MySQL 查文本查哭了？来唠唠 ES 这货：从 “啥是 ES” 到 Java 撸代码，一篇整明白！

各位后端友友们，是不是也遇到过这种糟心场景：产品说 "要做个文章搜索功能，用户输关键词能秒出结果"，你拍胸脯说 "小事儿，MySQL like 走一波"------ 结果测试拿 10 万条数据一测，输入 "Elasticsearch"，页面转了 3 秒才出来，产品盯着你："这叫秒出？"

这时候，旁边老大哥幽幽一句："试试 ES 呗。"

你："ES 是啥？怎么用？跟 MySQL 啥关系？"

别慌！今天咱们就从 "ES 入门" 到 "动手撸代码"，用唠嗑的方式把 ES 相关知识点扒得明明白白，以后再遇到文本搜索需求，咱也能底气十足！

1. 先唠唠：ES 到底是个啥？

Elasticsearch（简称 ES），你可以把它理解成 "搜索引擎界的全能打工人"------ 既不是数据库，也不是缓存，但在 "文本搜索" 和 "日志分析" 这两件事上，能把很多工具按在地上摩擦。

官方定义是 "分布式、RESTful 风格的搜索和数据分析引擎"，听着挺玄乎，咱翻译成人话：

分布式：数据能拆成好几份存在不同机器上，不怕丢，还能并行查，速度快；
RESTful：操作它不用写复杂协议，发个 HTTP 请求（GET/POST/PUT/DELETE）就行，比如查数据用 GET，存数据用 POST；
核心本事：能把文本拆成关键词（分词），再用 "倒排索引" 快速定位，不管是搜文章、搜日志还是搜商品，都能秒级响应。

简单说：ES 就是为 "找文本" 而生的 ------ 你想搜日志里的 "报错信息"，想搜博客里的 "Elasticsearch 教程"，找它就对了。

2. 灵魂拷问：ES 查文本为啥这么快？先搞懂 "正排" 和 "倒排"

要搞懂 ES 的速度，得先明白两个概念：正向索引 和倒排索引。咱用 "学生作文" 举个例子，一看就懂。

2.1 正向索引：像 "按学号找作文"，慢到着急

假设你是老师，手里有个笔记本，记了每个学生的 "学号" 和 "作文内容"：

学号 1：《我的足球梦》... 今天和小明踢足球...
学号 2：《校园生活》... 上午上数学，下午打篮球...
学号 3：《运动日记》... 足球比篮球更有趣...

现在要找 "提到足球" 的学生，正向索引的做法是：拿着 "足球" 这个关键词，逐个翻每个学生的作文------ 学号 1 的看一遍（有！），学号 2 的看一遍（没有），学号 3 的看一遍（有！）...

如果有 1000 个学生，就得翻 1000 遍；要是 100 万条数据，那不得等到下班？这就是 MySQL 用like '%足球%'慢的原因 ------ 它本质就是走正向索引，全表扫描。

2.2 倒排索引：像 "按关键词找学号"，快到飞起

倒排索引就聪明多了，它先做了一步 "预处理"：把所有作文拆成关键词，再记录 "哪些学号提到过这个关键词" 。

比如上面的作文，倒排索引会长成这样：

关键词 "足球"：对应学号 1、学号 3；
关键词 "篮球"：对应学号 2、学号 3；
关键词 "数学"：对应学号 2；

现在要找 "提到足球" 的学生，直接查 "足球" 这个关键词对应的学号列表就行 ------ 一步到位，不用翻任何一篇作文！

而 ES 的核心，就是提前把文本做了 "分词" 和 "倒排索引"，所以查文本时才能秒出结果。这就像你查字典，先查部首（关键词），再找页码（文档），比逐页翻快 100 倍！

3. ES vs MySQL：不是 "替代"，是 "互补"

很多人会问："有了 ES，还要 MySQL 吗？"------ 咱先看张表，就知道它俩根本不是 "竞争对手"，而是 "最佳搭档"：

对比维度	MySQL（关系型数据库）	Elasticsearch（搜索引擎）
核心定位	关系型数据管家（管交易、管关联）	文本搜索 / 日志分析专家（管找文本）
数据模型	表、行、列（强关联，比如订单关联用户）	JSON 文档（无强关联，结构灵活）
文本搜索能力	弱（like 模糊查询，全表扫描，慢）	强（分词 + 倒排索引，支持精准 / 模糊 / 短语搜索）
事务支持	支持（ACID，比如转账不能错）	弱（默认不支持事务，新版有改进但不常用）
适用场景	存订单、用户信息、对账报表	日志分析（ELK 栈）、文章搜索、商品搜索

简单说：

该用 MySQL 的地方别让 ES 上：比如存用户的银行卡信息、订单支付记录，这些需要事务保证的，MySQL 是老大；
该用 ES 的地方别硬扛 MySQL：比如用户搜 "2024 年 ES 教程"，用 ES 分词 + 倒排索引，秒出结果，比 MySQL 快 10 倍不止。

举个实际场景：电商 App 里，"商品基本信息（名称、价格、库存）" 存在 MySQL，"商品详情（长文本描述）" 存在 ES------ 用户点 "商品列表" 查 MySQL，搜 "红色连衣裙" 查 ES，完美配合！

4. 中文搜索的 "救星"：IK 分词器

ES 默认的分词器有个大问题：不认识中文。比如你输入 "我爱中国"，它会拆成 "我""爱""中""国"------ 这显然不对，咱要的是 "我""爱""中国" 这种有意义的词。

这时候，IK 分词器就登场了 ------ 专门为中文设计的分词插件，能把中文拆成 "人类能理解的关键词"。

4.1 IK 的两种分词模式（必懂！）

IK 有两种常用模式，用的时候得根据场景选：

ik_max_word（最大化分词） ：把文本拆到最细，尽可能多拆出关键词。

例子："Elasticsearch 是个好工具" → 拆成 "elasticsearch""是""个""好""工具""好工具"；
ik_smart（智能分词） ：按人类理解的逻辑粗粒度拆分，不重复拆。

例子："Elasticsearch 是个好工具" → 拆成 "elasticsearch""是""个""好工具"。

实际用的时候：

建索引（存数据）时用ik_max_word：拆得细，后续搜索能匹配到更多结果（比如用户搜 "好工具" 也能命中）；
搜索时用ik_smart：拆得粗，速度快，避免匹配太多无关内容。

5. 实战环节：跟 ES "打交道"，从建索引到撸 Java 代码

光说不练假把式，接下来咱们用 "博客搜索" 场景，实战 ES 的核心操作 ------ 建索引、定义 Mapping、操作文档（CRUD），既有 DSL（ES 的查询语言，类似 SQL），也有 Java 代码，新手也能跟着敲！

5.1 第一步：操作索引（像给 ES 建 "文件夹"）

索引（Index）可以理解成 MySQL 的 "表"，是存文档的地方。操作索引主要是 "建、查、删"，用 HTTP 请求就能搞定。

5.1.1 新建索引（带 IK 分词）

比如建一个叫blog_index的索引，存博客文章，指定 "标题" 和 "内容" 用 IK 分词：

json

json 复制代码

# POST请求：http://你的ES地址:9200/blog_index
PUT /blog_index
{
  "settings": {
    "number_of_shards": 1,    // 分片数（默认5，测试用1就行）
    "number_of_replicas": 0   // 副本数（默认1，测试用0，省资源）
  },
  "mappings": {  // 这里就是Mapping，给字段定规矩
    "properties": {
      "title": {  // 博客标题
        "type": "text",          // 文本类型（支持分词）
        "analyzer": "ik_max_word",  // 建索引用IK最大化分词
        "search_analyzer": "ik_smart"  // 搜索用IK智能分词
      },
      "content": {  // 博客内容
        "type": "text",
        "analyzer": "ik_max_word"
      },
      "createTime": {  // 发布时间
        "type": "date",
        "format": "yyyy-MM-dd HH:mm:ss"  // 日期格式
      }
    }
  }
}

5.1.2 查看索引

想知道blog_index建得对不对，发个 GET 请求：

json

bash 复制代码

# GET请求：http://你的ES地址:9200/blog_index
GET /blog_index

5.1.3 删除索引

要是建错了，删了重来吧（注意：生产环境谨慎！）：

json

bash 复制代码

# DELETE请求：http://你的ES地址:9200/blog_index
DELETE /blog_index

5.2 第二步：Mapping 映射（给字段 "定规矩"）

刚才建索引时已经包含了 Mapping，这里单独拎出来说 ------Mapping 就像 MySQL 的 "表结构"，告诉 ES：

这个字段是文本（text）还是数字（integer）？
能不能被搜索？要不要分词？用什么分词器？

重点提醒 ：Mapping 一旦创建，大部分字段不能修改！比如你把 "title" 设成text，再想改成integer就不行了 ------ 所以建索引前一定要想好字段类型！

比如常见的字段类型：

text：文本类型，支持分词（比如标题、内容）；
keyword：关键词类型，不支持分词（比如标签 "ES 教程"，要完整匹配才命中）；
integer/long：数字类型；
date：日期类型（要指定格式）。

5.3 第三步：操作文档（CRUD，像 MySQL 增删改查行）

文档（Document）就是 ES 里的 "数据行"，用 JSON 格式存储。比如一篇博客就是一个文档，接下来咱们用 DSL 和 Java 分别实现 CRUD。

5.3.1 DSL 操作文档（HTTP 请求）

1. 新增文档（类似 MySQL insert）

给blog_index加一篇博客，指定文档 ID 为 1：

json

bash 复制代码

# POST请求：http://你的ES地址:9200/blog_index/_doc/1
POST /blog_index/_doc/1
{
  "title": "Elasticsearch入门教程：从0到1学ES",
  "content": "Elasticsearch是一款强大的全文搜索引擎，常用于日志分析和博客搜索。本文教你如何搭建ES环境，以及基本的索引操作。",
  "createTime": "2024-05-20 14:30:00"
}

2. 查询文档（类似 MySQL select）

按 ID 查：

json

bash 复制代码

# GET请求：http://你的ES地址:9200/blog_index/_doc/1
GET /blog_index/_doc/1

按关键词搜（比如搜标题含 "ES" 的博客）：

json

sql 复制代码

# GET请求：http://你的ES地址:9200/blog_index/_search
GET /blog_index/_search
{
  "query": {
    "match": {  // match查询：支持分词匹配
      "title": "ES"
    }
  }
}

3. 更新文档（类似 MySQL update）

修改 ID 为 1 的博客标题：

json

bash 复制代码

# POST请求：http://你的ES地址:9200/blog_index/_update/1
POST /blog_index/_update/1
{
  "doc": {
    "title": "Elasticsearch入门教程：从0到1学ES（2024版）"
  }
}

4. 删除文档（类似 MySQL delete）

删除 ID 为 1 的博客：

json

bash 复制代码

# DELETE请求：http://你的ES地址:9200/blog_index/_doc/1
DELETE /blog_index/_doc/1

5.3.2 Java 操作文档（Spring Boot 实战）

实际开发中，咱们不会手动发 HTTP 请求，而是用 Java 代码调用 ES 客户端。这里用最常用的 "Spring Data Elasticsearch"（封装了原生客户端，上手快）。

1. 加依赖（pom.xml）

xml

xml 复制代码

<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-data-elasticsearch</artifactId>
    <!-- 版本跟Spring Boot一致就行，比如2.7.x -->
</dependency>

2. 配置 ES 地址（application.yml）

yaml

yaml 复制代码

spring:
  elasticsearch:
    rest:
      uris: http://你的ES地址:9200  # ES的HTTP地址

3. 定义实体类（对应文档）

java

kotlin 复制代码

import lombok.Data;
import org.springframework.data.annotation.Id;
import org.springframework.data.elasticsearch.annotations.Document;
import org.springframework.data.elasticsearch.annotations.Field;
import org.springframework.data.elasticsearch.annotations.FieldType;

import java.util.Date;

// 对应ES的blog_index索引
@Data  // lombok简化get/set
@Document(indexName = "blog_index")  // 指定索引名
public class Blog {
    @Id  // 对应文档的_id字段
    private String id;

    // 对应Mapping里的title字段，指定分词器
    @Field(type = FieldType.Text, analyzer = "ik_max_word", searchAnalyzer = "ik_smart")
    private String title;

    @Field(type = FieldType.Text, analyzer = "ik_max_word")
    private String content;

    // 日期类型，指定格式
    @Field(type = FieldType.Date, format = {}, pattern = "yyyy-MM-dd HH:mm:ss")
    private Date createTime;
}

4. 定义 Repository（类似 MyBatis 的 Mapper）

Spring Data Elasticsearch 会自动实现 CRUD 方法，不用写 SQL：

java

kotlin 复制代码

import org.springframework.data.domain.Page;
import org.springframework.data.domain.Pageable;
import org.springframework.data.elasticsearch.repository.ElasticsearchRepository;

// 泛型：<实体类, 主键类型>
public interface BlogRepository extends ElasticsearchRepository<Blog, String> {
    // 自定义查询：根据标题包含关键词查询（分页）
    // 不用写实现，Spring会根据方法名自动生成查询逻辑
    Page<Blog> findByTitleContaining(String keyword, Pageable pageable);
}

5. Service 层（业务逻辑）

java

typescript 复制代码

import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.data.domain.Page;
import org.springframework.data.domain.PageRequest;
import org.springframework.data.domain.Pageable;
import org.springframework.stereotype.Service;

import java.util.Date;
import java.util.Optional;

@Service
public class BlogService {

    @Autowired
    private BlogRepository blogRepository;

    // 新增/修改文档（save方法：有id则更新，无id则新增）
    public void saveBlog(Blog blog) {
        if (blog.getCreateTime() == null) {
            blog.setCreateTime(new Date());
        }
        blogRepository.save(blog);
    }

    // 按id查询
    public Blog getBlogById(String id) {
        Optional<Blog> optional = blogRepository.findById(id);
        // 存在则返回，不存在返回null
        return optional.orElse(null);
    }

    // 按标题搜索（分页）
    public Page<Blog> searchBlogByTitle(String keyword, int pageNum, int pageSize) {
        // ES分页从0开始，所以pageNum要减1
        Pageable pageable = PageRequest.of(pageNum - 1, pageSize);
        return blogRepository.findByTitleContaining(keyword, pageable);
    }

    // 按id删除
    public void deleteBlog(String id) {
        blogRepository.deleteById(id);
    }
}

6. 测试一下（Controller 或 Test）

java

typescript 复制代码

import org.junit.jupiter.api.Test;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;
import org.springframework.data.domain.Page;

@SpringBootTest
public class BlogServiceTest {

    @Autowired
    private BlogService blogService;

    // 测试新增
    @Test
    public void testSave() {
        Blog blog = new Blog();
        blog.setId("2");  // 指定文档id
        blog.setTitle("Spring Boot整合Elasticsearch实战");
        blog.setContent("本文介绍如何用Spring Boot整合ES，实现博客搜索功能。");
        blogService.saveBlog(blog);
        System.out.println("新增成功！");
    }

    // 测试搜索
    @Test
    public void testSearch() {
        // 搜索标题含"ES"的博客，第1页，每页10条
        Page<Blog> page = blogService.searchBlogByTitle("ES", 1, 10);
        System.out.println("总条数：" + page.getTotalElements());
        // 遍历结果
        page.getContent().forEach(blog -> 
            System.out.println("标题：" + blog.getTitle() + "，时间：" + blog.getCreateTime())
        );
    }
}

运行测试类，你会发现：新增文档后，搜索 "ES" 能秒级查到结果 ------ 这就是 ES 的魅力！

6. 最后总结：ES 该用在哪？

看完这么多，可能有人会问："我平时开发，哪些场景该用 ES？" 记住 3 个核心场景就行：

全文搜索：博客搜索、商品搜索、文档搜索（用户输关键词要秒出结果）；
日志分析：配合 ELK 栈（Elasticsearch+Logstash+Kibana）收集和分析日志，比如查 "昨天晚上 8 点的报错日志"；
数据分析：快速统计文本中的关键词出现次数，比如 "统计近 7 天博客中'ES'被提到多少次"。

最后再强调一句：ES 不是 MySQL 的替代品，而是互补品 ------MySQL 管 "存数据、保事务"，ES 管 "找文本、做分析"，两者搭配，后端开发才能更高效！

如果这篇文章帮到你了，别忘了点赞收藏～你平时用 ES 做过什么场景？评论区聊聊呗！