Elasticsearch入门(一)

摘要：倒排索引我们将需要扫描检索的内容的每一个词建立一个索引，指明该词在文章中出现的次数和位置，当用户查询时，根据事先建立的索引进行查找，并将查找的结果反馈给用户。

什么是ElasticSearch呢，首先看看百度百科上的解释：

ElasticSearch是一个基于的搜索服务器。它提供了一个分布式多用户能力的全文搜索引擎，基于RESTful web接口；ElasticSearch 是一个分布式、高扩展、高实时的搜索与数据分析引擎。它能很方便的使大量数据具有搜索、分析和探索的能力。充分利用ElasticSearch的水平伸缩性，能使数据在生产环境变得更有价值。

从上面的解释中，我们可以知道：

ES是一个基于Lucene的实时分布式搜索和分析引擎，但隐藏了Lucene的复杂性，为使用者提供了简单易用的restful api接口、java api接口（包括其他语言的api接口）。

这里有几个概念我们需要了解：

讲到搜索，大部分人可能会想到百度、谷歌等，比如我想看电影，一般会先打开百度，然后输入电影名，进行搜索；
搜索，就是在任何场景下，找寻你想要的信息，这个时候，会输入一段你要搜索的关键字，然后就期望找到这个关键字相关的有些信息，如：
1）互联网的搜索：电商网站(天猫)，招聘网站(Boss)，各种app
2）IT系统的搜索：OA系统，会议管理等。

Lucene说白了就是一个jar包，里面包含了封装好的各种建立倒排索引，以及进行搜索的代码，包括各种算法。我们在开发的时候，引入lucene jar，然后基于lucene的api进行去进行开发就可以了。
倒排索引：我们将需要扫描检索的内容的每一个词建立一个索引，指明该词在文章中出现的次数和位置，当用户查询时，根据事先建立的索引进行查找，并将查找的结果反馈给用户。我们可以想象成通过字典中的检索字表查字的过程。

1）新闻网站，用户行为日志（点击，浏览，收藏等）+ 社交网络数据（对某某新闻的相关看法），数据分析，给到每篇新闻文章的作者，让他知道他的文章的公众反馈（好，坏，热门，垃圾，鄙视，崇拜）。
2）Stack Overflow（国外的程序异常讨论论坛），IT问题，程序的报错，提交上去，有人会跟你讨论和回答，全文检索，搜索相关问题和答案，程序报错了，就会将报错信息粘贴到里面去，搜索有没有对应的答案。
3）国内：站内搜索（电商，招聘，门户，等等），IT系统搜索（OA，CRM，ERP，等等），数据分析（ES热门的一个使用场景）。

1）可以上百台服务器，处理PB级数据，服务大公司；也可以运行在单机上，服务小公司；
2）Elasticsearch不是什么新技术，主要是将全文检索、数据分析以及分布式技术，合并在了一起，才形成了独一无二的ES；
3）对用户而言，是透明的，开箱即用，非常简单，作为中小型的应用，直接3分钟部署一下ES，就可以作为生产环境的系统来使用了；
4）数据库的功能面对很多领域是不够用的（事务，还有各种联机事务型的操作）；特殊的功能，比如全文检索，同义词处理，相关度排名，复杂数据分析，海量数据的近实时处理；Elasticsearch作为传统数据库的一个补充，提供了数据库所不能提供的很多功能。

当我们启动ElasticSearch后，它会利用多播或者单播模式去集群中寻找其它节点，并和节点建立连接。整个过程如下图所示：

近实时，从写入数据到数据可以被搜索到有一个小延迟（大概1秒）；基于es执行搜索和分析可以达到秒级。

集群包含多个节点，可以配置每个节点属于哪个集群（集群名称，默认是elasticsearch），对于中小型应用来说，刚开始一个集群可能就一个节点。

集群中的一个节点，节点也有一个名称（默认随机分配的），节点名称很重要（在执行运维管理操作的时候），默认节点会去加入一个名称为“elasticsearch”的集群，如果直接启动一堆节点，那么它们会自动组成一个elasticsearch集群。

索引包含一堆有相似结构的文档数据，比如可以有一个客户索引，商品分类索引，索引有一个名称。一个index就代表了一类类似的或者相同的document。比如说建立一个商品索引，里面可能就存放了所有的商品数据，类似传统数据库的数据库。

每个索引里都可以有一个或多个type，type是index中的一个逻辑数据分类，一个type下的document，都有相同的field，比如博客系统，有一个索引，可以定义用户数据type，博客数据type，评论数据type，类似传统数据库中的表。

文档是es中的最小数据单元，一个document可以是一条客户数据，一条商品分类数据，通常用JSON数据结构表示，类似传统数据库中的一条数据记录，如：

{
  "product_id": "1",
  "product_name": "黑人牙膏",
  "product_desc": "高效美白",
  "category_id": "2",
  "category_name": "生活用品"
}

Field是Elasticsearch的最小单位。一个document里面有多个field，每个field就是一个数据字段。

数据如何存放到索引对象上，需要有一个映射配置，包括：数据类型、是否存储、是否分词等。创建Mapping 的代码示例如下：

client.indices.putMapping({
    index : "blog",
    type : "article",
    body : {
        article: {
            properties: {
                id: {
                    type: "string",
                    analyzer: "ik",
                    store: "yes",
                },
                title: {
                    type: "string",
                    analyzer: "ik",
                    store: "no",
                },
                content: {
                    type: "string",
                    analyzer: "ik",
                    store: "yes",
                }
            }
        }
    }
});

分片：一个索引可以存储超出单个结点硬件限制的大量数据。比如，一个具有10亿文档的索引占据1TB的磁盘空间，而任一节点都没有这样大的磁盘空间；或者单个节点处理搜索请求，响应太慢。
为了解决这个问题，Elasticsearch提供了将索引划分成多份的能力，这些份就叫做分片。当你创建一个索引的时候，你可以指定你想要的分片的数量。每个分片本身也是一个功能完善并且独立的“索引”，这个“索引”可以被放置到集群中的任何节点上。
分片之所以重要，主要有两方面的原因：
1) 允许你水平分割/扩展你的内容容量
2) 允许你在分片（潜在地，位于多个节点上）之上进行分布式的、并行的操作，进而提高性能/吞吐量
至于一个分片怎样分布，它的文档怎样聚合回搜索请求，是完全由Elasticsearch管理的，对于作为用户的你来说，这些都是透明的。

复制：在一个网络/云的环境里，失败随时都可能发生，在某个分片/节点不知怎么的就处于离线状态，或者由于任何原因消失了。这种情况下，有一个故障转移机制是非常有用并且是强烈推荐的。为此目的，Elasticsearch允许你创建分片的一份或多份拷贝，这些拷贝叫做复制分片，或者直接叫复制。复制之所以重要，主要有两方面的原因：
1）在分片/节点失败的情况下，提供了高可用性。因为这个原因，注意到复制分片从不与原/主要（original/primary）分片置于同一节点上是非常重要的。
2）扩展你的搜索量/吞吐量，因为搜索可以在所有的复制上并行运行
总之，每个索引可以被分成多个分片。一个索引也可以被复制0次或多次。一旦复制了，每个索引就有了主分片（作为复制源的原来的分片）和复制分片（主分片的拷贝）之别。分片和复制的数量可以在索引创建的时候指定。在索引创建之后，你可以在任何时候动态地改变复制数量，但是不能改变分片的数量。
默认情况下，Elasticsearch中的每个索引被分片5个主分片和1个复制，这意味着，如果你的集群中至少有两个节点，你的索引将会有5个主分片和另外5个复制分片（1个完全拷贝），这样的话每个索引总共就有10个分片。一个索引的多个分片可以存放在集群中的一台主机上，也可以存放在多台主机上，这取决于你的集群机器数量。主分片和复制分片的具体位置是由ES内在的策略所决定的。

链接： https://www.elastic.co/products/elasticsearch 

Elasticsearch只是提供各种后端api，为了直观使用，安装好Elasticsearch后，需要安装几个插件：
1）Elasticsearch-Head插件，可以进行界面化操作的集群管理工具，

    下载：https://github.com/mobz/elasticsearch-head

安装好head插件后，输入http://ip:9200，如果能看到下面的界面，代表你已经安装成功，可以开心快乐的使用了：

此时我们可以看到访问地址后面，有个“集群健康值”，但由于我这里ES服务还没启动，所以这里是未连接的状态；
集群健康值的几种状态如下：

绿色，最健康的状态，代表所有的分片包括备份都可用
黄色，基本的分片可用，但是备份不可用（也可能是没有备份）
红色，部分的分片可用，表明分片有一部分损坏。此时执行查询部分数据仍然可以查到，遇到这种情况，还是赶快解决比较好
灰色，未连接到elasticsearch服务

我们启动Es服务，重新打开head插件看看，此时，健康值处于绿色状态：

2）IK中文分词器，下载：https://github.com/medcl/elas...
IK分词器有两种拆分方式

a、ik_smart: 将文本做最粗粒度的拆分
b、ik_max_word: 将文本做最细粒度的拆分