首页 > 代码库 > ElasticSearch 索引
ElasticSearch 索引
这是ElasticSearch 2.4 版本系列的第三篇：
第一篇：ES1：Windows下安装ElasticSearch
第二篇：ES2：ElasticSearch 集群配置
第三篇：ES3：ElasticSearch 索引
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，段不是实时更新的，这意味着，在建立索引时，一个段写入磁盘后，就不再被更新。被删除文档的信息存储在一个单独的文件中，在搜索数据时，ElasticSearch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”未被删除文档“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，将未删除的文档合并成一个新段，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，需要消耗大量的IO操作。
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，数据格式是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索引的配置信息
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，允许向文档类型中加入字段，推荐设置为false，关闭ElasticSearch自动类型检测，同时关闭自动添加字段；文档类型的所有字段必须显式定义，在properties字段中未定义的字段都将会ElasticSearch忽略。
{
"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：
"properties":{
"id":{"type":"long"},
2，字段的公共属性
- index_name：该属性定义字段的别名，该别名会存储在索引中；默认值是字段的名称。
- index：编入索引，该属性共有三个有效值：analyzed、no和not_analyzed：
- analyzed：表示该字段将会被ES引擎分析，产生token，能够使用全文搜索；
- not_analyzed：表示该字段不会被分析，使用原始值编入索引；
- no：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：该属性值是boolean，指定是否将字段的原始值写入索引，默认值是no
- boost：助推，默认值是1，定义了字段在文档中的重要性/权重；
- copy_to：该属性指定一个字段Field1，字段Field1的值将会被复制到当前字段；
- 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。
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线器名称，默认值是全局定义的分析器名称
- index_analyzer：该属性定义用于建立索引的分析器名称；
- 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；
- index_options：索引选项
分析器(analyzer)属性，可以引用在配置结点（settings）中自定义的分析器
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：忽略错误格式，默认值是false，不忽略错误格式；
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，信息格式（postings_format）
postings_format属性用于为字段指定信息格式：
- default：使用字段的默认信息格式，提供了实时的对存储字段和词向量的压缩功能
- pulsing：将高基数字段的信息列表编码为词条矩阵，加快查询速度；
- direct：在读操作过程中将词条加载到矩阵中，能够提升常用字段的性能，但是内存消耗较大；
- memory：将所有的数据写入硬盘，并将数据读取到内存中；
- bloom_default和bloom_pulsing分别是default 和 pulsing的扩展，增加了bloom过滤器；
8，文档值格式（doc_values_format）
文档值格式（doc_values_format），该属性定义字段的值被写入到具有较高内存效率的列式结构，以便进行高效的排序和聚合搜索。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。
文档值格式的有效值：
- default：当未指定文档值格式时，使用默认格式，使用少量内存；
- disk：将字段数据存储在硬盘中，几乎不需要内存，在执行排序和聚合操作时，性能略有降低；由于字段数据存储在硬盘上，从而节省JVM堆内存空间；
- memory：将字段数据存储在内存中，在执行排序和聚合操作时，和倒排索引字段的功能不相上下，由于这种数据结构存储在内存中，索引的刷新速度更快；
配置字段的文档值格式：
"properties":{
"id":{
"type":"int","doc_values_format":"memory"
},
四，附加字段
1，_all 字段
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
_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":"false"
}
}
}
{
"articles":{
"_source":{
"excludes":["Content","Comments"],
"includes":["author"]
}
}
}
3，_routing 字段
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
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：
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：
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
下回分解
附：索引的配置文档
{
"settings":{
"number_of_shards":5,
"number_of_replicas":0
},
"mappings":{
"articles":{
"_routing":{
"required":true
},
"_all":{
"enabled":false
},
"_source":{
"enabled":false
},
"dynamic_date_formats":[
"yyyy-MM-dd",
"yyyyMMdd"
],
"dynamic":"false",
"properties":{
"articleid":{
"type":"long",
"store":"yes",
"index":"analyzed"
},
"title":{
"type":"string",
"store":"yes",
"index":"analyzed",
"fields":{
"title":{
"type":"string",
"index":"not_analyzed"
}
}
},
"author":{
"type":"string",
"store":"yes",
"index":"analyzed",
"fields":{
"author":{
"type":"string",
"index":"not_analyzed"
}
}
},
"content":{
"type":"string",
"store":"yes",
"index":"analyzed"
},
"postat":{
"type":"date",
"store":"yes",
"format":[
"yyyy-MM-dd",
"yyyyMMdd"
],
"index":"not_analyzed"
}
}
}
}
}
参考文档：
Elasticsearch Reference [2.4] ? Mapping
ElasticSearch 索引