初识分布式搜索elasticsearch一

1.1、EL的作用

elasticsearch是一款非常强大的开源搜索引擎，具备非常多强大功能，可以帮助我们从海量数据中快速找到需要的内容

对于搜索关键字会有高亮显示

• 在GitHub搜索代码
• 在电商网站搜索商品
• 在百度搜索答案
• 在打车软件搜索附近的车

1.2、ELK技术栈

elasticsearch结合kibana、Logstash、Beats，也就是elastic stack（ELK）。被广泛应用在日志数据分析、实时监控等领域：

而elasticsearch是elastic stack的核心，负责存储、搜索、分析数据。

1.3、elasticsearch和lucene

elasticsearch底层是基于lucene来实现的。

Lucene是一个Java语言的搜索引擎类库，是Apache公司的顶级项目，由DougCutting于1999年研发。官网地址：https://lucene.apache.org/ 。

Lucene的优势：

1. 易扩展
2. 高性能（基于倒排序索引）

Lucene的缺点：

1. 只限于java语言开发
2. 学习曲线难
3. 不支持技术水平扩展

相比与Lucene，elasticsearch的优势如下：

1. 支持分布式，可水平扩展
2. 提过Restful接口，支持任何语言调用

1.4、总结

什么是elasticsearch？

• 一个开源的分布式搜索引擎，可以用来实现搜索、日志统计、分析、系统监控等功能

什么是elastic stack（ELK）？

• 是以elasticsearch为核心的技术栈，包括beats、Logstash、kibana、elasticsearch

什么是Lucene？

• 是Apache的开源搜索引擎类库，提供了搜索引擎的核心API

倒排索引的概念是基于MySQL这样的正向索引而言的。

2.1、正向索引

那么什么是正向索引呢？例如给下表（tb_goods）中的id创建索引：

如果是根据id查询，那么直接走索引，查询速度非常快。

但如果是基于title做模糊查询，只能是逐行扫描数据，流程如下：

1）用户搜索数据，条件是title符合

2）逐行获取数据，比如id为1的数据

3）判断数据中的title是否符合用户搜索条件

4）如果符合则放入结果集，不符合则丢弃。回到步骤1

逐行扫描，也就是全表扫描，随着数据量增加，其查询效率也会越来越低。当数据量达到数百万时，就是一场灾难。

2.2、倒排索引

倒排索引中有两个非常重要的概念：

• 文档（）：用来搜索的数据，其中的每一条数据就是一个文档。例如一个网页、一个商品信息
• 词条（）：对文档数据或用户搜索数据，利用某种算法分词，得到的具备含义的词语就是词条。例如：我是中国人，就可以分为：我、是、中国人、中国、国人这样的几个词条

创建倒排索引是对正向索引的一种特殊处理，流程如下：

• 将每一个文档的数据利用算法分词，得到一个个词条
• 创建表，每行数据包括词条、词条所在文档id、位置等信息
• 因为词条唯一性，可以给词条创建索引，例如hash表结构索引

如图：

倒排索引的搜索流程如下（以搜索"华为手机"为例）：

1）用户输入条件进行搜索。

2）对用户输入内容分词，得到词条：、。

3）拿着词条在倒排索引中查找，可以得到包含词条的文档id：1、2、3。

4）拿着文档id到正向索引中查找具体文档。

如下图：

虽然要先查询倒排索引，再查询倒排索引，但是无论是词条、还是文档id都建立了索引，查询速度非常快！无需全表扫描。

2.3、正向和倒排

那么为什么一个叫做正向索引，一个叫做倒排索引呢？

• 正向索引是最传统的，根据id索引的方式。但根据词条查询时，必须先逐条获取每个文档，然后判断文档中是否包含所需要的词条，是根据文档找词条的过程。

• 而倒排索引则相反，是先找到用户要搜索的词条，根据词条得到保护词条的文档的id，然后根据id获取文档。是根据词条找文档的过程。

是不是恰好反过来了？

那么两者方式的优缺点是什么呢？

正向索引：

• 可以给多个字段创建索引
• 根据索引字段搜索、排序速度非常快

倒排索引：

• 根据词条搜索、模糊搜索时，速度非常快

elasticsearch中有很多独有的概念，与mysql中略有差别，但也有相似之处。

3.1、文档和字段

elasticsearch是面向**文档（document）**存储的，可以是数据库中的一条商品数据，一个订单信息。文档数据会被序列化为json格式后存储在elasticsearch中：

而Json文档中往往包含很多的字段（Field），类似于数据库中的列。

3.2、索引和映射

索引（Index），就是相同类型的文档的集合。

• 所有用户文档，就可以组织在一起，称为用户的索引；
• 所有商品的文档，可以组织在一起，称为商品的索引；
• 所有订单的文档，可以组织在一起，称为订单的索引；

因此，我们可以把索引当做是数据库中的表。

数据库的表会有约束信息，用来定义表的结构、字段的名称、类型等信息。因此，索引库中就有映射（mapping），是索引中文档的字段约束信息，类似表的结构约束。

3.3、mysql与elasticsearch

我们统一的把mysql与elasticsearch的概念做一下对比：

是不是说，我们学习了elasticsearch就不再需要mysql了呢？

并不是如此，两者各自有自己的擅长支出：

• Mysql：擅长事务类型操作，可以确保数据的安全和一致性

• Elasticsearch：擅长海量数据的搜索、分析、计算

因此在企业中，往往是两者结合使用：

• 对安全性要求较高的写操作，使用mysql实现
• 对查询性能要求较高的搜索需求，使用elasticsearch实现
• 两者再基于某种方式，实现数据的同步，保证一致性

详细安装请参考安装手册

分词器

es在创建倒排序索引时需要对文档分词；在搜索时需要对用户输入的内容分词。默认的分词规则对中文处理并不友好

下面是在kibana的DevTools中对中文的一个分词测试：

请求参数，json格式：

1. analyzer：分词器类型，这里是默认的standard分词器
2. text：要分词的内容

下面是分词输出的结果

可以看出对中文的分词都是逐词的分的，而对于英语就会分的很细

解决上面的问题我们可以使用分词器，同样参考

安装插件之后的分词效果

IK分词器包含两种模式：

• ：最少切分

• ：最细切分

4.1、扩展词词典

1）打开IK分词器config目录：

2）在IKAnalyzer.cfg.xml配置文件内容添加：

需要新建一个文件，里面就是存放一些拓展词汇的

4.2、禁止分词

IKAnalyzer.cfg.xml配置文件内容添加：