全文搜索引擎 Elasticsearch 入門教程
全文搜索屬於最常見的需求，開源的 Elasticsearch （以下簡稱 Elastic）是目前全文搜索引擎的首選。
它可以快速地儲存、搜索和分析海量數據。維基百科、Stack Overflow、Github 都采用它。
Elastic 的底層是開源庫 Lucene。但是，你沒法直接用 Lucene，必須自己寫代碼去調用它的接口。Elastic 是 Lucene 的封裝，提供了 REST API 的操作接口，開箱即用。
本文從零開始，講解如何使用 Elastic 搭建自己的全文搜索引擎。每一步都有詳細的說明，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，註意要保證環境變量JAVA_HOME正確設置。
安裝完 Java，就可以跟著官方文檔安裝 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，運行下面的命令，啟動 Elastic。
$ ./bin/elasticsearch
如果這時報錯"max virtual memory areas vm.maxmapcount [65530] is too low"，要運行下面的命令。
$ sudo sysctl -w vm.max_map_count=262144
如果一切正常，Elastic 就會在默認的9200端口運行。這時，打開另一個命令行窗口，請求該端口，會得到說明信息。
$ 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" }
上面代碼中，請求9200端口，Elastic 返回一個 JSON 對象，包含當前節點、集群、版本等信息。
按下 Ctrl + C，Elastic 就會停止運行。
默認情況下，Elastic 只允許本機訪問，如果需要遠程訪問，可以修改 Elastic 安裝目錄的config/elasticsearch.yml文件，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
上面代碼中，設成0.0.0.0讓任何人都可以訪問。線上服務不要這樣設置，要設成具體的 IP。
二、基本概念
2.1 Node 與 Cluster
Elastic 本質上是一個分布式數據庫，允許多臺服務器協同工作，每臺服務器可以運行多個 Elastic 實例。
單個 Elastic 實例稱為一個節點（node）。一組節點構成一個集群（cluster）。
2.2 Index
Elastic 會索引所有字段，經過處理後寫入一個反向索引（Inverted Index）。查找數據的時候，直接查找該索引。
所以，Elastic 數據管理的頂層單位就叫做 Index（索引）。它是單個數據庫的同義詞。每個 Index （即數據庫）的名字必須是小寫。
下面的命令可以查看當前節點的所有 Index。
$ curl -X GET ‘http://localhost:9200/_cat/indices?v‘
2.3 Document
Index 裏面單條的記錄稱為 Document（文檔）。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": "張三", "title": "工程師", "desc": "數據庫管理" }
同一個 Index 裏面的 Document，不要求有相同的結構（scheme），但是最好保持相同，這樣有利於提高搜索效率。
2.4 Type
Document 可以分組，比如weather這個 Index 裏面，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字段不能在這個組是字符串，在另一個組是數值。這是與關系型數據庫的表的一個區別。性質完全不同的數據（比如products和logs）應該存成兩個 Index，而不是一個 Index 裏面的兩個 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 服務器發出 PUT 請求。下面的例子是新建一個名叫weather的 Index。
$ curl -X PUT ‘localhost:9200/weather‘
服務器返回一個 JSON 對象，裏面的acknowledged字段表示操作成功。
{ "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、中文分詞設置
首先，安裝中文分詞插件。這裏使用的是 ik，也可以考慮其他插件（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
上面代碼安裝的是5.5.1版的插件，與 Elastic 5.5.1 配合使用。
接著，重新啟動 Elastic，就會自動加載這個新安裝的插件。
然後，新建一個 Index，指定需要分詞的字段。這一步根據數據結構而異，下面的命令只針對本文。基本上，凡是需要搜索的中文字段，都要單獨設置一下。
$ 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" } } } } }‘
上面代碼中，首先新建一個名稱為accounts的 Index，裏面有一個名稱為person的 Type。person有三個字段。
- user
- title
- desc
這三個字段都是中文，而且類型都是文本（text），所以需要指定中文分詞器，不能使用默認的英文分詞器。
Elastic 的分詞器稱為 analyzer。我們對每個字段指定分詞器。
"user": { "type": "text", "analyzer": "ik_max_word", "search_analyzer": "ik_max_word" }
上面代碼中，analyzer是字段文本的分詞器，search_analyzer是搜索詞的分詞器。ik_max_word分詞器是插件ik提供的，可以對文本進行最大數量的分詞。
五、數據操作
5.1 新增記錄
向指定的 /Index/Type 發送 PUT 請求，就可以在 Index 裏面新增一條記錄。比如，向/accounts/person發送請求，就可以新增一條人員記錄。
$ curl -X PUT ‘localhost:9200/accounts/person/1‘ -d ‘ { "user": "張三", "title": "工程師", "desc": "數據庫管理" }‘
服務器返回的 JSON 對象，會給出 Index、Type、Id、Version 等信息。
{ "_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，任意字符串（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": "李四", "title": "工程師", "desc": "系統管理" }‘
上面代碼中，向/accounts/person發出一個 POST 請求，添加一個記錄。這時，服務器返回的 JSON 對象裏面，_id字段就是一個隨機字符串。
{ "_index":"accounts", "_type":"person", "_id":"AV3qGfrC6jMbsbXb6k1p", "_version":1, "result":"created", "_shards":{"total":2,"successful":1,"failed":0}, "created":true }
註意，如果沒有先創建 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 查看記錄
向/Index/Type/Id發出 GET 請求，就可以查看這條記錄。
$ curl ‘localhost:9200/accounts/person/1?pretty=true‘
上面代碼請求查看/accounts/person/1這條記錄，URL 的參數pretty=true表示以易讀的格式返回。
返回的數據中，found字段表示查詢成功，_source字段返回原始記錄。
{ "_index" : "accounts", "_type" : "person", "_id" : "1", "_version" : 1, "found" : true, "_source" : { "user" : "張三", "title" : "工程師", "desc" : "數據庫管理" } }
如果 Id 不正確，就查不到數據，found字段就是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‘
這裏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，重新發送一次數據。
$ curl -X PUT ‘localhost:9200/accounts/person/1‘ -d ‘ { "user" : "張三", "title" : "工程師", "desc" : "數據庫管理，軟件開發" }‘ { "_index":"accounts", "_type":"person", "_id":"1", "_version":2, "result":"updated", "_shards":{"total":2,"successful":1,"failed":0}, "created":false }
上面代碼中，我們將原始數據從"數據庫管理"改成"數據庫管理，軟件開發"。 返回結果裏面，有幾個字段發生了變化。
"_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，操作類型（result）從created變成updated，created字段變成false，因為這次不是新建記錄。
六、數據查詢
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": "李四", "title": "工程師", "desc": "系統管理" } }, { "_index":"accounts", "_type":"person", "_id":"1", "_score":1.0, "_source": { "user" : "張三", "title" : "工程師", "desc" : "數據庫管理，軟件開發" } } ] } }
上面代碼中，返回結果的 took字段表示該操作的耗時（單位為毫秒），timed_out字段表示是否超時，hits字段表示命中的記錄，裏面子字段的含義如下。
total：返回記錄數，本例是2條。max_score：最高的匹配程度，本例是1.0。hits：返回的記錄組成的數組。
返回的記錄中，每條記錄都有一個_score字段，表示匹配的程序，默認是按照這個字段降序排列。
6.2 全文搜索
Elastic 的查詢非常特別，使用自己的查詢語法，要求 GET 請求帶有數據體。
$ curl ‘localhost:9200/accounts/person/_search‘ -d ‘ { "query" : { "match" : { "desc" : "軟件" }} }‘
上面代碼使用 Match 查詢，指定的匹配條件是desc字段裏面包含"軟件"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" : "張三", "title" : "工程師", "desc" : "數據庫管理，軟件開發" } } ] } }
Elastic 默認一次返回10條結果，可以通過size字段改變這個設置。
$ curl ‘localhost:9200/accounts/person/_search‘ -d ‘ { "query" : { "match" : { "desc" : "管理" }}, "size": 1 }‘
上面代碼指定，每次只返回一條結果。
還可以通過from字段，指定位移。
$ curl ‘localhost:9200/accounts/person/_search‘ -d ‘ { "query" : { "match" : { "desc" : "管理" }}, "from": 1, "size": 1 }‘
上面代碼指定，從位置1開始（默認是從位置0開始），只返回一條結果。
6.3 邏輯運算
如果有多個搜索關鍵字， Elastic 認為它們是or關系。
$ curl ‘localhost:9200/accounts/person/_search‘ -d ‘ { "query" : { "match" : { "desc" : "軟件 系統" }} }‘
上面代碼搜索的是軟件 or 系統。
如果要執行多個關鍵詞的and搜索，必須使用布爾查詢。
$ curl ‘localhost:9200/accounts/person/_search‘ -d ‘ { "query": { "bool": { "must": [ { "match": { "desc": "軟件" } }, { "match": { "desc": "系統" } } ] } } }‘
七、參考鏈接
- ElasticSearch 官方手冊
- A Practical Introduction to Elasticsearch
（完）
原文地址：http://www.ruanyifeng.com/blog/2017/08/elasticsearch.html
全文搜索引擎 Elasticsearch 入門教程