Elasticsearch学习笔记(二)
在上一篇文章中,我们已经导入了大量数据到 elasticsearch 中,实现了数据的存储。不过查询数据时依然采用的是根据 id 查询,而非模糊搜索。
所以在这篇文章中,我们来研究下 elasticsearch 的数据搜索功能。Elasticsearch 提供了基于 JSON 的 DSL(Domain Specific Language)语句来定义查询条件,其 JavaAPI 就是在组织 DSL 条件。
因此,我们先学习 DSL 的查询语法,然后再基于 DSL 来对照学习 JavaAPI。
1.DSL 查询
Elasticsearch 的查询可以分为两大类:
- 叶子查询(Leaf query clauses):一般是在特定的字段里查询特定值,属于简单查询,很少单独使用。
- 复合查询(Compound query clauses):以逻辑方式组合多个叶子查询或者更改叶子查询的行为方式。
1.1.快速入门
我们依然在 Kibana 的 DevTools 中学习查询的 DSL 语法。首先来看查询的语法结构:
1 | GET /{索引库名}/_search |
说明:
GET /{索引库名}/_search
:其中的_search
是固定路径,不能修改
例如,我们以最简单的无条件查询为例,无条件查询的类型是:match_all,因此其查询语句如下:
1 | GET /items/_search |
由于 match_all 无条件,所以条件位置不写即可。
执行结果如下:
你会发现虽然是 match_all,但是响应结果中并不会包含索引库中的所有文档,而是仅有 10 条。这是因为处于安全考虑,elasticsearch 设置了默认的查询页数。
1.2.叶子查询
叶子查询的类型也可以做进一步细分,详情大家可以查看官方文档:
如图:
这里列举一些常见的,例如:
全文检索查询(Full Text Queries):利用分词器对用户输入搜索条件先分词,得到词条,然后再利用倒排索引搜索词条。例如:
match
:multi_match
精确查询(Term-level queries):不对用户输入搜索条件分词,根据字段内容精确值匹配。但只能查找 keyword、数值、日期、boolean 类型的字段。例如:
ids
term
range
地理坐标查询:用于搜索地理位置,搜索方式很多,例如:
geo_bounding_box
:按矩形搜索geo_distance
:按点和半径搜索
…略
1.2.1.全文检索查询
全文检索的种类也很多,详情可以参考官方文档:https://www.elastic.co/guide/en/elasticsearch/reference/7.12/full-text-queries.html
以全文检索中的 match
为例,语法如下:
1 | GET /{索引库名}/_search |
示例:
与 match
类似的还有 multi_match
,区别在于可以同时对多个字段搜索,而且多个字段都要满足,语法示例:
1 | GET /{索引库名}/_search |
示例:
1.2.2.精确查询
精确查询,英文是 Term-level query
,顾名思义,词条级别的查询。也就是说不会对用户输入的搜索条件再分词,而是作为一个词条,与搜索的字段内容精确值匹配。因此推荐查找 keyword
、数值、日期、boolean
类型的字段。例如:
- id
- price
- 城市
- 地名
- 人名
等等,作为一个整体才有含义的字段。
详情可以查看官方文档:https://www.elastic.co/guide/en/elasticsearch/reference/7.12/term-level-queries.html
以 term
查询为例,其语法如下:
1 | GET /{索引库名}/_search |
示例:
当你输入的搜索条件不是词条,而是短语时,由于不做分词,你反而搜索不到:
再来看下 range
查询,语法如下:
1 | GET /{索引库名}/_search |
range
是范围查询,对于范围筛选的关键字有:
gte
:大于等于gt
:大于lte
:小于等于lt
:小于
示例:
1.3.复合查询
复合查询大致可以分为两类:
第一类:基于逻辑运算组合叶子查询,实现组合条件,例如
- bool
第二类:基于某种算法修改查询时的文档相关性算分,从而改变文档排名。例如:
- function_score
- dis_max
其它复合查询及相关语法可以参考官方文档:https://www.elastic.co/guide/en/elasticsearch/reference/7.12/compound-queries.html
1.3.1.算分函数查询
当我们利用 match 查询时,文档结果会根据与搜索词条的关联度打分(**_score**),返回结果时按照分值降序排列。
例如,我们搜索 “手机”,结果如下:
从 elasticsearch5.1 开始,采用的相关性打分算法是 BM25 算法,公式如下:
基于这套公式,就可以判断出某个文档与用户搜索的关键字之间的关联度,还是比较准确的。但是,在实际业务需求中,常常会有竞价排名的功能。不是相关度越高排名越靠前,而是掏的钱多的排名靠前。
例如在百度中搜索 Java 培训,排名靠前的就是广告推广:
要想认为控制相关性算分,就需要利用 elasticsearch 中的 function score 查询了。
基本语法:
function score 查询中包含四部分内容:
原始查询条件:query 部分,基于这个条件搜索文档,并且基于 BM25 算法给文档打分,原始算分(query score)
过滤条件:filter 部分,符合该条件的文档才会重新算分
算分函数:符合 filter 条件的文档要根据这个函数做运算,得到的函数算分(function score),有四种函数
- weight:函数结果是常量
- field_value_factor:以文档中的某个字段值作为函数结果
- random_score:以随机数作为函数结果
- script_score:自定义算分函数算法
运算模式:算分函数的结果、原始查询的相关性算分,两者之间的运算方式,包括:
- multiply:相乘
- replace:用 function score 替换 query score
- 其它,例如:sum、avg、max、min
function score 的运行流程如下:
- 1)根据原始条件查询搜索文档,并且计算相关性算分,称为原始算分(query score)
- 2)根据过滤条件,过滤文档
- 3)符合过滤条件的文档,基于算分函数运算,得到函数算分(function score)
- 4)将原始算分(query score)和函数算分(function score)基于运算模式做运算,得到最终结果,作为相关性算分。
因此,其中的关键点是:
- 过滤条件:决定哪些文档的算分被修改
- 算分函数:决定函数算分的算法
- 运算模式:决定最终算分结果
示例:给 IPhone 这个品牌的手机算分提高十倍,分析如下:
- 过滤条件:品牌必须为 IPhone
- 算分函数:常量 weight,值为 10
- 算分模式:相乘 multiply
对应代码如下:
1 | GET /hotel/_search |
1.3.2.bool 查询
bool 查询,即布尔查询。就是利用逻辑运算来组合一个或多个查询子句的组合。bool 查询支持的逻辑运算有:
- must:必须匹配每个子查询,类似“与”
- should:选择性匹配子查询,类似“或”
- must_not:必须不匹配,不参与算分,类似“非”
- filter:必须匹配,不参与算分
bool 查询的语法如下:
1 | GET /items/_search |
出于性能考虑,与搜索关键字无关的查询尽量采用 must_not 或 filter 逻辑运算,避免参与相关性算分。
例如黑马商城的搜索页面:
其中输入框的搜索条件肯定要参与相关性算分,可以采用 match。但是价格范围过滤、品牌过滤、分类过滤等尽量采用 filter,不要参与相关性算分。
比如,我们要搜索 手机
,但品牌必须是 华为
,价格必须是 900~1599
,那么可以这样写:
1 | GET /items/_search |
1.4.排序
elasticsearch 默认是根据相关度算分(_score
)来排序,但是也支持自定义方式对搜索结果排序。不过分词字段无法排序,能参与排序字段类型有:keyword
类型、数值类型、地理坐标类型、日期类型等。
详细说明可以参考官方文档:https://www.elastic.co/guide/en/elasticsearch/reference/7.12/sort-search-results.html
语法说明:
1 | GET /indexName/_search |
示例,我们按照商品价格排序:
1 | GET /items/_search |
1.5.分页
elasticsearch 默认情况下只返回 top10 的数据。而如果要查询更多数据就需要修改分页参数了。
1.5.1.基础分页
elasticsearch 中通过修改 from
、size
参数来控制要返回的分页结果:
from
:从第几个文档开始size
:总共查询几个文档
类似于 mysql 中的 limit ?, ?
官方文档如下:https://www.elastic.co/guide/en/elasticsearch/reference/7.12/paginate-search-results.html
语法如下:
1 | GET /items/_search |
1.5.2.深度分页
elasticsearch 的数据一般会采用分片存储,也就是把一个索引中的数据分成 N 份,存储到不同节点上。这种存储方式比较有利于数据扩展,但给分页带来了一些麻烦。
比如一个索引库中有 100000 条数据,分别存储到 4 个分片,每个分片 25000 条数据。现在每页查询 10 条,查询第 99 页。那么分页查询的条件如下:
1 | GET /items/_search |
从语句来分析,要查询第 990~1000 名的数据。
从实现思路来分析,肯定是将所有数据排序,找出前 1000 名,截取其中的 990~1000 的部分。但问题来了,我们如何才能找到所有数据中的前 1000 名呢?
要知道每一片的数据都不一样,第 1 片上的第 9001000,在另 1 个节点上并不一定依然是 9001000 名。所以我们只能在每一个分片上都找出排名前 1000 的数据,然后汇总到一起,重新排序,才能找出整个索引库中真正的前 1000 名,此时截取 990~1000 的数据即可。
如图:
试想一下,假如我们现在要查询的是第 999 页数据呢,是不是要找第 9990~10000 的数据,那岂不是需要把每个分片中的前 10000 名数据都查询出来,汇总在一起,在内存中排序?如果查询的分页深度更深呢,需要一次检索的数据岂不是更多?
由此可知,当查询分页深度较大时,汇总数据过多,对内存和 CPU 会产生非常大的压力。
因此 elasticsearch 会禁止 from+ size
超过 10000 的请求。
针对深度分页,elasticsearch 提供了两种解决方案:
search after
:分页时需要排序,原理是从上一次的排序值开始,查询下一页数据。官方推荐使用的方式。scroll
:原理将排序后的文档 id 形成快照,保存下来,基于快照做分页。官方已经不推荐使用。
详情见文档:https://www.elastic.co/guide/en/elasticsearch/reference/7.12/paginate-search-results.html
总结:
大多数情况下,我们采用普通分页就可以了。查看百度、京东等网站,会发现其分页都有限制。例如百度最多支持77页,每页不足20条。京东最多100页,每页最多60条。
因此,一般我们采用限制分页深度的方式即可,无需实现深度分页。
1.6.高亮
1.6.1.高亮原理
什么是高亮显示呢?
我们在百度,京东搜索时,关键字会变成红色,比较醒目,这叫高亮显示:
观察页面源码,你会发现两件事情:
- 高亮词条都被加了
<em>
标签 <em>
标签都添加了红色样式
css 样式肯定是前端实现页面的时候写好的,但是前端编写页面的时候是不知道页面要展示什么数据的,不可能给数据加标签。而服务端实现搜索功能,要是有 elasticsearch
做分词搜索,是知道哪些词条需要高亮的。
因此词条的高亮标签肯定是由服务端提供数据的时候已经加上的。
因此实现高亮的思路就是:
- 用户输入搜索关键字搜索数据
- 服务端根据搜索关键字到 elasticsearch 搜索,并给搜索结果中的关键字词条添加
html
标签 - 前端提前给约定好的
html
标签添加CSS
样式
1.6.2.实现高亮
事实上 elasticsearch 已经提供了给搜索关键字加标签的语法,无需我们自己编码。
基本语法如下:
1 | GET /{索引库名}/_search |
注意:
- 搜索必须有查询条件,而且是全文检索类型的查询条件,例如
match
- 参与高亮的字段必须是
text
类型的字段- 默认情况下参与高亮的字段要与搜索字段一致,除非添加:
required_field_match=false
示例:
1.7.总结
查询的 DSL 是一个大的 JSON 对象,包含下列属性:
query
:查询条件from
和size
:分页条件sort
:排序条件highlight
:高亮条件
示例:
2.RestClient 查询
文档的查询依然使用昨天学习的 RestHighLevelClient
对象,查询的基本步骤如下:
- 1)创建
request
对象,这次是搜索,所以是SearchRequest
- 2)准备请求参数,也就是查询 DSL 对应的 JSON 参数
- 3)发起请求
- 4)解析响应,响应结果相对复杂,需要逐层解析
2.1.快速入门
之前说过,由于 Elasticsearch 对外暴露的接口都是 Restful 风格的接口,因此 JavaAPI 调用就是在发送 Http 请求。而我们核心要做的就是利用利用 Java 代码组织请求参数,解析响应结果。
这个参数的格式完全参考 DSL 查询语句的 JSON 结构,因此我们在学习的过程中,会不断的把 JavaAPI 与 DSL 语句对比。大家在学习记忆的过程中,也应该这样对比学习。
2.1.1.发送请求
首先以 match_all
查询为例,其 DSL 和 JavaAPI 的对比如图:
代码解读:
第一步,创建
SearchRequest
对象,指定索引库名第二步,利用
request.source()
构建 DSL,DSL 中可以包含查询、分页、排序、高亮等query()
:代表查询条件,利用QueryBuilders.matchAllQuery()
构建一个match_all
查询的 DSL
第三步,利用
client.search()
发送请求,得到响应
这里关键的 API 有两个,一个是 request.source()
,它构建的就是 DSL 中的完整 JSON 参数。其中包含了 query
、sort
、from
、size
、highlight
等所有功能:
另一个是 QueryBuilders
,其中包含了我们学习过的各种叶子查询、复合查询等:
2.1.2.解析响应结果
在发送请求以后,得到了响应结果 SearchResponse
,这个类的结构与我们在 kibana 中看到的响应结果 JSON 结构完全一致:
1 | { |
因此,我们解析 SearchResponse
的代码就是在解析这个 JSON 结果,对比如下:
代码解读:
elasticsearch 返回的结果是一个 JSON 字符串,结构包含:
hits
:命中的结果total
:总条数,其中的 value 是具体的总条数值max_score
:所有结果中得分最高的文档的相关性算分hits
:搜索结果的文档数组,其中的每个文档都是一个 json 对象_source
:文档中的原始数据,也是 json 对象
因此,我们解析响应结果,就是逐层解析 JSON 字符串,流程如下:
SearchHits
:通过response.getHits()
获取,就是 JSON 中的最外层的hits
,代表命中的结果SearchHits#getTotalHits().value
:获取总条数信息SearchHits#getHits()
:获取SearchHit
数组,也就是文档数组SearchHit#getSourceAsString()
:获取文档结果中的_source
,也就是原始的json
文档数据
2.1.3.总结
文档搜索的基本步骤是:
创建
SearchRequest
对象准备
request.source()
,也就是 DSL。QueryBuilders
来构建查询条件- 传入
request.source()
的query()
方法
发送请求,得到结果
解析结果(参考 JSON 结果,从外到内,逐层解析)
完整代码如下:
1 |
|
2.2.叶子查询
所有的查询条件都是由 QueryBuilders 来构建的,叶子查询也不例外。因此整套代码中变化的部分仅仅是 query 条件构造的方式,其它不动。
例如 match
查询:
1 |
|
再比如 multi_match
查询:
1 |
|
还有 range
查询:
1 |
|
还有 term
查询:
1 |
|
2.3.复合查询
复合查询也是由 QueryBuilders
来构建,我们以 bool
查询为例,DSL 和 JavaAPI 的对比如图:
完整代码如下:
1 |
|
2.4.排序和分页
之前说过,requeset.source()
就是整个请求 JSON 参数,所以排序、分页都是基于这个来设置,其 DSL 和 JavaAPI 的对比如下:
完整示例代码:
1 |
|
2.5.高亮
高亮查询与前面的查询有两点不同:
- 条件同样是在
request.source()
中指定,只不过高亮条件要基于HighlightBuilder
来构造 - 高亮响应结果与搜索的文档结果不在一起,需要单独解析
首先来看高亮条件构造,其 DSL 和 JavaAPI 的对比如图:
示例代码如下:
1 |
|
再来看结果解析,文档解析的部分不变,主要是高亮内容需要单独解析出来,其 DSL 和 JavaAPI 的对比如图:
代码解读:
- 第
3、4
步:从结果中获取_source
。hit.getSourceAsString()
,这部分是非高亮结果,json 字符串。还需要反序列为ItemDoc
对象 - 第
5
步:获取高亮结果。hit.getHighlightFields()
,返回值是一个Map
,key 是高亮字段名称,值是HighlightField
对象,代表高亮值 - 第
5.1
步:从Map
中根据高亮字段名称,获取高亮字段值对象HighlightField
- 第
5.2
步:从HighlightField
中获取Fragments
,并且转为字符串。这部分就是真正的高亮字符串了 - 最后:用高亮的结果替换
ItemDoc
中的非高亮结果
完整代码如下:
1 | private void handleResponse(SearchResponse response) { |
3.数据聚合
聚合(aggregations
)可以让我们极其方便的实现对数据的统计、分析、运算。例如:
- 什么品牌的手机最受欢迎?
- 这些手机的平均价格、最高价格、最低价格?
- 这些手机每月的销售情况如何?
实现这些统计功能的比数据库的 sql 要方便的多,而且查询速度非常快,可以实现近实时搜索效果。
官方文档:https://www.elastic.co/guide/en/elasticsearch/reference/7.12/search-aggregations.html
聚合常见的有三类:
- 桶(Bucket)聚合:用来对文档做分组
TermAggregation
:按照文档字段值分组,例如按照品牌值分组、按照国家分组Date Histogram
:按照日期阶梯分组,例如一周为一组,或者一月为一组
- 度量(Metric)聚合:用以计算一些值,比如:最大值、最小值、平均值等
Avg
:求平均值Max
:求最大值Min
:求最小值Stats
:同时求max
、min
、avg
、sum
等
- 管道(pipeline)聚合:其它聚合的结果为基础做进一步运算
注意:参加聚合的字段必须是 keyword、日期、数值、布尔类型
3.1.DSL 实现聚合
与之前的搜索功能类似,我们依然先学习 DSL 的语法,再学习 JavaAPI.
3.1.1.Bucket 聚合
例如我们要统计所有商品中共有哪些商品分类,其实就是以分类(category)字段对数据分组。category 值一样的放在同一组,属于 Bucket
聚合中的 Term
聚合。
基本语法如下:
1 | GET /items/_search |
语法说明:
size
:设置size
为 0,就是每页查 0 条,则结果中就不包含文档,只包含聚合aggs
:定义聚合category_agg
:聚合名称,自定义,但不能重复terms
:聚合的类型,按分类聚合,所以用term
field
:参与聚合的字段名称size
:希望返回的聚合结果的最大数量
来看下查询的结果:
3.1.2.带条件聚合
默认情况下,Bucket 聚合是对索引库的所有文档做聚合,例如我们统计商品中所有的品牌,结果如下:
可以看到统计出的品牌非常多。
但真实场景下,用户会输入搜索条件,因此聚合必须是对搜索结果聚合。那么聚合必须添加限定条件。
例如,我想知道价格高于 3000 元的手机品牌有哪些,该怎么统计呢?
我们需要从需求中分析出搜索查询的条件和聚合的目标:
搜索查询条件:
- 价格高于 3000
- 必须是手机
聚合目标:统计的是品牌,肯定是对 brand 字段做 term 聚合
语法如下:
1 | GET /items/_search |
聚合结果如下:
1 | { |
可以看到,结果中只剩下 3 个品牌了。
3.1.3.Metric 聚合
上节课,我们统计了价格高于 3000 的手机品牌,形成了一个个桶。现在我们需要对桶内的商品做运算,获取每个品牌价格的最小值、最大值、平均值。
这就要用到 Metric
聚合了,例如 stat
聚合,就可以同时获取 min
、max
、avg
等结果。
语法如下:
1 | GET /items/_search |
query
部分就不说了,我们重点解读聚合部分语法。
可以看到我们在 brand_agg
聚合的内部,我们新加了一个 aggs
参数。这个聚合就是 brand_agg
的子聚合,会对 brand_agg
形成的每个桶中的文档分别统计。
stats_meric
:聚合名称stats
:聚合类型,stats 是metric
聚合的一种field
:聚合字段,这里选择price
,统计价格
由于 stats 是对 brand_agg 形成的每个品牌桶内文档分别做统计,因此每个品牌都会统计出自己的价格最小、最大、平均值。
结果如下:
另外,我们还可以让聚合按照每个品牌的价格平均值排序:
3.1.4.总结
aggs 代表聚合,与 query 同级,此时 query 的作用是?
- 限定聚合的的文档范围
聚合必须的三要素:
- 聚合名称
- 聚合类型
- 聚合字段
聚合可配置属性有:
- size:指定聚合结果数量
- order:指定聚合结果排序方式
- field:指定聚合字段
3.2.RestClient 实现聚合
可以看到在 DSL 中,aggs
聚合条件与 query
条件是同一级别,都属于查询 JSON 参数。因此依然是利用 request.source()
方法来设置。
不过聚合条件的要利用 AggregationBuilders
这个工具类来构造。DSL 与 JavaAPI 的语法对比如下:
聚合结果与搜索文档同一级别,因此需要单独获取和解析。具体解析语法如下:
完整代码如下:
1 |
|