Elasticsearch--数据索引

前言

Elasticsearch可以支持全文检索，那么ES是以什么机制来支持的，这里索引就是一个重要的步骤，经过索引之后的文档才可以被分析存储、建立倒排索引。本篇就是以ES的数据检索操作来讨论的。 更多内容情参考：ELK教程

索引操作

ES索引可以根据指定的index和type进行增加或者更新文档，ID可以指定也可以不指定（index API为我们自动生成）

curl -XPUT 'http://localhost:9200/twitter/tweet/1' -d '{
    "user" : "kimchy",
    "post_date" : "2009-11-15T14:12:12",
    "message" : "trying out Elasticsearch"
}'

这里指定了索引twitter、类型tweet、Id为1 索引操作的结果如下：

{
    "_shards" : {
        "total" : 10,
        "failed" : 0,
        "successful" : 10
    },
    "_index" : "twitter",
    "_type" : "tweet",
    "_id" : "1",
    "_version" : 1,
    "created" : true
}

上面_shards中描述了分片相关的信息，即当前一共有10个分片（5个主分片，5个副本）; 以及index、type、id、version相关信息

• total:表示现在在使用的分片数量（主分片和副本）
• successful:操作成功的分片数量
• failed:操作失败的分片数量

自动创建索引

如果上面索引操作之前，ES中还没有这个索引，那么默认会创建这个索引，并且type类型也会自动创建，也就是说，ES并不需要像传统数据库那样预先定义表的结构。 每个索引都有一个mapping映射，这个映射也是动态生成的,因此当添加新的字段时，会自动的添加mapping映射。 通过在所有节点的配置文件中设置action_create_index为false,可以关闭自动索引创建这个功能，默认是打开的 通过在所有节点的配置文件中设置index.mapper.dynamic为false,可以关闭自动映射创建功能。 通过在所有节点的配置文间中设置action.auto_create_index为+aaa,-bbb,+ccc,-有选择性的创建某些索引。 关闭自动mapping映射功能时，就会引发第一次索引的数据失败，这里我们就要自己手动的put一个映射Elasticsearch-Mapping映射

版本控制

Elasticsearch采用乐观并发控制，当程序并发性比较高的时候，就会产生脏读，所以ES就使用版本号用来避免文档冲突，这里不多过多介绍，分成专门的一篇来介绍ES的版本控制问题Elasticsearch-版本控制

操作类型

ES通过设置一个参数op_type控制索引操作"缺少即加入"，当设置op_type 为create时，如果索引时指定的id已经存在，那么索引操作就会失败 上面的op_type=create与直接使用_create API,效果一样：

curl -XPUT 'http://localhost:9200/twitter/tweet/1?op_type=create' -d '{
    "user" : "kimchy",
    "post_date" : "2009-11-15T14:12:12",
    "message" : "trying out Elasticsearch"
}'

等价于：

curl -XPUT 'http://localhost:9200/twitter/tweet/1/_create' -d '{
    "user" : "kimchy",
    "post_date" : "2009-11-15T14:12:12",
    "message" : "trying out Elasticsearch"
}'

如果使用自动id生成就不存在这个问题了。

自动ID创建：

前面提到创建索引时可以指定ID，也可以不指定ID，如果不指定ID，那么ES会自动的生成一个ID，并且把op_type更改为create。 这里需要指出的就是此时HTTP方法将不再是put,更改为POST

 curl -XPOST 'http://localhost:9200/twitter/tweet/' -d '{
    "user" : "kimchy",
    "post_date" : "2009-11-15T14:12:12",
    "message" : "trying out Elasticsearch"
}'

返回的结果如下：

{
    "_index" : "twitter",
    "_type" : "tweet",
    "_id" : "6a8ca01c-7896-48e9-81cc-9f70661fcb32",
    "_version" : 1,
    "created" : true
}

路由routing

所有的文档API（get、index、delete、bulk、update、mget）都接收一个routing参数，它用来自定义文档到分片的映射。自定义路由值可以确保所有相关文档都被保存在同一分片上。

shard = hash(routing) % number_of_primary_shards

设置了路由值，就相当于告诉ES文档操作针对的具体分片。 一般情况下ID都是随机生成的，这样可以保证默认情况下分片的数据负载是相同的，如果我们需要在特定的分片上保持特定的内容，就需要用到这个属性。

Parent & Children父子查询

这个属性在父子连接中用到，类似于传统关系中的一对多关系，具体的介绍在连接查询和mapping模块中介绍

curl -XPUT localhost:9200/blogs/blog_tag/1122?parent=1111 -d '{
    "tag" : "something"
}'

当索引一个child文档时，这个routing属性值被自动的设置成指定的parent文档相同的routing,除非指定routing值（即使parent指定routing,child文档还是parent文档的ID）

_timestamp设置时间戳

这个字段将被date字段替代，且在使用的时候(包括自定义timestamp)，必须mapping设置为enable

{
  "mappings": {
    "my_type": {
      "_timestamp": {
        "enabled": true
      }
    }
  }
}

时间戳字段可以在索引的时候指定：

curl -XPUT localhost:9200/twitter/tweet/1?timestamp=2009-11-15T14%3A12%3A12 -d '{
    "user" : "kimchy",
    "message" : "trying out Elasticsearch"
}'

如果没有指定timestamp，_source中也不存在时间戳，就会指定为索引指定时间。

#测试timestamp
PUT /my_index
{
  "mappings": {
    "my_type": {
      "_timestamp": {
        "enabled": true
      }
    }
  }
}


GET my_index/_mapping
#回应如下
{
  "my_index": {
    "mappings": {
      "my_type": {
        "_timestamp": {
          "enabled": true
        }
      }
    }
  }
}

#索引数据
PUT /my_index/my_type/1?pretty
{
  "meas" : "timestamp测试"
}


GET /my_index/my_type/1
#回应如下
{
  "_index": "my_index",
  "_type": "my_type",
  "_id": "1",
  "_version": 2,
  "_timestamp": 1464418352065,
  "found": true,
  "_source": {
    "meas": "timestamp测试"
  }
}


#自定义timestamp
PUT /my_index3/my_type/1?timestamp=2019-12-12T14%3A12%3A23
{
  "message" : "自定义timestamp测试"
}


GET my_index3/my_type/1
#回应如下
{
  "_index": "my_index3",
  "_type": "my_type",
  "_id": "1",
  "_version": 3,
  "_timestamp": 1576159943000,
  "found": true,
  "_source": {
    "message": "自定义timestamp测试"
  }
}

ttl文档过期

ES中也可以设置文档自动过期，过期是设置一个正的时间间隔，然后以_timestamp为基准，一旦_ttl到0的时候，文档就会被自动删除。

如果想_ttl生效，必须mapping设置_timestamp和_ttl为enable

PUT my_index5
{
  "mappings": {
    "my_type" : {
      "_ttl": {
        "enabled": true
      },
      "_timestamp": {
        "enabled": true
      }
    }
  }
}

这时就可以使用_ttl删除文档了

PUT /my_index5/my_type/1?ttl=2m
{
  "user" : "kimchy",
  "post_date" : "2016-05-21T17:23:00",
  "messae" : "trying out Elasticsearch"
}

GET /my_index5/my_type/1
#回应如下
{
  "_index": "my_index5",
  "_type": "my_type",
  "_id": "1",
  "_version": 1,
  "_ttl": 78225,
  "_timestamp": 1464420120972,
  "found": true,
  "_source": {
    "user": "kimchy",
    "post_date": "2016-05-21T17:23:00",
    "messae": "trying out Elasticsearch"
  }
}

refersh手动刷新

由于ES并不是一个实时索引搜索的框架，因此数据在索引操作后，需要等1秒钟才能搜索到。这里的搜索是指进行检索操作。如果你使用的是get这种API，就是真正的实时操作了。他们之间的不同是，检索可能还需要进行分析和计算分值相关性排序等操作。 为了在数据索引操作后，马上就能搜索到，也可以手动执行refresh操作。只要在API后面添加refresh=true即可。 这种操作仅推荐在特殊情况下使用，如果在大量所以操作中，每个操作都执行refresh，那是很耗费性能的。 这一步是把缓冲区的请求数据刷到文件系统缓存上。

Timeout超时

分片并不是随时可用的，当分片进行备份等操作时，是不能进行索引操作的。因此需要等待分片可用后，再进行操作。这时，就会出现一定的等待时间，如果超过等地时间则返回并抛出错误，这个等待时间可以通过timeout设置：

PUT /my_index/my_type/1?timeout=5m
{
   "user" : "kimchy",
    "post_date" : "2009-11-15T14:12:12",
    "message" : "trying out Elasticsearch"
}

table{ text-align: center; }

针对index api暂时就先介绍到这，还有许多细节以后再慢慢补充。

参考文档

【1】官方Index API文档 【2】权威指南 索引