Elasticsearch 参考指南(探索你的数据)

博弈

探索你的数据

样本数据集

现在我们已经了解了基础知识,让我们尝试更真实的数据集,我准备了一份关于客户银行账户信息的虚构JSON文档样本,每个文档都有以下模式:

{
    "account_number": 0,
    "balance": 16623,
    "firstname": "Bradshaw",
    "lastname": "Mckenzie",
    "age": 29,
    "gender": "F",
    "address": "244 Columbus Place",
    "employer": "Euron",
    "email": "bradshawmckenzie@euron.com",
    "city": "Hobucken",
    "state": "CO"
}

奇怪的是,这些数据是使用www.json-generator.com/生成的,因此请忽略数据的实际值和语义,因为这些都是随机生成的。

加载示例数据集

你可以从此处下载示例数据集(accounts.json),将它解压缩到我们当前的目录,然后将它们加载到我们的集群中,如下所示:

curl -H "Content-Type: application/json" -XPOST "localhost:9200/bank/_doc/_bulk?pretty&refresh" --data-binary "@accounts.json"
curl "localhost:9200/_cat/indices?v"

响应如下:

health status index uuid                   pri rep docs.count docs.deleted store.size pri.store.size
yellow open   bank  l7sSYV2cQXmu6_4rJWVIww   5   1       1000            0    128.6kb        128.6kb

这意味着我们只是成功地将1000个文档批量索引到bank索引(在_doc类型下)。

搜索API

现在让我们从一些简单的搜索开始吧,运行搜索有两种基本方法:一种是通过REST请求URI发送搜索参数,另一种是通过REST请求体发送它们。请求体方法允许你更具表现力,并以更易读的JSON格式定义搜索,我们将尝试一个请求URI方法的示例,但是对于本教程的其余部分,我们将专门使用请求体方法。

可以从_search端点访问用于搜索的REST API,此示例返回bank索引中的所有文档:

GET /bank/_search?q=*&sort=account_number:asc&pretty

让我们首先剖析搜索调用,我们在bank索引中搜索(_search端点),q=*参数指示Elasticsearch匹配索引中的所有文档。sort=account_number:asc参数指示使用每个文档的account_number字段升序对结果进行排序,pretty参数再次告诉Elasticsearch返回漂亮的JSON结果。

响应(部分显示):

{
  "took" : 63,
  "timed_out" : false,
  "_shards" : {
    "total" : 5,
    "successful" : 5,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : 1000,
    "max_score" : null,
    "hits" : [ {
      "_index" : "bank",
      "_type" : "_doc",
      "_id" : "0",
      "sort": [0],
      "_score" : null,
      "_source" : {"account_number":0,"balance":16623,"firstname":"Bradshaw","lastname":"Mckenzie","age":29,"gender":"F","address":"244 Columbus Place","employer":"Euron","email":"bradshawmckenzie@euron.com","city":"Hobucken","state":"CO"}
    }, {
      "_index" : "bank",
      "_type" : "_doc",
      "_id" : "1",
      "sort": [1],
      "_score" : null,
      "_source" : {"account_number":1,"balance":39225,"firstname":"Amber","lastname":"Duke","age":32,"gender":"M","address":"880 Holmes Lane","employer":"Pyrami","email":"amberduke@pyrami.com","city":"Brogan","state":"IL"}
    }, ...
    ]
  }
}

至于响应,我们看以下部分:

  • took— Elasticsearch执行搜索的时间(以毫秒为单位)
  • timed_out — 告诉我们搜索是否超时
  • _shards — 告诉我们搜索了多少个碎片,以及搜索成功/失败碎片的计数
  • hits — 搜索结果
  • hits.total — 符合我们搜索条件的文档总数
  • hits.hits — 实际的搜索结果数组(默认为前10个文档)
  • hits.sort — 对结果进行排序(如果按分数排序则丢失)
  • hits._scoremax_score — 暂时忽略这些字段

以下是使用替代请求体方法的上述完全相同的搜索:

GET /bank/_search
{
  "query": { "match_all": {} },
  "sort": [
    { "account_number": "asc" }
  ]
}

这里的区别在于,我们不是在URI中传递q=*,而是向_search API提供JSON样式的查询请求体,我们将在下一节讨论这个JSON查询。

重要的是要理解,一旦你获得了搜索结果,Elasticsearch就完全完成了请求,并且不会在结果中维护任何类型的服务器端资源或打开游标,这与SQL等许多其他平台形成鲜明对比,其中你可能最初预先获得查询结果的部分子集,然后如果要获取(或翻页)其余的则必须连续返回服务器使用某种有状态服务器端游标的结果。

查询语言介绍

Elasticsearch提供了一种JSON样式的特定于域的语言,可用于执行查询,这被称为Query DSL,查询语言非常全面,乍一看可能令人生畏,但实际学习它的最佳方法是从一些基本示例开始。

回到上一个例子,我们执行了这个查询:

GET /bank/_search
{
  "query": { "match_all": {} }
}

解析上面的内容,query部分告诉我们查询定义是什么,match_all部分只是我们想要运行的查询类型,match_all查询只是搜索指定索引中的所有文档。

除了query参数,我们还可以传递其他参数来影响搜索结果,在上面的部分示例中,我们传递了sort,这里我们传入size

GET /bank/_search
{
  "query": { "match_all": {} },
  "size": 1
}

请注意,如果未指定size,则默认为10。

此示例执行match_all并返回文档10到19:

GET /bank/_search
{
  "query": { "match_all": {} },
  "from": 10,
  "size": 10
}

from参数(从0开始)指定从哪个文档索引开始,size参数指定从from参数开始返回的文档数,在实现搜索结果的分页时,此功能非常有用,请注意,如果未指定from,则默认为0。

此示例执行match_all并按帐户balance降序对结果进行排序,并返回前10个(默认大小)文档。

GET /bank/_search
{
  "query": { "match_all": {} },
  "sort": { "balance": { "order": "desc" } }
}

执行搜索

现在我们已经看到了一些基本的搜索参数,让我们再深入研究一下Query DSL,我们先来看一下返回的文档字段。默认情况下,完整的JSON文档作为所有搜索的一部分返回,这被称为源(搜索命中中的_source字段),如果我们不希望返回整个源文档,我们可以只请求返回源中的几个字段。

此示例显示如何从搜索中返回两个字段,account_numberbalance(在_source内部):

GET /bank/_search
{
  "query": { "match_all": {} },
  "_source": ["account_number", "balance"]
}

请注意,上面的示例只是简化了_source字段,它仍然只返回一个名为_source的字段,但在其中只包含字段account_numberbalance

如果你有来自SQL背景,则上述内容在概念上与SQL SELECT FROM字段列表有些相似。

现在让我们转到查询部分,以前,我们已经看到match_all查询如何用于匹配所有文档。现在让我们介绍一种称为match query的新查询,它可以被认为是基本的字段搜索查询(即针对特定字段或字段集进行的搜索)。

此示例返回账户数为20的账户:

GET /bank/_search
{
  "query": { "match": { "account_number": 20 } }
}

此示例返回地址中包含“mill”项的所有帐户:

GET /bank/_search
{
  "query": { "match": { "address": "mill" } }
}

此示例返回地址中包含“mill”或“lane”项的所有帐户:

GET /bank/_search
{
  "query": { "match": { "address": "mill lane" } }
}

此示例是matchmatch_phrase)的变体,它返回地址中包含短语“mill lane”的所有帐户:

GET /bank/_search
{
  "query": { "match_phrase": { "address": "mill lane" } }
}

我们现在介绍bool querybool查询允许我们使用布尔逻辑将较小的查询组成更大的查询。

此示例组成两个match查询,并返回地址中包含“mill”和“lane”的所有帐户:

GET /bank/_search
{
  "query": {
    "bool": {
      "must": [
        { "match": { "address": "mill" } },
        { "match": { "address": "lane" } }
      ]
    }
  }
}

在上面的示例中,bool must子句指定所有必须为true的查询才能将文档视为匹配项。

相反,此示例组成两个match查询并返回地址中包含“mill”或“lane”的所有帐户:

GET /bank/_search
{
  "query": {
    "bool": {
      "should": [
        { "match": { "address": "mill" } },
        { "match": { "address": "lane" } }
      ]
    }
  }
}

在上面的示例中,bool should子句指定了一个查询列表,其中的任何一个为true则将文档视为匹配项。

此示例组成两个匹配查询,并返回地址中既不包含“mill”也不包含“lane”的所有帐户:

GET /bank/_search
{
  "query": {
    "bool": {
      "must_not": [
        { "match": { "address": "mill" } },
        { "match": { "address": "lane" } }
      ]
    }
  }
}

在上面的示例中,bool must_not子句指定了一个查询列表,对于文档而言,这些查询都不能为true。

我们可以在bool查询中同时组合mustshouldmust_not子句,此外,我们可以在任何这些bool子句中组合bool查询来模仿任何复杂的多级布尔逻辑。

此示例返回任何40岁但不住在ID(aho)的人的所有帐户:

GET /bank/_search
{
  "query": {
    "bool": {
      "must": [
        { "match": { "age": "40" } }
      ],
      "must_not": [
        { "match": { "state": "ID" } }
      ]
    }
  }
}

执行过滤器

在上一节中,我们跳过了一个称为文档分数的小细节(搜索结果中的_score字段),分数是一个数值,它是文档与我们指定的搜索查询匹配程度的相对度量,分数越高,文档越相关,分数越低,文档的相关性越低。

但是查询并不总是需要产生分数,特别是当它们仅用于“过滤”文档集时,Elasticsearch会检测这些情况并自动优化查询执行,以便不计算无用的分数。

我们在上一节中介绍的bool query还支持filter子句,这些子句允许使用查询来限制将与其他子句匹配的文档,而不会更改计算得分的方式。作为一个例子,让我们介绍range query,它允许我们按一系列值过滤文档,这通常用于数字或日期过滤。

此示例使用bool查询返回所有余额介于20000和30000之间的帐户,换句话说,我们希望找到余额大于或等于20000且小于或等于30000的帐户。

GET /bank/_search
{
  "query": {
    "bool": {
      "must": { "match_all": {} },
      "filter": {
        "range": {
          "balance": {
            "gte": 20000,
            "lte": 30000
          }
        }
      }
    }
  }
}

解析上面的内容,bool查询包含match_all查询(查询部分)和range查询(过滤部分),我们可以将任何其他查询替换为查询和过滤部分,在上述情况下,范围查询非常有意义,因为落入范围的文档都“相同”匹配,即,没有文档比另一文档更相关。

除了match_allmatchboolrange查询之外,还有很多其他可用的查询类型,我们不会在这里讨论它们,由于我们已经基本了解它们的工作原理,因此将这些知识应用于学习和试验其他查询类型应该不会太困难。

执行聚合

聚合提供了从数据中分组和提取统计信息的能力,考虑聚合的最简单方法是将其大致等同于SQL GROUP BY和SQL聚合函数。在Elasticsearch中,你可以执行返回匹配的搜索,同时在一个响应中返回与命中相关的聚合结果。这是非常强大和高效的,因为你可以运行查询和多个聚合,并一次性获取两个(或任一)操作的结果,避免使用简洁和简化的API进行网络往返。

首先,此示例按state对所有帐户进行分组,然后返回前10个(默认)state,按计数降序排序(也是默认值):

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "group_by_state": {
      "terms": {
        "field": "state.keyword"
      }
    }
  }
}

在SQL中,上述聚合在概念上类似于:

SELECT state, COUNT(*) FROM bank GROUP BY state ORDER BY COUNT(*) DESC LIMIT 10;

响应(部分显示):

{
  "took": 29,
  "timed_out": false,
  "_shards": {
    "total": 5,
    "successful": 5,
    "skipped" : 0,
    "failed": 0
  },
  "hits" : {
    "total" : 1000,
    "max_score" : 0.0,
    "hits" : [ ]
  },
  "aggregations" : {
    "group_by_state" : {
      "doc_count_error_upper_bound": 20,
      "sum_other_doc_count": 770,
      "buckets" : [ {
        "key" : "ID",
        "doc_count" : 27
      }, {
        "key" : "TX",
        "doc_count" : 27
      }, {
        "key" : "AL",
        "doc_count" : 25
      }, {
        "key" : "MD",
        "doc_count" : 25
      }, {
        "key" : "TN",
        "doc_count" : 23
      }, {
        "key" : "MA",
        "doc_count" : 21
      }, {
        "key" : "NC",
        "doc_count" : 21
      }, {
        "key" : "ND",
        "doc_count" : 21
      }, {
        "key" : "ME",
        "doc_count" : 20
      }, {
        "key" : "MO",
        "doc_count" : 20
      } ]
    }
  }
}

我们可以看到ID(Idaho)有27个账户,其次是TX(Texas)的27个账户,其次是AL(Alabama)的25个账户,依此类推。

请注意,我们将size=0设置为不显示搜索命中,因为我们只想在响应中看到聚合结果。

在前一个聚合的基础上,此示例按state计算平均帐户余额(同样仅针对按降序排序的前10个state):

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "group_by_state": {
      "terms": {
        "field": "state.keyword"
      },
      "aggs": {
        "average_balance": {
          "avg": {
            "field": "balance"
          }
        }
      }
    }
  }
}

请注意我们如何嵌套group_by_state聚合中的average_balance聚合,这是所有聚合的常见模式,你可以在聚合中任意嵌套聚合,以从数据中提取所需的轮转摘要。

在前一个聚合的基础上,我们现在按降序排列平均余额:

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "group_by_state": {
      "terms": {
        "field": "state.keyword",
        "order": {
          "average_balance": "desc"
        }
      },
      "aggs": {
        "average_balance": {
          "avg": {
            "field": "balance"
          }
        }
      }
    }
  }
}

此示例演示了我们如何按年龄段(20-29岁,30-39岁和40-49岁)进行分组,然后按性别分组,最后得到每个年龄段的平均帐户余额:

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "group_by_age": {
      "range": {
        "field": "age",
        "ranges": [
          {
            "from": 20,
            "to": 30
          },
          {
            "from": 30,
            "to": 40
          },
          {
            "from": 40,
            "to": 50
          }
        ]
      },
      "aggs": {
        "group_by_gender": {
          "terms": {
            "field": "gender.keyword"
          },
          "aggs": {
            "average_balance": {
              "avg": {
                "field": "balance"
              }
            }
          }
        }
      }
    }
  }
}

还有许多其他聚合功能,我们在此不再详述,如果你想进行进一步的实验,聚合参考指南是一个很好的起点。


上一篇:修改你的数据

下一篇:安装Elasticsearch

阅读 4.2k

风继续吹
技术分享与交流

态度决定一切

2.4k 声望
1.4k 粉丝
0 条评论

态度决定一切

2.4k 声望
1.4k 粉丝
文章目录
宣传栏