ElasticSearch系列-1-入门篇

那起舞的日子2026-01-30 8:34

接触新东西，最好有一个完整的学习路径图，网上文章往往比较零散，官网吧说实话人家介绍东西思维方式跟我们还是有差别的，还是不能快速初窥门径。AI可以极快加速这个过程。我按照豆包提供的路径做了如下事情：

1、docker本地(Mac)部署ES和Kibina；

2、使用kibana的图形化开发工具，熟悉基本的CURD。

文章目录

一、docker部署ES和Kibina

docker-compose.yml文件如下【亲测可用！】：

yaml 复制代码 
version: '3.8'

# 自定义网络：ES和Kibana互通
networks:
  es-network:
    driver: bridge

# 数据卷：持久化ES数据/插件、Kibana数据（Mac下避免权限问题）数据卷：持久化 ES 数据，Mac 下 Docker 会自动管理数据卷存储路径
volumes:
  es-data:
  es-plugins:
  kibana-data:
services:
  # Elasticsearch节点（适配Mac Docker内存限制）
  elasticsearch:
    image: elasticsearch:7.17.9
    container_name: es7-mac
    restart: always
    networks:
      - es-network
    ports:
      - "9200:9200" # REST API端口
      - "9300:9300" # 集群通信端口
    volumes:
      - es-data:/usr/share/elasticsearch/data       # 数据持久化
      - es-plugins:/usr/share/elasticsearch/plugins # 插件目录
      #- ./ik-analyzer:/usr/share/elasticsearch/plugins/ik #ik分词器插件
    environment:
      # JVM堆内存：Mac Docker默认内存2G，设1G足够（避免内存不足）
      - "ES_JAVA_OPTS=-Xms1g -Xmx1g"
      - "discovery.type=single-node"     # 单节点模式（Mac测试首选）
      - "cluster.name=es-cluster-mac"
      - "node.name=es-node-1"
      - "bootstrap.memory_lock=true"     # 锁定内存（Mac下需Docker开启内存限制）
      - "xpack.security.enabled=false"   # 禁用安全（测试环境）
      - "xpack.monitoring.enabled=false"
      - "http.cors.enabled=true"         # 允许跨域（Kibana访问）
      - "http.cors.allow-origin=*"
      - "TAKE_FILE_OWNERSHIP=true"       # Mac下解决数据目录权限问题
    ulimits:
      memlock:
        soft: -1
        hard: -1
      nofile:
        soft: 65535 # 最大打开文件数
        hard: 65535
    # Mac下限制容器资源（避免占满系统内存）
    deploy:
      resources:
        limits:
          cpus: '2'
          memory: 2G

  # Kibana（汉化+适配Mac）
  kibana:
    image: kibana:7.17.9
    container_name: kibana7-mac
    restart: always
    networks:
      - es-network
    ports:
      - "5601:5601"
    volumes:
      - kibana-data:/usr/share/kibana/data
    environment:
      - "ELASTICSEARCH_HOSTS=http://elasticsearch:9200" # 容器名互通
      - "I18N_LOCALE=zh-CN" # 汉化
      - "SERVER_HOST=0.0.0.0" # 允许外部访问（Mac下必要）
    depends_on:
      - elasticsearch # 先启动ES
    deploy:
      resources:
        limits:
          cpus: '1'
          memory: 1G

在mac下目录结构如下：

我开始还在这里建立了elasticsearch目录，里面还建了data和plugins目录。原本目的是在docker-compose里指定宿主机的卷，后来发现Mac下是不用指定的，Docker Desktop会自动创建卷，你只用给个名字就可以了（就类似Mac下安装应用你是不用也没法指定安装位置的一样），所以这里的真正起作用的就是docker-compose.yml。如果指定会报语法错误的。

Kibana理解成类似Navicate的工具就可以了。

二、Kibana的工具界面操作CURD

按照豆包给的步骤，把以下每个命令单个执行，观察并思考结果。

步骤一 熟悉kibina

步骤二：熟悉ES的CURD

步骤三 自定义Mapping映射，避免ES自动推断数据类型导致和预期不符。

步骤四------入门查询 DSL ------ 实现基础检索（ES 核心价值）

sql 复制代码 
# 步骤一 熟悉kibina

# 命令 1：查看 ES 集群健康状态（核心验证，status 为 green/yellow 即正常）
GET /_cluster/health

# 命令 2：查看 ES 所有索引（目前刚启动，应该只有 ES 自带的系统索引，无自定义索引）
GET /_cat/indices?v


# 步骤二：熟悉ES的CURD

## 1. 创建自定义索引（相当于 MySQL 建库）：创建名为 product 的索引
# PUT 表示创建/更新，/product 是索引名
# number_of_shards 分片数：学习环境 1 个即可（分布式核心，后续再深入）
# number_of_replicas 副本数：学习环境 0 个即可（避免占用多余内存）
PUT /product
{
  "settings": {
    "number_of_shards": 1,  
    "number_of_replicas": 0  
  }
}


# 2. 新增文档（相当于 MySQL 插入数据）：向 product 索引中新增 1 条商品文档
# 方式 1：手动指定文档 ID（1），PUT /索引名/_doc/文档ID
PUT /product/_doc/1
{
  "id": 1,
  "name": "华为 Mate 60 Pro",
  "price": 6999.0,
  "category": "智能手机",
  "create_time": "2024-01-01"
}

# 方式 2：自动生成文档 ID，POST /索引名/_doc（无需指定 ID）
POST /product/_doc
{
  "id": 2,
  "name": "苹果 iPhone 15",
  "price": 5999.0,
  "category": "智能手机",
  "create_time": "2024-02-01"
}

# 用于删除 （生成的id是：oFsCCZwBaeiVDLwkuPWm）
POST /product/_doc
{
  "id": 3,
  "name": "红米 K70",
  "price": 1500.0,
  "category": "智能手机",
  "create_time": "2026-01-29"
}




# 3. 查询文档（相当于 MySQL 查询单条数据）
# 方式 1：根据文档 ID 查询（精确查询单条）
GET /product/_doc/1
GET /product/_doc/n1v1CJwBaeiVDLwkBvXE
GET /product/_doc/oFsCCZwBaeiVDLwkuPWm

# 方式 2：查询 product 索引下所有文档（相当于 SELECT * FROM product）
# match_all：匹配所有文档
GET /product/_search
{
  "query": {
    "match_all": {}  
  }
}



# 4. 更新文档（相当于 MySQL UPDATE）
# 方式 1：局部更新（推荐，只更新指定字段），POST /索引名/_update/文档ID
# 只更新价格字段 # stock为新增字段（无模式特性，直接添加即可）
POST /product/_update/1
{
  "doc": {
    "price": 6799.0,  
    "stock": 100  
  }
}

# 方式 2：全量替换（不推荐，需传入完整文档，未传入字段会丢失）
PUT /product/_doc/1
{
  "id": 1,
  "name": "华为 Mate 60 Pro",
  "price": 6199.0,
  "category": "智能手机",
  "create_time": "2026-01-29"
}

# 5. 删除操作
# 方式 1：删除指定文档（相当于 MySQL DELETE）
DELETE /product/_doc/oFsCCZwBaeiVDLwkuPWm

# 方式 2：删除整个索引（谨慎！相当于 DROP DATABASE，删除后数据无法恢复）
# DELETE /product



# 步骤三 自定义Mapping映射，避免ES自动推断数据类型导致和预期不符。

# 1. 先删除之前的 product 索引（方便重新演示，这里不在删除，新建一个即可）
#DELETE /product

# 2. 创建索引 + 自定义 Mapping（核心：在 settings 同级添加 mappings 字段）
# "analyzer": "standard"  # 分词器：默认英文分词器（中文后续替换为 IK）
#"type": "keyword"  # keyword 类型：不可分词，用于精确匹配（如分类筛选、排序）
#"format": "yyyy-MM-dd HH:mm:ss||yyyy-MM-dd||epoch_millis"  # 支持的日期格式
PUT /productv2
{
  "settings": {
    "number_of_shards": 1,
    "number_of_replicas": 0
  },
  "mappings": {  
    "properties": { 
      "id": {
        "type": "integer" 
      },
      "name": {
        "type": "text",  
        "analyzer": "standard"  
      },
      "price": {
        "type": "double"  
      },
      "category": {
        "type": "keyword"  
      },
      "create_time": {
        "type": "date",  
        "format": "yyyy-MM-dd HH:mm:ss||yyyy-MM-dd||epoch_millis" 
      }
    }
  }
}

# 3. 查看 Mapping 结构（验证自定义配置是否生效）
GET /product/_mapping
GET /productv2/_mapping

# 4. 插入文档，验证字段类型是否符合预期（插入后无报错即正常）
PUT /productv2/_doc/1
{
  "id": 1,
  "name": "华为 Mate 60 Pro",
  "price": 6999.0,
  "category": "智能手机",
  "create_time": "2024-01-01"
}

GET /productv2/_doc/1
GET /productv2/_search
{
  "query": {
    "match_all": {}  
  }
}


#总结：
#核心知识点
#常用字段类型：text（全文检索）和keyword（精确匹配）是重中之重，后续查询的核心区别就源于。
#Mapping 一旦创建（字段类型定义完成），大部分字段类型无法修改（只能新增字段），因此创建索引时要谨慎设计字段类型。



# 步骤四------入门查询 DSL ------ 实现基础检索（ES 核心价值）
# 掌握 term（精确查询）和 match（全文检索），理解两者的区别，能实现基础的条件检索。

# 先插入几条测试数据，方便查询演示
PUT /productv2/_doc/2
{
  "id": 2,
  "name": "苹果 iPhone 15",
  "price": 5999.0,
  "category": "智能手机",
  "create_time": "2024-02-01"
}

PUT /productv2/_doc/3
{
  "id": 3,
  "name": "华为平板 MatePad 11",
  "price": 2499.0,
  "category": "平板电脑",
  "create_time": "2024-03-01"
}

PUT /productv2/_doc/4
{
  "id": 4,
  "name": "红米 K70",
  "price": 1500.0,
  "category": "智能手机",
  "create_time": "2026-01-29"
}
#查所有
GET /productv2/_search
{
  "query": {
    "match_all": {}  
  }
}
# 1. term 查询：精确匹配（适用于 keyword、integer、double、date 类型字段）
# 需求：查询分类为「智能手机」的所有商品（category 是 keyword 类型）
#"category": {  # 要查询的字段 
# "value": "智能手机"  # 要匹配的值（精确一致，不分词），可以修改成：智能、手机，是查不到的
GET /productv2/_search
{
  "query": {
    "term": {
      "category": {  
        "value": "智能手机" 
      }
    }
  }
}

# 2. match 查询：全文检索（适用于 text 类型字段）
# 需求：查询商品名称中包含「华为」的所有商品（name 是 text 类型）
# 全文检索：会对「华为」进行分词（英文分词器直接匹配，中文后续用 IK 分词）
GET /productv2/_search
{
  "query": {
    "match": {
      "name": "华为手机"  
    }
  }
}

# 3. 简单复合查询：bool（多条件组合，包含 must（必须满足）、filter（过滤，不评分））
# 需求：查询分类为「智能手机」且价格大于 5000 的商品

#"must": [  # 必须满足所有条件（相当于 AND）
#"filter": [  # 过滤条件（不参与评分，性能更好，适用于范围、精确匹配）
#"range": {  # range：范围查询（适用于数值、日期类型） 
# gt：大于；gte：大于等于；lt：小于；lte：小于等于
#"sort": [  # 排序：按价格降序排列
GET /productv2/_search
{
  "query": {
    "bool": {
      "must": [  
        {
          "term": {
            "category": "智能手机"
          }
        }
      ],
      "filter": [  
        {
          "range": {  
            "price": {
              "lt": 2000  
            }
          }
        }
      ]
    }
  },
  "sort": [  
    {
      "price": {
        "order": "desc"
      }
    }
  ],
  "from": 0,  
  "size": 10  
}

#总结:
#1、term 是「精确匹配」，不分词，适合筛选分类、ID 等固定值；match 是「全文检索」，会分词，适合搜索商品名称、文章内容等。
#2、filter 过滤不参与评分，性能优于 must，实战中优先用 filter 做条件筛选。



# 4、默认的分词器
#这里我们重点在研究下没有中文分词器IK的情况下，为啥：华为手机  可以返回"name" : "华为 Mate 60 Pro","name" : "华为平板 MatePad 11",

#按照预期，没有分词器的情况下，name是text，既然不能分词那么效果应该类似term，结果应该是匹配不到。这里为什么会匹配到？

GET /productv2/_search
{
  "query": {
    "match": {
      "name": "华为手机"  
    }
  }
}

#1. 检查字段实际使用的分词器
GET /productv2/_mapping
#发现返回的name的analyzer是：standard 默认标准的分词器

#2. 测试 standard 对中文的切分效果
GET /_analyze
{
  "analyzer": "standard",
  "text": "华为手机"
}
#预期输出: ["华","为","手","机"]（单字切分）

GET /_analyze
{
  "analyzer": "standard",
  "text": "华为 Mate 60 Pro"
}
#预期输出: ["华","为","mate","60","pro"]

#所以到这里明白了，默认的分词器：standard在起作用，他们单个词之间是or关系，所以name为："华为 Mate 60 Pro","name" : "华为平板 MatePad 11",都匹配到了。这样有啥问题？IK分词器又有啥作用？

#潜在风险（无中文分词器的隐患）
#| 问题 | 示例 | 影响 |
#|------|------|------|
#| 过度召回 | 搜"华为手机" → 返回"中华""清华""手工"等含单字的文档 | 精确度低，噪声多 |
#| 语义割裂 | "北京大学" → 拆为`["北","京","大","学"]` | 无法匹配完整词组 |
#| 相关性失真 | "手机壳"含"手""机" → 与"华为手机"强相关（实际无关） | 排序不合理 |





#后续知识点： 1、 安装中文分词器 IK  2、深入复合查询与高亮显示 3、Java 客户端整合 4、性能优化入门：了解分片策略、避免深度分页、优化查询语句，解决实战中的性能问题

后续步骤分下期博客继续：#后续知识点： 1、 安装中文分词器 IK 2、深入复合查询与高亮显示 3、Java 客户端整合 4、性能优化入门：了解分片策略、避免深度分页、优化查询语句，解决实战中的性能问题

三、遇到的问题

1、Mac下Docker配置国内镜像，加速拉镜像；

核心是增加国内镜像配置：

java 复制代码 
"registry-mirrors": [
    "https://docker.1ms.run"
  ]

2、由于开始的docker-compose里配置了ik卷，开始启动的容器没问题，后来修改了脚本干掉了ik卷，新的容器就启动报错说找不到ik插件的配置文件

"... 6 more"] }

java.lang.IllegalStateException: Could not load plugin descriptor for plugin directory [ik]

Likely root cause: java.nio.file.NoSuchFileException: /usr/share/elasticsearch/plugins/ik/plugin-descriptor.properties

at java.base/sun.nio.fs.UnixException.translateToIOException(UnixException.java:92)

at java.base/sun.nio.fs.UnixException.rethrowAsIOException(UnixException.java:106)

at java.base/sun.nio.fs.UnixException.rethrowAsIOException(UnixException.java:111)

at java.base/sun.nio.fs.UnixFileSystemProvider.newByteChannel(UnixFileSystemProvider.java:218)

删掉容器也不行。原因是Docker Desktop挂载的卷在宿主机也就是Mac上已经产生了ik目录，所以docker-compose up -d的时候新建的容器自然也会形成这个目录，有了ik目录容器就去找对应的配置文件，所以报错。解决办法就是先干掉容器宿主机上的卷在重创建容器。

相关推荐
Java后端的Ai之路2 小时前
【Git版本控制】-趣味解说Git核心知识
大数据·git·elasticsearch
大志哥1232 小时前
使用logstash和elasticsearch实现日志链路（二）
大数据·elasticsearch·搜索引擎
海兰2 小时前
win11下本地部署单节点Elasticsearch9.0+开发
大数据·elasticsearch·jenkins
Elastic 中国社区官方博客11 小时前
使用 Discord 和 Elastic Agent Builder A2A 构建游戏社区支持机器人
人工智能·elasticsearch·游戏·搜索引擎·ai·机器人·全文检索
*crzep1 天前
Elasticsearch使用Apifox发送请求
elasticsearch·apifox
Dxy12393102161 天前
告别重启！Elasticsearch 8.10 杀手级特性：动态同义词（Dynamic Synonyms）深度解析
大数据·elasticsearch·jenkins
宇神城主_蒋浩宇1 天前
最简单的es理解 数据库视角看写 ES 加 java正删改查深度分页
大数据·数据库·elasticsearch
TongSearch1 天前
TongSearch中分片从何而来，又解决了什么问题
java·elasticsearch·tongsearch
GeminiJM1 天前
亿级向量检索：Elasticsearch vs. Milvus，性能鸿沟与架构抉择
elasticsearch·架构·milvus
热门推荐
01GitHub 镜像站点02Clawdbot 中文汉化版 接入微信、飞书03OpenCode 入门教程：介绍 · 安装 · 配置第三方 API (如 Claude)04一种新的LCA算法052026数学建模美赛题目特点与选题建议，常用四大模型汇总06Claude Code Skills 实用使用手册07零门槛部署本地 AI 助手：Clawdbot/Meltbot 部署深度保姆级教程08【网络安全测试】Burp Suite工具使用说明、配置及常见问题（有关必回）09在Trae中使用Pencil MCP10如何做一个网站？