped": 0,"failed": 0},"hits": {"total": {"value": 1,"relation": "eq"},"max_score": 0.2876821,"hits": [{"_shard": "[itwluo][0]","_node": "EX7ZCQpSRLu-OWEZjQazog","_index": "itwluo","_id": "1001","_score": 0.2876821,"_source": {"text": "java"},"_explanation": {"value": 0.2876821,"description": "weight(text:java in 0) [PerFieldSimilarity], result of:","details": [{"value": 0.2876821,"description": "score(freq=1.0), computed as boost * idf * tf from:","details": [{"value": 2.2,"description": "boost","details": []},{"value": 0.2876821,"description": "idf, computed as log(1 + (N - n + 0.5) / (n + 0.5)) from:","details": [{"value": 1,"description": "n, number of documents containing term","details": []},{"value": 1,"description": "N, total number of documents with field","details": []}]},{"value": 0.45454544,"description": "tf, computed as freq / (freq + k1 * (1 - b + b * dl / avgdl)) from:","details": [{"value": 1,"description": "freq, occurrences of term within document","details": []},{"value": 1.2,"description": "k1, term saturation parameter","details": []},{"value": 0.75,"description": "b, length normalization parameter","details": []},{"value": 1,"description": "dl, length of field","details": []},{"value": 1,"description": "avgdl, average length of field","details": []}]}]}]}}]}
}

新增数据后，观察分值变化

PUT itwluo/_doc/1002
{"text": "java bigdata"
}#查询文档数据
GET itwluo/_search?explain=true
{"query": {"match": {"text": "java"}}
}

详细结果

{"took": 609,"timed_out": false,"_shards": {"total": 1,"successful": 1,"skipped": 0,"failed": 0},"hits": {"total": {"value": 2,"relation": "eq"},"max_score": 0.21110919,"hits": [{"_shard": "[itwluo][0]","_node": "EX7ZCQpSRLu-OWEZjQazog","_index": "itwluo","_id": "1001","_score": 0.21110919,"_source": {"text": "java"},"_explanation": {"value": 0.21110919,"description": "weight(text:java in 0) [PerFieldSimilarity], result of:","details": [{"value": 0.21110919,"description": "score(freq=1.0), computed as boost * idf * tf from:","details": [{"value": 2.2,"description": "boost","details": []},{"value": 0.18232156,"description": "idf, computed as log(1 + (N - n + 0.5) / (n + 0.5)) from:","details": [{"value": 2,"description": "n, number of documents containing term","details": []},{"value": 2,"description": "N, total number of documents with field","details": []}]},{"value": 0.5263158,"description": "tf, computed as freq / (freq + k1 * (1 - b + b * dl / avgdl)) from:","details": [{"value": 1,"description": "freq, occurrences of term within document","details": []},{"value": 1.2,"description": "k1, term saturation parameter","details": []},{"value": 0.75,"description": "b, length normalization parameter","details": []},{"value": 1,"description": "dl, length of field","details": []},{"value": 1.5,"description": "avgdl, average length of field","details": []}]}]}]}},{"_shard": "[itwluo][0]","_node": "EX7ZCQpSRLu-OWEZjQazog","_index": "itwluo","_id": "1002","_score": 0.160443,"_source": {"text": "java bigdata"},"_explanation": {"value": 0.160443,"description": "weight(text:java in 0) [PerFieldSimilarity], result of:","details": [{"value": 0.160443,"description": "score(freq=1.0), computed as boost * idf * tf from:","details": [{"value": 2.2,"description": "boost","details": []},{"value": 0.18232156,"description": "idf, computed as log(1 + (N - n + 0.5) / (n + 0.5)) from:","details": [{"value": 2,"description": "n, number of documents containing term","details": []},{"value": 2,"description": "N, total number of documents with field","details": []}]},{"value": 0.40000004,"description": "tf, computed as freq / (freq + k1 * (1 - b + b * dl / avgdl)) from:","details": [{"value": 1,"description": "freq, occurrences of term within document","details": []},{"value": 1.2,"description": "k1, term saturation parameter","details": []},{"value": 0.75,"description": "b, length normalization parameter","details": []},{"value": 2,"description": "dl, length of field","details": []},{"value": 1.5,"description": "avgdl, average length of field","details": []}]}]}]}}]}
}

2.7.2.2 计算 TF 值

$$TF=freq/(freq+k1\ast (1-b+b\ast dl/avgdl))$$

参数	含义	取值
freq	文档中出现词条的次数	1.0
k1	术语饱和参数	1.2（默认值）
b	长度规格参数（单词长度对于整个文档的影响程度）	0.75（默认值）
dl	当前文中分解的字段长度	1.0
avgdl	查询文档中分解字段数量/查询文档数量	1.0
TF（词频）	1.0/(1+1.2 * (1-0.75+0.75 * 1.0/1.0))	0.454545

2.7.2.3 计算 IDF 值

$$IDF=ln(1+(N-n+0.5)/(n+0.5))$$

参数	含义	取值
N	包含查询字段的文档总数（不一定包含查询词条）	1
n	包含查询词条的文档数	1
IDF（逆文档频率）	log(1+(1-1+0.5)/(1+0.5))	0.2875821

注：这里的 ln是底数为e 的对数

2.7.2.4 计算文档得分

$$score=tfboost\ast idf\ast tf$$

参数	含义	取值
boost	词条权重	2.2（基础值）*查询权重（1）
idf	逆文档频率	0.2876821
tf	词频	0.454545
score（得分）	2.20.28768210.454545	0.2876821

2.7.2.5 增加新的文档测试得分

• 增加一个毫无关系的文档

# 增加文档
PUT /scorpios/_doc/2
{"text" : "spark"
}
# 得分：0.6931741
GET /scorpios/_search
{"query": {"match": {"text": "hello"}} }

因为新文档无词条相关信息，所以匹配的文档数据得分就应该较高

• 增加一个一模一样的文档

# 增加文档
PUT /scorpios/_doc/2
{"text" : "hello"
}# 得分：0.18232156
GET /scorpios/_search
{"query": {"match": {"text": "hello"}}
}

因为新文档含词条相关信息，且多个文件含有词条，所以显得不是很重要，得分会变低

• 增加一个含有词条，但是内容较多的文档

# 增加文档
PUT /scorpios/_doc/2 
{"text" : "hello elasticsearch" 
}
# 得分：0.14874382
GET /scorpios/_search
{"query": {"match": {"text": "hello"}}}

因为新文档含词条相关信息，但只是其中一部分，所以查询文档的分数会变得更低一些。

2.7.3 案列

2.7.3.1 需求

查询文档标题中含有Hadoop,Elasticsearch,Spark的内容，优先选择Spark的内容

2.7.3.2 准备数据

# 创建索引
PUT /test
# 准备数据
PUT /test/_doc/1001
{"title" : "Hadoop is a Framework","content" : "Hadoop 是一个大数据基础框架" 
}
PUT /test/_doc/1002
{"title" : "Hive is a SQL Tools","content" : "Hive 是一个 SQL 工具" 
}
PUT /test/_doc/1003
{"title" : "Spark is a Framework","content" : "Spark 是一个分布式计算引擎" 
}

2.7.3.3 查询数据

# 查询文档标题中含有“Hadoop”,“Elasticsearch”,“Spark”的内容
GET /test/_search?explain=true
{"query": {"bool": {"should": [{"match": {"title": {"query": "Hadoop", "boost": 1}}},{"match": {"title": {"query": "Hive", "boost": 1}}},{"match": {"title": {"query": "Spark", "boost": 1}}}]}}
}

此时会发现，Spark的结果并不会放置在最前面

此时可以更改 Spark 查询的权重参数 boost，看看查询的结果有什么不同

# 查询文档标题中含有“Hadoop”,“Elasticsearch”,“Spark”的内容
GET /test/_search?explain=true
{"query": {"bool": {"should": [{"match": {"title": {"query": "Hadoop", "boost": 1}}},{"match": {"title": {"query": "Hive", "boost": 1}}},{"match": {"title": {"query": "Spark", "boost": 2}}}]}}
}