Elasticsearch使用备忘_(questiondata.iffinish === 1 || +alliffinish === 1-优快云博客

最近我们需要对大约2T（6.5亿条）日志做全文检索，Elasticsearch看起来很火爆，又有很多产品使用（Facebook、github、stackoverflow），值得一试。以下是一些基础知识笔记。

Elasticsearch是一个基于Lucene构建的开源、分布式、RESTful的搜索引擎，能够实现近实时（NRT）搜索，稳定、可靠、安装方便。性能不错、水平扩展、文档齐全、社区火爆，这几点很重要。

如果之前已经了解过分布式存储系统、query切词、检索相关性策略，Elasticsearch的使用学习起来会很快。

1 基础概念

Elasticsearch是一个近实时的系统，从你写入数据到数据可以被检索到，一般会有1秒钟的延时。Elasticsearch是基于Lucene的，Lucene的读写是两个分开的句柄，往写句柄写入的数据刷新之后，读句柄重新打开，这才能读到新写入的数据。

名词解释：
Cluster：集群。
Index：索引，Index相当于关系型数据库的DataBase。
Type：类型，这是索引下的逻辑划分，一般把有共性的文档放到一个类型里面，相当于关系型数据库的table。
Document：文档，Json结构，这点跟MongoDB差不多。
Shard、Replica：分片，副本。

分片有两个好处，一个是可以水平扩展，另一个是可以并发提高性能。在网络环境下，可能会有各种导致分片无法正常工作的问题，所以需要有失败预案。ES支持把分片拷贝出一份或者多份，称为副本分片，简称副本。副本有两个好处，一个是实现高可用（HA，High Availability），另一个是利用副本提高并发检索性能。

分片和副本的数量可以在创建index的时候指定，index创建之后，只能修改副本数量，不能修改分片。

健康状态：
安装了head插件之后，可以在web上看到集群健康状态，集群处于绿色表示当前一切正常，集群处于黄色表示当前有些副本不正常，集群处于红色表示部分数据无法正常提供。绿色和黄色状态下，集群都是能提供完整数据的，红色状态下集群提供的数据是有缺失的。

2 搭建ElasticSearch

首先安装java，设置好JAVA_HOME环境变量（export JAVA_HOME=…/java8），然后安装Elasticsearch。

参考官方文档：https://www.elastic.co/guide/en/elasticsearch/reference/current/_installation.html

设置配置的时候，ES可能因为各种原因不能自动找到集群，所以把地址也设置上，如：

discovery.zen.ping.unicast.hosts: [“host_name…:9301”, “host_name_xxx:port_yyy”…]

安装head插件:拉取 https://github.com/mobz/elasticsearch-head 代码，将其放到./plugins/head 目录下。

启动之前设置ES使用的内存：export ES_HEAP_SIZE=10g。

elasticsearcy.yml配置文件中的一些配置点：

#设置集群名字
cluster.name: cswuyg_qa_pair_test
#设置node名字
node.name: xxx-node
#设置节点域名
network.host: 10.111.111.1
#设置内部传输端口和外部HTTP访问端口
transport.tcp.port: 9302
http.port: 8302
#设置集群其它节点地址
discovery.zen.ping.unicast.hosts: [“xxxhost:yyyport”]
#设置中文切词插件
index.analysis.analyzer.ik.type: “ik”
elasticsearch -d 以守护进程方式启动，启动之后，就可以在浏览器里使用head插件看到集群信息，如：

http://host_name_xxx:port_yyy/_plugin/head/
在这里插入图片描述
上图：启动了三个Elasticsearch实例，创建了三个Index；ceshi Index有一主shard，两replica shard；qa_pair1 Index只有主shard；website Index有一主shard，一replica shard。

3 测试Elasticsearch使用

Elasticsearch提供RESTful API，我采用Postman（chrome的一个插件）作为辅助客户端向ES发送请求。

可以向任意一个节点发起请求，虽然ES有Master的概念，但任意一个node都可以接受读写请求。

先创建一个index：

POST http://10.11.111.11:8301/test_index

查看创建的index:

GET http://10.11.111.11:8301/_cat/indices?v

写入数据：
在这里插入图片描述

查询数据：

（1）使用id直接查：
GET http://xxxhost:8201/qa_xx2/qa_xx3/1235
（2）DSL查询：

往查询url POST数据即可：
URL格式：http://xxxhost:8201/qa_xx2/qa_xx3/_search

a. 查询title中包含有cswuyg字段的文档。Highlight设置高亮命中的词。POST方法的body：

{
    "query": {
        "match": {
            "title": {
                "query": "cswuyg "
            }
        }
    },
    "highlight": {
        "fields": {
            "title": {
                
            }
        }
    }
}

b. bool组合查询，命中的文档的title字段必须能命中“餐厅”、“好吃”、“深圳”，可以是完全命中，也可以是名字其中的个别字。“便宜”则是可选命中。
POST方法的body：

{
    "query": {
        "bool": {
            "must": [{
                "match": {
                    "title": {
                        "query": "餐厅"
                    }
                }
            },
            {
                "match": {
                    "title": {
                        "query": "好吃"
                    }
                }
            },
            {
                "match": {
                    "title": {
                        "query": "深圳"
                    }
                }
            }],
            "should": [{
                "match": {
                    "title": "便宜"
                }
            }]
        }
    },
    "highlight": {
        "fields": {
            "title": {
                
            }
        }
    }
}

如果要求每一个字都命中，可以把match修改为match_phrase。

{
    'query': {
        'bool': {
            'should': [{
                'match': {
                    'title': {
                        'query': '张三',
                        'boost': 0.2
                    }
                }
            }],
            'must': [{
                'match_phrase': {
                    'title': {
                        'query': '李四',
                        'boost': 0.69
                    }
                }
            },
            {
                'match_phrase': {
                    'title': {
                        'query': '王五',
                        'boost': 0.11
                    }
                }
            }]
        }
    }
}

例子：要求必须完全命中“酒后”和“标准"，“驾驶”可以部分命中

{
    "query": {
        "bool": {
            "must": [{
                "match_phrase": {
                    "question": {
                        "query": "酒后",
                        "boost": 0.69
                    }
                }
            },
            {
                "match": {
                    "question": {
                        "query": "驾驶",
                        "boost": 0.11
                    }
                }
            },
            {
                "match_phrase": {
                    "question": {
                        "query": "标准",
                        "boost": 0.2
                    }
                }
            }]
        }
    }
}

c. 给查询词设置权重（boost）。POST方法的body：

{
    "query": {
        "bool": {
            "must": {
                "match": {
                    "title": {
                        "query": "好吃的餐厅",
                        "boost": 1
                    }
                }
            },
            "must": {
                "match": {
                    "title": {
                        "query": "深圳湾",
                        "boost": 100
                    }
                }
            },
            "should": [{
                "match": {
                    "title": "便宜"
                }
            }]
        }
    },
    "highlight": {
        "fields": {
            "title": {
                
            }
        }
    }
}

d. filter查询，也就是kv查询，不涉及检索的相关性打分，title必须是完全命中，如果建库时是有对这个字段切词的，则查询时，需要是切词后的某个词去查询，如“今天天气”，建库切词为“今天”和“天气”，那么filter查询的时候需要使用“今天”或者“天气”才能命中。POST方法的body：

{
    "query": {
        "bool": {
            "filter": [{
                "term": {
                    "title": "好吃的"
                }
            }]
        }
    }
}

e. 完全匹配某个短语,这就要求“好厉害”三个字组成的词必须在文档中出现，不能是只出现其中的个别字（match就是这样）。POST方法的body：

{
    "query": {
        "match_phrase": {
            "title": {
                "query": "好厉害"
            }
        }
    }
}

（3）运维

a. 去掉副本，调研的时候希望不要副本，这样子写入会快点

PUT http://10.11.111.11:8202/qa_pair2/_settings
{
   "number_of_replicas" : 0
}

4 使用ik中文切词插件

Elasticsearch默认的中文切词插件是单字切词，这不能满足我们要求，需要安装中文切词插件。

插件github地址：https://github.com/medcl/elasticsearch-analysis-ik
源码安装：编译时需要联网，可以在windows下编译完之后，把elasticsearch-analysis-ik-1.9.3.zip拷贝到linux机器的./plugin/head目录下解压。
配置：在配置文件./config/elasticsearch.yml末尾添加配置： index.analysis.analyzer.ik.type: “ik”

测试ik切词：http://host_name_xx:port_yyy/qa_pair/_analyze?analyzer=ik&pretty=true&text=我是中国人"

5 使用python读写Elasticsearch

驱动安装：使用pip安装elasticsearch

读取文件批量插入数据示例：

#!/home/work/bin/python
#-*-coding:utf8-*-
"""
读取文件，入库到es
使用：python insert_demo.py xxx_file_name

Authors: cswuyg 
Date: 2016.06.18
"""

from elasticsearch import Elasticsearch
from elasticsearch.helpers import bulk
from elasticsearch import exceptions
import traceback
import datetime
import sys

reload(sys)
sys.setdefaultencoding('utf-8')

#设置mappings
def _create_index(es, index_name="cswuyg", doc_type_name="cswuyg"):
    my_settingss = {
            'number_of_shards': 18,
            'number_of_replicas': 0
            }
    my_mappings = {
            "cswuyg": {
                '_all': {
                    'enabled': 'false'
                    },
                "properties": {
                    "title": {
                        'type': 'string',
                        'store': 'no',
                        'term_vector': 'with_positions_offsets',
                        'analyzer': 'ik_max_word',
                        'boost': 8
                        },
                    "url": {
                        "type": "string",
                        'index': 'not_analyzed'
                        },
                    'content': {
                        'type': 'string',
                        'store': 'no',
                        'term_vector': 'with_positions_offsets',
                        'analyzer': 'ik_max_word',
                        'boost': 8
                        }
                    }
                }
            }
    settings = {
            'settings': my_settingss, 
            'mappings': my_mappings
            }

    create_index = es.indices.create(index=index_name, body=settings)

#将文件中的数据存储到es中
def _save_data(es, input_file):
    #读入数据
    all_data = list()
    count = 0
    with open(input_file) as f_r:
        for line in f_r:
        count += 1
            all_data.append({
                '_index': 'cswuyg',
                '_type': 'cswuyg',
                '_source': {
                    'title': line
                    }
                })
            if len(all_data) == 100:
                success, _ = bulk(es, all_data, index='cswuyg', raise_on_error=True)
                all_data = list()
                print('{1}: finish {0}'.format(count, input_file))
    if len(all_data) != 0:
        success, _ = bulk(es, all_data, index='cswuyg', raise_on_error=True)
        all_data = list()
        print('{1}: finish {0}'.format(count, input_file))
    print('{0}: finish all'.format(input_file))

def _insert_data(es, file_name):
    start_time = datetime.datetime.now()
    _save_data(es, file_name)
    cost_time = datetime.datetime.now() - start_time
    print('all cost time{0}'.format(cost_time))

def _main():
    if len(sys.argv) != 2:
        print('need file argument')
        return 
    es = Elasticsearch(hosts=["10.200.100.80:8301"], timeout=500)
    try:
        _create_index(es)
    except exceptions.RequestError:
        print(traceback.format_exc())
    _insert_data(es, sys.argv[1]);

if __name__ == '__main__':
    _main()

测试文件数据格式：

我是中国人
我爱中国

检索示例（从文件中获取检索条件：切好词且打好分的Term）：

#!/home/work/bin/python
#-*-coding:utf8-*-
"""
检索 es
策略：
从文件中读取已经切好词，且给好权重的term，且选好必选term的一行文本，处理成match_phrase + bool查询
默认策略2

使用方法：python search_demo.py test_file
output:
es_query
query\ttitle\tsall_score

output demo:
{'query': {'bool': {'should': [{'match': {'title': {'query': '\xe6\x88\x91', 'boost': 0.2}}}], 'must': [{'match_phrase': {'title': {'query': '\xe4\xb8\xad\xe5\x9b\xbd', 'boost': 0.69}}}, {'match_phrase': {'title': {'query': '\xe7\x88\xb1', 'boost': 0.11}}}]}}}
我爱中国        我爱中国        {"should": ["我"], "score": {"我": 0.2, "中国": 0.69, "爱": 0.11}, "must": ["中国", "爱"]}
我爱中国        我爱中国        {"should": ["我"], "score": {"我": 0.2, "中国": 0.69, "爱": 0.11}, "must": ["中国", "爱"]}
Authors: cswuyg
Date: 2016.06.18
"""
from elasticsearch import Elasticsearch
from elasticsearch.helpers import bulk
from elasticsearch import exceptions
import sys
import json
from log import logger
import traceback

reload(sys)
sys.setdefaultencoding('utf-8')

def _release_es_query_by_file_info(file_info):
    #输入格式： raw_query\tmust_term\tshould_term\tall_score
    logger.debug('file_info:{0}'.format(file_info))
    file_info_list = file_info.split('\t')
    print file_info_list
    raw_query = file_info_list[0]
    must_term = file_info_list[3]
    should_term= file_info_list[4]
    all_score = file_info_list[5]
    json_score = json.loads(all_score, encoding='utf-8')
    
    ret_obj = {}
    ret_obj['must'] = must_term.split()
    ret_obj['should'] = should_term.split()
    ret_obj['score'] = json_score 

    bool_query = dict()
    must_query = list()
    should_query = list()
    for item in must_term.split(' '):
        must_query.append({'match_phrase': {'title': {'query': item, 'boost': json_score[unicode(item)]}}})
    bool_query['must'] = must_query

    for item in should_term.split(' '):
        should_query.append({'match': {'title': {'query': item, 'boost': json_score[unicode(item)]}}})
    bool_query['should'] = should_query

    es_query = {'query': {'bool': bool_query}}
    print es_query
    return raw_query, es_query, json.dumps(ret_obj, ensure_ascii=False) 

def _do_query_use_file_info(es, file_info):
    raw_query, query, all_score = _release_es_query_by_file_info(file_info.strip('\r\n'))
    res = es.search(index='cswuyg', doc_type='cswuyg', body=query, size=100)
    if (len(res['hits']['hits']) == 0):
        logger.debug('len(res["hits"]["hits"]) == 0')
        print("{0}\t{1}\t{2}".format(raw_query, "", all_score))
        return 

    for item in res['hits']['hits']:
        try:
            print("{0}\t{1}\t{2}".format(raw_query, item['_source']['title'].strip('\r\n'), all_score))
        except:
            logger.debug(traceback.format_exc())
            logger.debug(item['_source']['title'])
    print('\r\n')

def _main():
    if len(sys.argv) != 2:
        print('argv error')
        return
    else:
        print('argv[1] = {0}'.format(sys.argv[1]))
    es = Elasticsearch(hosts=["10.200.100.80:8301"], timeout=5000)
    with open(sys.argv[1]) as f_r:
        for item in f_r:
            try:
                _do_query_use_file_info(es, item)
            except:
                logger.debug(traceback.format_exc())
    
if __name__ == '__main__':
    _main()

测试文件数据格式：

我爱中国中国爱我 {“我”: 0.20, “中国”: 0.69, “爱”: 0.11}

6 部分学习资料

官方入门文档：https://www.elastic.co/guide/en/elasticsearch/reference/current/getting-started.html
使用ik中文分词插件：http://blog.youkuaiyun.com/liuzhenfeng/article/details/39404435
提升性能：http://zhousheng29.iteye.com/blog/2101905
Elasticsearch有哪些用户：https://www.elastic.co/use-cases

附上我们的ES使用效果：

使用了ES 2.3版本，集群使用了4台机器18块磁盘，启了18个节点，每个节点15G内存，共270G内存。Index无副本，disable掉了_all索引，2T数据入库完占了大约4T磁盘空间，10进程并发写入，速度可以达到1W条/s（写入多了后面会变慢），部分磁盘写入延迟达到几百毫秒，瓶颈在磁盘IO上。首次召回100W+的文档耗时2s+，但如果是触发了缓存的召回，可以达到50ms级别的耗时。多加机器，增加shard可以提高读写性能。

转载地址：https://www.cnblogs.com/cswuyg/p/5651620.html