从入门到进阶 之 ElasticSearch 文档、分词器 进阶篇

🌹 以上分享 ElasticSearch 文档、分词器 进阶篇，如有问题请指教写。
 
🌹🌹 如你对技术也感兴趣，欢迎交流。
 
🌹🌹🌹  如有需要，请👍点赞💖收藏🐱‍🏍分享 

---

核心概念

索引

一个拥有几分相似特征的文档的集合。一个索引由一个名字来标识（必须全部是小写字母），对索引文档进行索引、搜索、更新和删除（CRUD）时，使用该索引名。可以定义任意多的索引。

搜索的数据必须索引，可以提高查询速度

Elasticsearch 索引

一切设计都是为了提高搜索的性能。

类型

在一个索引中，你可以定义一种或多种类型。

版本	Type
5.x	支持多种 type
6.x	只能有一种 type
7.x	默认不再支持自定义索引类型（默认类型为： _doc）

文档

一个文档是一个可被索引的基础信息单元，也就是一条数据。

字段

相当于是数据表的字段，对文档数据根据不同属性进行的分类标识。

映射

mapping 是处理数据的方式和规则方面做一些限制，如：某个字段的数据类型、默认值、分析器、是否被索引，都是映射里面可以设置的，按着最优规则处理数据对性能提高很大，建立映射需要思考如何建立映射才能对性能更好。

分片

分片是 Elasticsearch 最小的工作单元。 单个索引可存储超出单个节点硬件限制的大量数据。Elasticsearch 提供了将索引分片划分成多份的能力。当创建一个索引，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。

1. 允许水平分割 / 扩展你的内容容量。
2. 允许在分片之上进行分布式的、并行的操作，进而提高性能/吞吐量。

副本

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(副本)。

• 在分片/节点失败的情况下，提供了高可用性 。
  • 注意到复制分片从不与原/主要（original/primary）分片置于同一节点上。
• 扩展搜索量/吞吐量，因为搜索可以在所有的副本上并行运行。

分配

将分片分配给某个节点的过程，包括分配主分片或者副本。如果是副本，还包含从主分片复制数据的过程。这个过程是由 master 节点完成的。

架构

单节点集群

#PUT http://127.0.0.1:1001/goods
{
    "settings" : {
        "number_of_shards" : 3,
        "number_of_replicas" : 1
    }
}

故障转移

水平扩容

路由计算

分片控制

数据流程

写

读

更新

1. 客户端向Node 1 发送更新请求

2. 将请求转发到主分片所在的Node 3上

多文档操作

mget 和 bulk API 的模式类似于单文档模式。

区别在于协调节点知道每个文档存在于哪个分片中。它将整个多文档请求分解成 每个分片 的多文档请求，并且将这些请求并行转发到每个参与节点。

协调节点一旦收到来自每个节点的应答，就将每个节点的响应收集整理成单个响应，返回给客户端

倒排索引

Elasticsearch使用一种称为倒排索引的结构，它适用于快速的全文搜索。

正向索引：就是搜索引擎会将待搜索的文件都对应一个文件ID，搜索时将这个ID和搜索关键字进行对应，形成K-V对，然后对关键字进行统计计数 。

**倒排索引：**一个倒排索引由文档中所有不重复词的列表构成，用其中的不重复的词跟文档唯一标识关联。（涉及到分词：分词器）

keyword : 不能拆分

text:可拆分（根据分词器的算法进行拆分）

文档操作

文档搜索

倒排索引被写入磁盘后是 不可改变 的:它永远不会修改
不需要锁。如果你从来不更新索引，你就不需要担心多进程同时修改数据的问题。

一旦索引被读入内核的文件系统缓存，由于其不变性。只要文件系统缓存中还有足够的空间，大部分读请求会直接请求内存，不会命中磁盘。很大的性能提升。

其它缓存(像 filter 缓存)，在索引的生命周期内始终有效。不需要在每次数据改变时被重建，因数据不会变化。

写入单个大的倒排索引允许数据被压缩，减少磁盘 I/O 和 需要被缓存到内存的索引的使用量

动态更新索引

按段搜索

通过增加新的补充索引来反映新近的修改，不直接重写整个倒排索引。每一个倒排索引都会被轮流查询到,从最早的开始查询完后再对结果进行合并。

1. 新文档被收集到内存索引缓存
2. 不时地, 缓存被提交
   1. 一个新的段，一个追加的倒排索引，被写入磁盘。
   2. 一个新的包含新段名字的提交点被写入磁盘。
   3. 磁盘进行同步，所有在文件系统缓存中等待的写入都刷新到磁盘，以确保它们被写入物理文件
3. 新的段被开启，让它包含的文档可见以被搜索
4. 内存缓存被清空，等待接收新的文档

逻辑删除：当一个查询被触发，已知的段按顺序被查询。词项统计会对所有段的结果进行聚合，以保证每个词和每个文档的关联都被准确计算。用相对较低的成本将新文档添加到索引。

段是不可改变的，既不能从把文档从旧的段中移除，也不能修改旧的段来进行反映文档的更新。每个提交点会包含一个.del 文件，文件中会列出这些被删除文档的段信息。

**物理删除：**当一个文档被更新时，旧版本文档被标记删除，文档的新版本被索引到一个新的段中。可能两个版本的文档都会被一个查询匹配到，但被删除的那个旧版本文档在结果集返回前就已经被移除。

刷新、刷写、合并

一个文档被索引之后，就会被添加到内存缓冲区，并且追加到了 translog

刷新（refresh）使分片每秒被刷新（refresh）一次

• 这些在内存缓冲区的文档被写入到一个新的段中，且没有进行fsync操作。
• 这个段被打开，使其可被搜索。
• 内存缓冲区被清空。

这个进程继续工作，更多的文档被添加到内存缓冲区和追加到事务日志。

每隔一段时间---例如translog变得越来越大，索引被刷新（flush）

一个新的translog被创建，并且一个全量提交被执行。

• 所有在内存缓冲区的文档都被写入一个新的段。

• 缓冲区被清空。

• 一个提交点被写入硬盘。

• 文件系统缓存通过fsync被刷新（flush） 。

• 老的translog被删除。

translog 提供所有还没有被刷到磁盘的操作的一个持久化纪录。当Elasticsearch启动的时候，它会从磁盘中使用最后一个提交点去恢复己知的段，并且会重放translog 中所有在最后一次提交后发生的变更操作。

translog 也被用来提供实时CRUD。通过ID查询、更新、删除一个文档，它会在尝试从相应的段中检索之前，首先检查 translog任何最近的变更。能够实时地获取到文档的最新版本。

分析

1. 将一块文本分成适合于倒排索引的独立的 词条
2. 将这些词条统一化为标准格式以提高它们的"可搜索性"，或者 recall

分析器

字符过滤器

字符串按顺序通过每个字符过滤器 。在分词前整理字符串。一个字符过滤器可以用来去掉 HTML，或者将 & 转化成 and。

分词器

字符串被 分词器 分为单个的词条。一个简单的分词器遇到空格和标点可能会将文本拆分成词条。

Token 过滤器

词条按顺序通过每个 token 过滤器 。这个过程可能会改变词条(例如，小写化Quick )，删除词条(例如， 像 a, and， the 等无用词)，或者增加词条(例如，像 jump和 leap 这种同义词)

内置分析器

标准分析器

标准分析器是 Elasticsearch 默认使用的分析器。它是分析各种语言文本最常用的选择。它根据 Unicode 联盟 定义的 单词边界 划分文本。删除绝大部分标点。将词条小写.

set, the, shape, to, semi, transparent, by, calling, set trans, 5

简单分析器

简单分析器在任何不是字母的地方分隔文本，将词条小写。

set, the, shape, to, semi, transparent, by, calling, set, trans

空格分析器

空格分析器在空格的地方划分文本。

Set, the, shape, to, semi-transparent, by, calling, set trans(5)

语言分析器

特定语言分析器可用于 很多语言。它们可以考虑指定语言的特点。

测试分析器

内置分析器

IK 分词器

# GET http://localhost:9201/_analyze
{
	"text":"测试单词",
	"analyzer":"ik_max_word"
}

{
    "tokens": [
        {
            "token": "测试", 
            "start_offset": 0, 
            "end_offset": 2, 
            "type": "CN_WORD", 
            "position": 0
        }, 
        {
            "token": "单词", 
            "start_offset": 2, 
            "end_offset": 4, 
            "type": "CN_WORD", 
            "position": 1
        }
    ]
}

1. 首先进入 ES 根目录中的 plugins 文件夹下的 ik 文件夹，进入 config 目录，创建 custom.dic文件，写入"小老儿最帅"。

2. 同时打开 IKAnalyzer.cfg.xml 文件，将新建的 custom.dic 配置其中。

3. 重启 ES 服务器 。

   <?xml version="1.0" encoding="UTF-8"?> <!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd"> <properties> <comment>IK Analyzer 扩展配置</comment> <entry key="ext_dict">custom.dic</entry> <entry key="ext_stopwords"></entry> </properties>

自定义分析器

#PUT http://localhost:9200/my_index

{
    "settings": {
        "analysis": {
            "char_filter": {
                "&_to_and": {
                    "type": "mapping", 
                    "mappings": [
                        "&=> and "
                    ]
                }
            }, 
            "filter": {
                "my_stopwords": {
                    "type": "stop", 
                    "stopwords": [
                        "the", 
                        "a"
                    ]
                }
            }, 
            "analyzer": {
                "my_analyzer": {
                    "type": "custom", 
                    "char_filter": [
                        "html_strip", 
                        "&_to_and"
                    ], 
                    "tokenizer": "standard", 
                    "filter": [
                        "lowercase", 
                        "my_stopwords"
                    ]
                }
            }
        }
    }
}

# GET http://127.0.0.1:9200/my_index/_analyze
{
    "text":"The quick & brown fox",
    "analyzer": "my_analyzer"
}