m0_74462339的博客

其中，过滤器还有其他属性设置，可参考https://github.com/medcl/elasticsearch-analysis-pinyin测试先配置并创建索引库# 自定义拼音分词器PUT /test},"py":{},"name":{"text":["如家酒店还不错"],注意。

设置第一个size为0，效果是结果中不包含文档，只包含聚合结果，这样可以减少数据传输时的网络负担。注意：所有的聚合都是针对文档中的某个字段去做的，且参与聚合的字段只能是不分词的字段。注意：因为是在分类的基础上做度量聚合，所有度量聚合是写在桶聚合里面的。

可以看到，最后解析出来的结果时没有高亮的，因为我们解析的是_source字段，该字段保存的是源数据，不会发生变化。所以我们需要专门解析highlight字段才行。

【代码】ES-JavaRestClient_排序和分页。

在DSL语句中，filtermust等是接收数组的参数，这意味着可以传入多个值。因此，在 Java 客户端中，也可以多次调用filtermust等方法，内部会通过集合或数组来接收这些值。

查询通过QueryBuilder进行构建，QueryBuilder是一个接口，其内部有很多不同的实现，对应各种不同的叶子查询，但是我们不需要自己去new QueryBuilder，我们只需要使用工具QueryBuilders,它提供了很多静态方法，可以帮助我们构建各种不同的查询。

在 Elasticsearch (ES) 中，高亮显示是搜索结果中常用的功能，它允许你突出显示匹配查询的文本片段，以便用户更容易识别搜索的相关部分。当你在 Elasticsearch 中执行查询时，ES 会分析文档中的文本并根据查询条件返回匹配的文档。如果启用了高亮显示功能，ES 会自动标记出与查询匹配的部分（如关键词），并用特定的格式（如 HTML 标签）突出显示。这对用户来说是非常直观的，能够帮助他们快速定位到搜索结果中最相关的内容。注： 字段包含原始的文档数据，不包括高亮标记，因为它存储的是未修改的原

看起来是只查10个，但其实需要找出前1000个才行，所以查询的思路是：先对数据进行排序，找出前1000条数据，再从前1000条数据里找出990~1000的数据。图中有4个分片，要找出前1000条数据，并不是找出每个分片的前250条数据，因为并不能保证每个分片的排序后的前250条数据加起来一定是前1000条数据。打个比方，假设一个学校有10个班，现在要找出年级前10的学生，并不是说找出每个班的第1名，合在一起就是年纪前10。

我们可以指定多个排序的字段，如果我们指定了多个字段，就会先按照数组中的第一个字段进行排序，在第一个字段值一样的情况下，再按照第二个字段进行排序，依此类推。一旦做了排序，就不会再打分了，因为没有意义。默认是按打分排序，而现在是自己指定的排序，所以没必要打分了。

参与算分的字段越多，条件也就越多，将来计算得分时，消耗的性能也会越多，效率也会变低，因此，能不参与算分的、不需要参与算分的字段，我们尽可能都不让其参与算分。通常情况下，用户输入关键字搜索时，应该对其算分；但是像那些用来做过滤筛选的匹配时，我们通常都不会让其参与算分。在关键字(如must、should等等)后面，可以放入多个叶子查询。

接下来主要学习全文检索和精确查询。

"match_all"类型表示查询所有，所有不需要写查询条件。这是查询的主要部分，包含了与查询匹配的文档信息。包含了商品的具体信息字段。

要想成功运行，es和lucene的版本必须兼容，我的elasticsearch的依赖版本是7.12.1，与它兼容的lucene版本是8.8.0创建索引库下面提供模板代码，用于复制粘贴创建索引库静态常量定义删除索引库查询索引库总结

这段代码是一个针对 Elasticsearch 客户端连接的测试代码，使用的是 JUnit 5 框架和 Elasticsearch Java 高级客户端 (然后再test/java下创建同名软件包。注意：IP地址要换成自己虚拟机的IP。

注意事项如果指定的id存在，则会删除旧文档，添加新文档，此时是修改操作。如果指定的id不存在，则会直接添加新文档，可以看成新增文档操作，它与之前提到的新增文档操作的区别在于：put方式必须指定id，否则会报错。如果要修改的字段值比较多，建议用全量修改；如果要修改的字段值比较少，建议用增量修改

DSL语句只要会复制、粘贴、修改就行了，不需要从0开始写。

对于字段数据类型，只有text类型会分词，其他类型都不会进行分词。像邮箱这种分词后没有意义的数据，就应该设置为keyword，而不是text。在es中，并没有数组类型，但允许某一个类型的字段有多个值，所以图中score的类型应该是double或float，而不是数组类型属性决定是否为字段创建倒排索引，默认值为。如果字段的设置为，则会创建倒排索引，字段可以参与搜索。反之，若设置为，则不会创建倒排索引，该字段就不能用于搜索。字段默认都设置为，即都能参与搜索。但在实际开发中，并非所有字段都需要参与搜索，尤其是一些

可以看到，kibana默认的分词器，对英文分词还可以，但对中文的分词效果并不好，都是逐字分词的。

在之前，我们使用的是elasticsearch的7.12.1版本的镜像，所以Kibana的版本也必须是7.12.1(Kibana的版本一定要与es的版本一致)，该镜像的体积非常大，有1G左右,所以不建议大家自己pull。Kibana提供了一个DevTools工具，可以让我们非常方便地编写ES中的DSL语句，从而操作ES。在前言提到的参考博客中，已经将es部署在了es-net网络中，所以Kibana也要部署在该网络中。所以，Kibana可以给我们提供一个elasticsearch的可视化界面，便于我们学习。

总结：这条命令启动一个 Elasticsearch 7.12.1 容器，配置为单节点模式，使用自定义的内存设置，挂载数据和插件卷，授予额外权限，并通过端口 9200 和 9300 提供访问。这里没有使用Docker Compose（一键互联），因为将来我们可能不需要Kibana，只需要es，所以这里使用单独部署的方式。我们使用的是elasticsearch的7.12.1版本的镜像，该镜像的体积非常大，解决1G,所以不建议大家自己pull。如果看到这些信息，说明确实启动成功了。

目录文档索引概念对比架构总结

在数据库中，通常会基于 字段创建索引，并形成一个 B+ 树结构，这样在进行基于 的检索时，速度会非常快。这种索引方式称为正向索引。然而，如果查询的字段不是 ，而是像标题这样的普通字段，且标题内容较长，通常不会为其创建索引。即便为其创建了索引，如果使用模糊匹配，索引也无法发挥作用。在这种情况下，数据库会逐条扫描数据，检查每一条记录是否包含匹配的关键字。如果包含，则将其加入结果集；如果不包含，则丢弃该记录。这样逐条地去扫描，最终一定可以拿到完整的结果集，但是如果这张表有一千万条数据，那就意味着要扫描一千万次

什么是elastic stack(ELK)？elastic stack(ELK)是以elasticsearch为核心的技术栈，包括beats、logstash、kibana、elasticsearchKibana、Logstash、Beats都是可替换的组件，换句话说，就是这些都是官方提供的，我们可以选择用，也可以选择不用。但是Elasticsearch是不可替代的，它是核心。

网关是一个独立的微服务，其他的服务也是独立的微服务，它们部署在不同的tomcat上，而ThreadLocal是在tomcat内部的线程之间共享数据，而现在网关和那些微服务都是在不同的tomcat上，显然不能用ThreadLocal来共享数据。比较类似，都是http请求，所以这里也可以将用户信息保存到请求头，不过要注意：微服务之间的http请求是基于OpenFeign发起的，而网关到微服务的http请求则是网关内置的一种http请求方式。因为将信息放到请求头中，并不会对业务产生影响。

如果配置的过滤器想对所有的路由器生效，可以在routes属性同级的位置，配置default-filters。

如上图所示，以后，前端只需要知道网关的地址即可，前端所有的请求都去请求8080端口，就会到达网关，网关再根据前端的请求去判断应该由哪个微服务来处理这个请求，比如判断出该请求是在查商品，那么自然就会知道该请求应该由商品微服务处理，而这个判断的过程，就是请求的路由。所有的微服务一启动，都会把自己的信息注册到注册中心，而网关其实也是一个微服务，它启动了之后，也可以去注册中心拉取所有的服务地址，这样一来，网关就可以清楚地知道所有微服务的地址了，而且将来如果微服务地址有变更，注册中心也会推送给网关。

在一中所讲的原理是遵循了约定大于配置的原则。也就是说，只要给出的实体类满足约定，就不需要我们进行手动配置，MybatisPlus会自动帮我实现增删改查功能。但是如果我们的实体类不完全符合约定，就需要我们进行手动配置，自己去定义表名、字段名和主键名。那如何自定义配置呢？MybatisPlus为我们提供了一些注解来进行自定义配置。接下来我讲介绍比较常用的三个注解。

MyBatisPlus支持各种复杂的where条件，可以满足日常开发的所有需求。BaseMapper接口用于提供增删改查方法，并且也支持传入Wrapper类型的参数，而Wrapper就是通过条件构造器，我们就不需要在XXMapper.xml文件中写sql语句了，直接用条件构造器构造就行了。

在命令的结尾，可以加一个-d，让它后台运行。

在 Docker 中，数据卷（Volume）是用于持久化和共享容器数据的重要机制。数据卷的主要作用和好处如下：持久化数据：数据共享：分离存储和计算：提高性能：简化迁移和备份：安全性和隔离：挂载的动作一定是在docker run的时候执行，如果容器已经创建了，则无法再做挂载，所以如果之前的容器没有挂载，只能将之前的容器删掉，然后重新创建并挂载。

因此它在运行时就有自己独立的环境，就可以跨系统运行，也不需要手动配置环境了。而且，这种安装方式完全不用考虑运行的操作系统环境，它不仅仅在CentOS系统是这样，在Ubuntu系统、macOS系统、甚至是安装了WSL的Windows下，都可以使用这条命令来安装MySQL。可以发现，当我们执行命令后，Docker做的第一件事情，是去自动搜索并下载了MySQL，然后会自动运行MySQL，我们完全不用插手，非常方便。注意，连接之前，要将虚拟机的防火墙关闭，否则，本地计算机将连不上虚拟机的mysql。

可以看到，我们定义了一个配置类，在配置类里声明了一个Bean,这个Bean的名字叫做mybatisPlusInterceptor,从这个名字可以推测出mp的插件是基于拦截器做的，它会拦截业务sql语句的执行，并去实现各种各样的扩展功能。限制分页查询的上限可以避免一次网络传输查询过多数据，而导致服务器，数据库的压力过大。首先，要在配置类中注册MyBatisPlus的核心插件，同时添加分页插件。调用分页查询的方法，这个地方只传了page，没有传第二个参数，表明没有查询的过滤条件，只做分页和排序。

进入目录 /etc/yum.repos.d。最后，执行命令，安装Docker。将对应的内容替换为下面的代码。则需要添加阿里的镜像。

【代码】docker-数据卷挂载和本地目录挂载的区别。

MybatisPlus是针对Mybatis框架的增强和升级，但它并不是用来替代Mybatis的。

因为可以通过容器名访问，所以不需要知道对方的ip地址，只需要知道容器名就行了。容器不过重启多少次，它的容器名是不会变的，因为可以通过容器名访问，所以即使ip地址变化也没关系，在代码中配置好访问的地址是容器名即可。

节省存储空间：镜像分层允许共享相同的基础层。如果多个镜像基于同一个基础镜像，只需存储一份基础层的数据，减少了存储空间的占用。高效构建：Docker镜像的构建过程使用了分层缓存机制。每一层都是只读的，只有最上层（可写层）可以被修改。如果某一层的内容没有改变，Docker会使用缓存的这一层，而不需要重新构建，从而加快了构建速度。便于分发：镜像分层使得传输和分发更高效。因为镜像由多层组成，只有改变的层需要被上传或下载，这减少了数据传输的量。便于维护和更新：可以单独更新某一层，而不必重新构建整个镜像。例如，操作系统

方法跟mybatisplus的service接口非常像，静态工具可以避免依赖循环注入。

MybatisPlus不仅提供了mapper接口，也提供了service接口，开发者可以继承这些service接口，这样，一些基础的增删改查代码就也不需要书写了。

自定义的Mapper继承MybatisPlus提供的BaseMapper接口（泛型为我们想要操作的表的实体类型，这里为User）：BaseMapper接口已经提前定义好了大量的增删改查方法。因为我们定义的Mapper继承了BaseMapper，所以我们可以直接使用这些方法我们使用MybatisPlus后，对于单表的操作，就不需要自己手动写sql语句了，直接让mapper继承BaseMapper,"?"为你想操作的表对应的实体类，然后直接调用里面的方法即可。