创建索引
PUT /liysh
{
"settings":{
"number_of_shards": 1,
"number_of_replicas": 0
}
}
查看索引
GET /liysh
GET *
删除索引
DELETE /liysh1
创建映射字段
后期可以随意添加字段
text表示分词 keyword表示不可以分词
PUT liysh/_mapping/goods
{
"properties": {
"title": {
"type": "text",
"analyzer": "ik_max_word"
},
"images": {
"type": "keyword",
"index": "false"
},
"price": {
"type": "float"
}
}
}
查看映射关系
GET /liysh/_mapping
新增数据
随机生成id
POST /liysh/goods/1
{
"title":"小米手机",
"images":"http://image.tcat.com/12479122.jpg",
"price":2699.00
}
指定id
POST /liysh/goods/2
{
"title":"大米手机",
"images":"http://image.leyou.com/12479122.jpg",
"price":2899.00,
"sleable":true #增加的字段
}
修改数据
PUT /liysh/goods/2
{
"title":"小米电视4A",
"images":"http://image.leyou.com/12479122.jpg",
"price":3899.00
}
删除数据
DELETE liysh/goods/2
查询
查询所有
GET /liysh/_search
{
"query":{
"match_all":{}
}
}
匹配查询
GET /liysh/_search
{
"query":{
"match":{
"title":"小米电视"
}
}
}
查询结果是title中包含"小米"和"电视"的数据
GET /liysh/_search
{
"query":{
"match": {
"title": {
"query": "小米电视",
"operator": "and"
}
}
}
}
查询结果是title中包含"小米电视"的数据
GET /liysh/_search
{
"query":{
"match":{
"title":{
"query":"小米曲面电视",
"minimum_should_match": "75%"
}
}
}
}
查询结果是title中包含"小米"、“曲面”、"电视"三个词中的两个的数据
多字段查询
GET /liysh/_search
{
"query":{
"multi_match": {
"query": "小米",
"fields": [ "title", "subTitle" ]
}
}
}
查询结果为title或subTitle中包含"小米"的数据
精确匹配
GET /liysh/_search
{
"query":{
"term":{
"price":2699.00
}
}
}
查询结果为price为2699的数据
GET /liysh/_search
{
"query":{
"term":{
"title":"小米手机"
}
}
}
查询结果为小米手机的结果，不可分割小米手机
GET /liysh/_search
{
"query":{
"terms":{
"price":[2699.00,2899.00,3899.00]
}
}
}
查询结果为price为2699、2899、3899 的数据
结果过滤
GET /liysh/_search
{
"_source": ["title","price"],
"query": {
"term": {
"price": 2699
}
}
}
查询结果为price为2699的数据的title信息和price信息
指定要显示的字段和不显示的字段
GET /liysh/_search
{
"_source": {
"includes":["title","price"]
},
"query": {
"term": {
"price": 2699
}
}
}
GET /liysh/_search
{
"_source": {
"excludes": ["images"]
},
"query": {
"term": {
"price": 2699
}
}
}
布尔组合
GET /liysh/_search
{
"query":{
"bool":{
"must": { "match": { "title": "大米" }},
"must_not": { "match": { "title": "电视" }},
"should": { "match": { "title": "手机" }}
}
}
}
查询结果为title字段必须有大米，不能有电视、可以有手机
范围查询
gt 大于 gte 大于等于 it 小于 ite 小于等于
GET /liysh/_search
{
"query":{
"range": {
"price": {
"gte": 1000.0,
"lt": 2800.00
}
}
}
}
查询结果为price在1000到2800之间的数据
模糊查询
GET /heima/_search
{
"query": {
"fuzzy": {
"title": "appla"
}
}
}
查询结果为与appla偏差的编辑距离不超过2的数据（如apple）
GET /liysh/_search
{
"query": {
"fuzzy": {
"title": {
"value":"appla",
"fuzziness":1
}
}
}
}
这里可以用fuzziness来指定允许的编辑距离
过滤
GET /liysh/_search
{
"query":{
"bool":{
"must":{ "match": { "title": "小米手机" }},
"filter":{
"range":{"price":{"gt":2000.00,"lt":3800.00}}
}
}
}
}
查询结果为title必须包含小米或手机 ，price在2000到3800之间的数据
GET /liysh/_search
{
"query":{
"constant_score": {
"filter": {
"range":{"price":{"gt":2000.00,"lt":3000.00}}
}
}
}
}
查询结果为价格在2000到3000之间的数据
排序
单个字段排序
GET /liysh/_search
{
"query": {
"match": {
"title": "小米手机"
}
},
"sort": [
{
"price": {
"order": "desc"
}
}
]
}
查询结果为title中包含小米或手机的数据按价格降序排列
多字段排序
GET /goods/_search
{
"query":{
"bool":{
"must":{ "match": { "title": "小米手机" }},
"filter":{
"range":{"price":{"gt":200000,"lt":300000}}
}
}
},
"sort": [
{ "price": { "order": "desc" }},
{ "_score": { "order": "desc" }}
]
}
聚合
桶：按照某种方式对数据进行分组，每一组数据在es中称为一个桶。
Elasticsearch中提供的划分桶的方式有很多∶
Date Histogram Aggregation:根据日期阶梯分组，例如给定阶梯为周，会自动每周分为一组Histogram Aggregation:根据数值阶梯分组，与日期类似
Terms Aggregation:根据词条内容分组，词条内容完全匹配的为一组
Range Aggregation:教值和日期的范围分组，指定开始和结束，然后按段分组
度量：分组完成以后，我们一般会对组中的数据进行聚合运算。如：最大、最小、求和。这些在es中称为度量
比较常用的一些度量聚合方式:.
AvgAggregation:求平均值.
Max Aggregation:求最大值
Min Aggregation:求最小值
Percentiles Aggregation:求百分比
Stats Aggregation:同时返回avg、max、min、sum、count等 Sum Aggregation:求和
Top hits Aggregation:求前几 Value Count Aggregation:求总数
聚合为桶
GET /cars/_search
{
"size" : 0,
"aggs" : {
"popular_colors" : {
"terms" : {
"field" : "color"
}
}
}
}
- size： 查询条数，这里设置为0，因为我们不关心搜索到的数据，只关心聚合结果，提高效率
- aggs：声明这是一个聚合查询，是aggregations的缩写
- popular_colors：给这次聚合起一个名字，任意。
- terms：划分桶的方式，这里是根据词条划分
- field：划分桶的字段
- terms：划分桶的方式，这里是根据词条划分
- popular_colors：给这次聚合起一个名字，任意。
结果：
{
"took": 1,
"timed_out": false,
"_shards": {
"total": 1,
"successful": 1,
"skipped": 0,
"failed": 0
},
"hits": {
"total": 8,
"max_score": 0,
"hits": []
},
"aggregations": {
"popular_colors": {
"doc_count_error_upper_bound": 0,
"sum_other_doc_count": 0,
"buckets": [
{
"key": "red",
"doc_count": 4
},
{
"key": "blue",
"doc_count": 2
},
{
"key": "green",
"doc_count": 2
}
]
}
}
}
- hits：查询结果为空，因为我们设置了size为0
- aggregations：聚合的结果
- popular_colors：我们定义的聚合名称
- buckets：查找到的桶，每个不同的color字段值都会形成一个桶
- key：这个桶对应的color字段的值
- doc_count：这个桶中的文档数量
桶内度量
现在，我们为刚刚的聚合结果添加 求价格平均值的度量：
GET /cars/_search
{
"size" : 0,
"aggs" : {
"popular_colors" : {
"terms" : {
"field" : "color"
},
"aggs":{
"avg_price": {
"avg": {
"field": "price"
}
}
}
}
}
}
- aggs：我们在上一个aggs(popular_colors)中添加新的aggs。可见
度量也是一个聚合 - avg_price：聚合的名称
- avg：度量的类型，这里是求平均值
- field：度量运算的字段
结果：
...
"aggregations": {
"popular_colors": {
"doc_count_error_upper_bound": 0,
"sum_other_doc_count": 0,
"buckets": [
{
"key": "red",
"doc_count": 4,
"avg_price": {
"value": 32500
}
},
{
"key": "blue",
"doc_count": 2,
"avg_price": {
"value": 20000
}
},
{
"key": "green",
"doc_count": 2,
"avg_price": {
"value": 21000
}
}
]
}
}
...
可以看到每个桶中都有自己的avg_price字段，这是度量聚合的结果
桶内嵌套桶
比如：我们想统计每种颜色的汽车中，分别属于哪个制造商，按照make字段再进行分桶
GET /cars/_search
{
"size" : 0,
"aggs" : {
"popular_colors" : {
"terms" : {
"field" : "color"
},
"aggs":{
"avg_price": {
"avg": {
"field": "price"
}
},
"maker":{
"terms":{
"field":"make"
}
}
}
}
}
}
- 原来的color桶和avg计算我们不变
- maker：在嵌套的aggs下新添一个桶，叫做maker
- terms：桶的划分类型依然是词条
- filed：这里根据make字段进行划分
阶梯分桶
比如，我们对汽车的价格进行分组，指定间隔interval为5000：
GET /cars/_search
{
"size":0,
"aggs":{
"price":{
"histogram": {
"field": "price",
"interval": 5000
}
}
}
}
我们可以增加一个参数min_doc_count为1，来约束最少文档数量为1，这样文档数量为0的桶会被过滤
示例：
GET /cars/_search
{
"size":0,
"aggs":{
"price":{
"histogram": {
"field": "price",
"interval": 5000,
"min_doc_count": 1
}
}
}
}
扫一扫
4751
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
