ES(Elasticsearch)支援PB級全文搜尋引擎入門教程

全文搜尋屬於最常見的需求，開源的 Elasticsearch （以下簡稱 Elastic）是目前全文搜尋引擎的首選。

它可以快速地儲存、搜尋和分析海量資料。比如維基百科、Stack Overflow、Github 都採用它。

Elastic 的底層是開源庫 Lucene。但是，你沒法直接用 Lucene，必須自己寫程式碼去呼叫它的介面。Elastic 是 Lucene 的封裝，提供了 REST API 的操作介面，開箱即用，特別高效、方便。

在此我從零給大家 講解如何使用 Elastic 搭建自己的全文搜尋引擎。詳細說明每一個步驟，大家跟著做就能學會。

 

一、安裝

Elastic 需要 Java 8 環境。如果你的機器還沒安裝 Java，可以參考這篇文章，注意要保證環境變數JAVA_HOME正確設定。

安裝完 Java，就可以跟著官方文件安裝 Elastic。直接下載壓縮包比較簡單。

 

 
$ wget https://artifacts.elastic.co/downloads/elasticsearch/elasticsearch-5.5.1.zip
$ unzip elasticsearch-5.5.1.zip
$ cd elasticsearch-5.5.1/ 

 

接著，進入解壓後的目錄，執行下面的命令，啟動 Elastic。

 

 
$ ./bin/elasticsearch

 

如果這時報錯“max virtual memory areas vm.maxmapcount [65530] is too low”，要執行下面的命令。

 

 
$ sudo sysctl -w vm.max_map_count=262144

 

如果一切正常，Elastic 就會在預設的9200埠執行。這時，開啟另一個命令列視窗，請求該埠，會得到說明資訊。

 

 
$ curl localhost:9200
 
{
  "name" : "atntrTf",
  "cluster_name" : "elasticsearch",
  "cluster_uuid" : "tf9250XhQ6ee4h7YI11anA",
  "version" : {
    "number" : "5.5.1",
    "build_hash" : "19c13d0",
    "build_date" : "2017-07-18T20:44:24.823Z",
    "build_snapshot" : false,
    "lucene_version" : "6.6.0"
  },
  "tagline" : "You Know, for Search"
}

 

上面程式碼中，請求9200埠，Elastic 返回一個 JSON 物件，包含當前節點、叢集、版本等資訊。

按下 Ctrl + C，Elastic 就會停止執行。

預設情況下，Elastic 只允許本機訪問，如果需要遠端訪問，可以修改 Elastic 安裝目錄的config/elasticsearch.yml檔案，去掉network.host的註釋，將它的值改成0.0.0.0，然後重新啟動 Elastic。

 

 
network.host: 0.0.0.0

 

上面程式碼中，設成0.0.0.0讓任何人都可以訪問。線上服務不要這樣設定，要設成具體的 IP。

二、基本概念

2.1 Node 與 Cluster

Elastic 本質上是一個分散式資料庫，允許多臺伺服器協同工作，每臺伺服器可以執行多個 Elastic 例項。

單個 Elastic 例項稱為一個節點（node）。一組節點構成一個叢集（cluster）。

2.2 Index

Elastic 會索引所有欄位，經過處理後寫入一個反向索引（Inverted Index）。查詢資料的時候，直接查詢該索引。

所以，Elastic 資料管理的頂層單位就叫做 Index（索引）。它是單個資料庫的同義詞。每個 Index （即資料庫）的名字必須是小寫。

下面的命令可以檢視當前節點的所有 Index。

 

 
$ curl -X GET `http://localhost:9200/_cat/indices?v`

 

2.3 Document

Index 裡面單條的記錄稱為 Document（文件）。許多條 Document 構成了一個 Index。

Document 使用 JSON 格式表示，下面是一個例子。

 

{
  "user": "冷雨軒",
  "title": "java工程師",
  "desc": "java全棧工程師"
}

 

同一個 Index 裡面的 Document，不要求有相同的結構（scheme），但是最好保持相同，這樣有利於提高搜尋效率。

2.4 Type

Document 可以分組，比如weather這個 Index 裡面，可以按城市分組（北京和上海），也可以按氣候分組（晴天和雨天）。這種分組就叫做 Type，它是虛擬的邏輯分組，用來過濾 Document。

不同的 Type 應該有相似的結構（schema），舉例來說，id欄位不能在這個組是字串，在另一個組是數值。這是與關係型資料庫的表的一個區別。性質完全不同的資料（比如products和logs）應該存成兩個 Index，而不是一個 Index 裡面的兩個 Type（雖然可以做到）。

下面的命令可以列出每個 Index 所包含的 Type。

 

 
$ curl `localhost:9200/_mapping?pretty=true`

 

根據規劃，Elastic 6.x 版只允許每個 Index 包含一個 Type，7.x 版將會徹底移除 Type。

三、新建和刪除 Index

新建 Index，可以直接向 Elastic 伺服器發出 PUT 請求。下面的例子是新建一個名叫weather的 Index。

 

 
$ curl -X PUT `localhost:9200/weather`

 

伺服器返回一個 JSON 物件，裡面的acknowledged欄位表示操作成功。

 

{
  "acknowledged":true,
  "shards_acknowledged":true
}

 

然後，我們發出 DELETE 請求，刪除這個 Index。

 

 
$ curl -X DELETE `localhost:9200/weather`

 

四、中文分詞設定

首先，安裝中文分詞外掛。這裡使用的是 ik，也可以考慮其他外掛（比如 smartcn）。

 

$ ./bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v5.5.1/elasticsearch-analysis-ik-5.5.1.zip

 

上面程式碼安裝的是5.5.1版的外掛，與 Elastic 5.5.1 配合使用。

接著，重新啟動 Elastic，就會自動載入這個新安裝的外掛。

然後，新建一個 Index，指定需要分詞的欄位。這一步根據資料結構而異，下面的命令只針對本文。基本上，凡是需要搜尋的中文欄位，都要單獨設定一下。

 

 
$ curl -X PUT `localhost:9200/accounts` -d `
{
  "mappings": {
    "person": {
      "properties": {
        "user": {
          "type": "text",
          "analyzer": "ik_max_word",
          "search_analyzer": "ik_max_word"
        },
        "title": {
          "type": "text",
          "analyzer": "ik_max_word",
          "search_analyzer": "ik_max_word"
        },
        "desc": {
          "type": "text",
          "analyzer": "ik_max_word",
          "search_analyzer": "ik_max_word"
        }
      }
    }
  }
}`

 

上面程式碼中，首先新建一個名稱為accounts的 Index，裡面有一個名稱為person的 Type。person有三個欄位。

1. user
2. title
3. desc

 

這三個欄位都是中文，而且型別都是文字（text），所以需要指定中文分詞器，不能使用預設的英文分詞器。

Elastic 的分詞器稱為 analyzer。我們對每個欄位指定分詞器。​​​​​​​

 

"user": {
  "type": "text",
  "analyzer": "ik_max_word",
  "search_analyzer": "ik_max_word"
}

 

上面程式碼中，analyzer是欄位文字的分詞器，search_analyzer是搜尋詞的分詞器。ik_max_word分詞器是外掛ik提供的，可以對文字進行最大數量的分詞。

五、資料操作

5.1 新增記錄

向指定的 /Index/Type 傳送 PUT 請求，就可以在 Index 裡面新增一條記錄。比如，向/accounts/person傳送請求，就可以新增一條人員記錄。​​​​​​​

 

 
$ curl -X PUT `localhost:9200/accounts/person/1` -d `
{
  "user": "冷雨軒",
  "title": "java工程師",
  "desc": "java全棧工程師"
}` 

 

伺服器返回的 JSON 物件，會給出 Index、Type、Id、Version 等資訊。​​​​​​​

 

{
  "_index":"accounts",
  "_type":"person",
  "_id":"1",
  "_version":1,
  "result":"created",
  "_shards":{"total":2,"successful":1,"failed":0},
  "created":true
}

 

如果你仔細看，會發現請求路徑是/accounts/person/1，最後的1是該條記錄的 Id。它不一定是數字，任意字串（比如abc）都可以。

新增記錄的時候，也可以不指定 Id，這時要改成 POST 請求。​​​​​​​

 

 
$ curl -X POST `localhost:9200/accounts/person` -d `
{
  "user": "java老鳥",
  "title": "java工程師",
  "desc": "java骨灰級開發"
}`

 

上面程式碼中，向/accounts/person發出一個 POST 請求，新增一個記錄。這時，伺服器返回的 JSON 物件裡面，_id欄位就是一個隨機字串。​​​​​​​

 

{
  "_index":"accounts",
  "_type":"person",
  "_id":"AV3qGfrC6jMbsbXb6k1p",
  "_version":1,
  "result":"created",
  "_shards":{"total":2,"successful":1,"failed":0},
  "created":true
}

 

注意，如果沒有先建立 Index（這個例子是accounts），直接執行上面的命令，Elastic 也不會報錯，而是直接生成指定的 Index。所以，打字的時候要小心，不要寫錯 Index 的名稱。

5.2 檢視記錄

向/Index/Type/Id發出 GET 請求，就可以檢視這條記錄。​​​​​​​

 

 
$ curl `localhost:9200/accounts/person/1?pretty=true`

 

上面程式碼請求檢視/accounts/person/1這條記錄，URL 的引數pretty=true表示以易讀的格式返回。

返回的資料中，found欄位表示查詢成功，_source欄位返回原始記錄。​​​​​​​

 

{
  "_index" : "accounts",
  "_type" : "person",
  "_id" : "1",
  "_version" : 1,
  "found" : true,
  "_source" : {
    "user" : "冷雨軒",
    "title" : "java工程師",
    "desc" : "java全棧工程師"
  }
}

 

如果 Id 不正確，就查不到資料，found欄位就是false。​​​​​​​

 

 
$ curl `localhost:9200/weather/beijing/abc?pretty=true`
 
{
  "_index" : "accounts",
  "_type" : "person",
  "_id" : "abc",
  "found" : false
}

 

5.3 刪除記錄

刪除記錄就是發出 DELETE 請求。​​​​​​​

 

 
$ curl -X DELETE `localhost:9200/accounts/person/1`

 

這裡先不要刪除這條記錄，後面還要用到。

5.4 更新記錄

更新記錄就是使用 PUT 請求，重新傳送一次資料。​​​​​​​

 

 
$ curl -X PUT `localhost:9200/accounts/person/1` -d `
{
    "user" : "冷雨軒",
    "title" : "java工程師",
    "desc" : "資料庫管理，java軟體開發"
}` 
 
{
  "_index":"accounts",
  "_type":"person",
  "_id":"1",
  "_version":2,
  "result":"updated",
  "_shards":{"total":2,"successful":1,"failed":0},
  "created":false
}

 

上面程式碼中，我們將原始資料從”java全棧工程師”改成”資料庫管理，java軟體開發”。 返回結果裡面，有幾個欄位發生了變化。​​​​​​​

 

 
"_version" : 2,
"result" : "updated",
"created" : false

可以看到，記錄的 Id 沒變，但是版本（version）從1變成2，操作型別（result）從created變成updated，created欄位變成false，因為這次不是新建記錄。

六、資料查詢

6.1 返回所有記錄

使用 GET 方法，直接請求/Index/Type/_search，就會返回所有記錄。​​​​​​​

 

 
$ curl `localhost:9200/accounts/person/_search`
 
{
  "took":2,
  "timed_out":false,
  "_shards":{"total":5,"successful":5,"failed":0},
  "hits":{
    "total":2,
    "max_score":1.0,
    "hits":[
      {
        "_index":"accounts",
        "_type":"person",
        "_id":"AV3qGfrC6jMbsbXb6k1p",
        "_score":1.0,
        "_source": {
          "user": "java老鳥",
          "title": "java工程師",
          "desc": "java骨灰級開發"
        }
      },
      {
        "_index":"accounts",
        "_type":"person",
        "_id":"1",
        "_score":1.0,
        "_source": {
          "user" : "冷雨軒",
          "title" : "java工程師",
          "desc" : "資料庫管理，java軟體開發"
        }
      }
    ]
  }
}

 

上面程式碼中，返回結果的 took欄位表示該操作的耗時（單位為毫秒），timed_out欄位表示是否超時，hits欄位表示命中的記錄，裡面子欄位的含義如下。​​​​​​​

1. total：返回記錄數，本例是2條。
2. max_score：最高的匹配程度，本例是1.0。
3. hits：返回的記錄組成的陣列。

返回的記錄中，每條記錄都有一個_score欄位，表示匹配的程式，預設是按照這個欄位降序排列。

6.2 全文搜尋

Elastic 的查詢非常特別，使用自己的查詢語法，要求 GET 請求帶有資料體。​​​​​​​

 

 
$ curl `localhost:9200/accounts/person/_search`  -d `
{
  "query" : { "match" : { "desc" : "軟體" }}
}`

 

上面程式碼使用 Match 查詢，指定的匹配條件是desc欄位裡面包含”軟體”這個詞。返回結果如下。​​​​​​​

 

{
  "took":3,
  "timed_out":false,
  "_shards":{"total":5,"successful":5,"failed":0},
  "hits":{
    "total":1,
    "max_score":0.28582606,
    "hits":[
      {
        "_index":"accounts",
        "_type":"person",
        "_id":"1",
        "_score":0.28582606,
        "_source": {
          "user" : "冷雨軒",
          "title" : "java工程師",
          "desc" : "資料庫管理，java軟體開發"
        }
      }
    ]
  }
}

 

Elastic 預設一次返回10條結果，可以通過size欄位改變這個設定。​​​​​​​

 

 
$ curl `localhost:9200/accounts/person/_search`  -d `
{
  "query" : { "match" : { "desc" : "管理" }},
  "size": 1
}`

 

上面程式碼指定，每次只返回一條結果。

還可以通過from欄位，指定位移。​​​​​​​

 

 
$ curl `localhost:9200/accounts/person/_search`  -d `
{
  "query" : { "match" : { "desc" : "管理" }},
  "from": 1,
  "size": 1
}`

 

上面程式碼指定，從位置1開始（預設是從位置0開始），只返回一條結果。

6.3 邏輯運算

如果有多個搜尋關鍵字， Elastic 認為它們是or關係。​​​​​​​

 

 
$ curl `localhost:9200/accounts/person/_search`  -d `
{
  "query" : { "match" : { "desc" : "軟體 開發" }}
}`

 

上面程式碼搜尋的是軟體 or 系統。

如果要執行多個關鍵詞的and搜尋，必須使用布林查詢。​​​​​​​

 

 
$ curl `localhost:9200/accounts/person/_search`  -d `
{
  "query": {
    "bool": {
      "must": [
        { "match": { "desc": "軟體" } },
        { "match": { "desc": "java" } }
      ]
    }
  }
}`

 

七、參考連結

 

• ElasticSearch 官方手冊
• A Practical Introduction to Elasticsearch

（完）