elasticsearch的分片（ElasticSearch分布式搜索引擎——从入门到精通）
ES分布式搜索引擎
注意： 在没有创建库的时候搜索 ，ES会创建一个库并自动创建该字段并且设置为String类型也就是text
什么是elasticsearch？
一个开源的分布式搜索引擎 ，可以用来实现搜索 、日志统计 、分析 、系统监控等功能什么是elastic stack（ELK）？
是以elasticsearch为核心的技术栈 ，包括beats 、Logstash 、kibana 、elasticsearch什么是Lucene？
是Apache的开源搜索引擎类库 ，提供了搜索引擎的核心APIelasticsearch是一款非常强大的开源搜索引擎 ，具备非常多强大功能 ，可以帮助我们从海量数据中快速找到需要的内容
ELK技术栈
本文只使用了elasticsearch ，以及kibana做可视化界面
elasticsearch结合kibana 、Logstash 、Beats ，也就是elastic stack（ELK） 。被广泛应用在日志数据分析 、实时监控等领域：
而elasticsearch是elastic stack的核心 ，负责存储 、搜索 、分析数据 。
初识elasticsearch
1. elasticsearch背景介绍
elasticsearch底层是基于lucene来实现的 。
Lucene是一个Java语言的搜索引擎类库 ，是Apache公司的顶级项目 ，由DougCutting于1999年研发 。官网地址：https://lucene.apache.org/ 。
elasticsearch的发展历史：
2004年Shay Banon基于Lucene开发了Compass 2010年Shay Banon 重写了Compass ，取名为Elasticsearch 。2. 倒排索引
倒排索引的概念是基于MySQL这样的正向索引而言的 。
2.1 正向索引设置了索引的话挺快的 ，但要是模糊查询则就很慢！
那么什么是正向索引呢？例如给下表（tb_goods）中的id创建索引：
如果是根据id查询 ，那么直接走索引 ，查询速度非常快 。
但如果是基于title做模糊查询 ，只能是逐行扫描数据 ，流程如下：
1）用户搜索数据 ，条件是title符合"%手机%"
2）逐行获取数据 ，比如id为1的数据
3）判断数据中的title是否符合用户搜索条件
4）如果符合则放入结果集 ，不符合则丢弃 。回到步骤1
逐行扫描 ，也就是全表扫描 ，随着数据量增加 ，其查询效率也会越来越低 。当数据量达到数百万时 ，就是一场灾难 。
2.2 倒排索引倒排索引中有两个非常重要的概念：
文档（Document）：用来搜索的数据 ，其中的每一条数据就是一个文档 。例如一个网页 、一个商品信息 词条（Term）：对文档数据或用户搜索数据 ，利用某种算法分词 ，得到的具备含义的词语就是词条 。例如：我是中国人 ，就可以分为：我 、是 、中国人 、中国 、国人这样的几个词条创建倒排索引是对正向索引的一种特殊处理 ，流程如下：
将每一个文档的数据利用算法分词 ，得到一个个词条 创建表 ，每行数据包括词条 、词条所在文档id 、位置等信息 因为词条唯一性 ，可以给词条创建索引 ，例如hash表结构索引如图：
倒排索引的搜索流程如下（以搜索"华为手机"为例）：
1）用户输入条件"华为手机"进行搜索 。
2）对用户输入内容分词 ，得到词条：华为 、手机 。
3）拿着词条在倒排索引中查找 ，可以得到包含词条的文档id：1 、2 、3 。
4）拿着文档id到正向索引中查找具体文档 。
如图：
虽然要先查询倒排索引 ，再查询倒排索引 ，但是无论是词条 、还是文档id都建立了索引 ，查询速度非常快！无需全表扫描 。
2.3 正向和倒排对比概念区别：
正向索引是最传统的 ，根据id索引的方式 。但根据词条查询时 ，必须先逐条获取每个文档 ，然后判断文档中是否包含所需要的词条 ，是根据文档找词条的过程 。
而倒排索引则相反 ，是先找到用户要搜索的词条 ，根据词条得到保护词条的文档的id ，然后根据id获取文档 。是根据词条找文档的过程 。
优缺点：
正向索引：
优点： 可以给多个字段创建索引 根据索引字段搜索 、排序速度非常快 缺点： 根据非索引字段 ，或者索引字段中的部分词条查找时 ，只能全表扫描 。倒排索引：
优点： 根据词条搜索 、模糊搜索时 ，速度非常快 缺点： 只能给词条创建索引 ，而不是字段 无法根据字段做排序3. ES数据库基本概念
elasticsearch中有很多独有的概念 ，与mysql中略有差别 ，但也有相似之处 。
3.1.文档和字段一个文档就像数据库里的一条数据 ，字段就像数据库里的列
elasticsearch是面向文档（Document）存储的 ，可以是数据库中的一条商品数据 ，一个订单信息 。文档数据会被序列化为json格式后存储在elasticsearch中：
而Json文档中往往包含很多的字段（Field） ，类似于mysql数据库中的列 。
3.2.索引和映射索引就像数据库里的表 ，映射就像数据库中定义的表结构
索引（Index） ，就是相同类型的文档的集合【类似mysql中的表】
例如：
所有用户文档 ，就可以组织在一起 ，称为用户的索引； 所有商品的文档 ，可以组织在一起 ，称为商品的索引； 所有订单的文档 ，可以组织在一起 ，称为订单的索引；因此 ，我们可以把索引当做是数据库中的表 。
数据库的表会有约束信息 ，用来定义表的结构 、字段的名称 、类型等信息 。因此 ，索引库中就有映射（mapping） ，是索引中文档的字段约束信息 ，类似表的结构约束 。
3.3.mysql与elasticsearch各自长处：
Mysql：擅长事务类型操作 ，可以确保数据的安全和一致性
Elasticsearch：擅长海量数据的搜索 、分析 、计算
我们统一的把mysql与elasticsearch的概念做一下对比：
MySQL Elasticsearch 说明 Table Index 索引(index) ，就是文档的集合 ，类似数据库的表(table) Row Document 文档（Document） ，就是一条条的数据 ，类似数据库中的行（Row） ，文档都是JSON格式 Column Field 字段（Field） ，就是JSON文档中的字段 ，类似数据库中的列（Column） Schema Mapping Mapping（映射）是索引中文档的约束 ，例如字段类型约束 。类似数据库的表结构（Schema） SQL DSL DSL是elasticsearch提供的JSON风格的请求语句 ，用来操作elasticsearch ，实现CRUD在企业中 ，往往是两者结合使用：
对安全性要求较高的写操作 ，使用mysql实现 对查询性能要求较高的搜索需求 ，使用elasticsearch实现 两者再基于某种方式 ，实现数据的同步 ，保证一致性4. 安装es 、kibana 、分词器
分词器的作用是什么？
创建倒排索引时对文档分词 用户搜索时 ，对输入的内容分词IK分词器有几种模式？
ik_smart：智能切分 ，粗粒度 ik_max_word：最细切分 ，细粒度IK分词器如何拓展词条？如何停用词条？
利用config目录的IkAnalyzer.cfg.xml文件添加拓展词典和停用词典 在词典中添加拓展词条或者停用词条 4.1 部署单点es 4.1.1.创建网络因为我们还需要部署kibana容器 ，因此需要让es和kibana容器互联 。这里先创建一个网络：
docker network create es-net 4.1.2.加载镜像这里我们采用elasticsearch的7.12.1版本的镜像 ，这个镜像体积非常大 ，接近1G 。不建议大家自己pull 。
课前资料提供了镜像的tar包：
大家将其上传到虚拟机中 ，然后运行命令加载即可：
# 导入数据 docker load -i es.tar注意：同理还有kibana的tar包也需要这样做 。
4.1.3.运行运行docker命令 ，部署单点es：
docker run -d \ --name es \ -e "ES_JAVA_OPTS=-Xms512m -Xmx512m" \ -e "discovery.type=single-node" \ -v es-data:/usr/share/elasticsearch/data \ -v es-plugins:/usr/share/elasticsearch/plugins \ --privileged \ --network es-net \ -p 9200:9200 \ -p 9300:9300 \ elasticsearch:7.12.1命令解释：
-e "cluster.name=es-docker-cluster"：设置集群名称 -e "http.host=0.0.0.0"：监听的地址 ，可以外网访问 -e "ES_JAVA_OPTS=-Xms512m -Xmx512m"：内存大小 -e "discovery.type=single-node"：非集群模式 -v es-data:/usr/share/elasticsearch/data：挂载逻辑卷 ，绑定es的数据目录 -v es-logs:/usr/share/elasticsearch/logs：挂载逻辑卷 ，绑定es的日志目录 -v es-plugins:/usr/share/elasticsearch/plugins：挂载逻辑卷 ，绑定es的插件目录 --privileged：授予逻辑卷访问权 --network es-net ：加入一个名为es-net的网络中 -p 9200:9200：端口映射配置在浏览器中输入：http://192.168.194.131/:9200 即可看到elasticsearch的响应结果：
4.2.部署kibanakibana可以给我们提供一个elasticsearch的可视化界面 ，便于我们学习 。
4.2.1.部署创建网络后 ，导入kibana压缩包 ，然后创建并启动相应容器 。【和前面部署单点es一样做法】
再运行docker命令 ，部署kibana
docker run -d \ --name kibana \ -e ELASTICSEARCH_HOSTS=http://es:9200 \ --network=es-net \ -p 5601:5601 \ kibana:7.12.1 --network es-net ：加入一个名为es-net的网络中 ，与elasticsearch在同一个网络中 -e ELASTICSEARCH_HOSTS=http://es:9200"：设置elasticsearch的地址 ，因为kibana已经与elasticsearch在一个网络 ，因此可以用容器名直接访问elasticsearch -p 5601:5601：端口映射配置kibana启动一般比较慢 ，需要多等待一会 ，可以通过命令：
docker logs -f kibana查看运行日志 ，当查看到下面的日志 ，说明成功：
此时 ，在浏览器输入地址访问：http://192.168.194.131:5601 ，即可看到结果如下图：
kibana左侧中提供了一个DevTools界面：
这个界面中可以编写DSL来操作elasticsearch 。并且对DSL语句有自动补全功能 。
4.3.安装IK分词器 4.3.1.在线安装ik插件（较慢） # 进入容器内部 docker exec -it elasticsearch /bin/bash # 在线下载并安装 ./bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.12.1/elasticsearch-analysis-ik-7.12.1.zip #退出 exit #重启容器 docker restart elasticsearch 4.3.2.离线安装ik插件（推荐）1）查看数据卷目录
安装插件需要知道elasticsearch的plugins目录位置 ，而我们用了数据卷挂载 ，因此需要查看elasticsearch的数据卷目录 ，通过下面命令查看:
docker volume inspect es-plugins显示结果：
[ { "CreatedAt": "2022-05-06T10:06:34+08:00", "Driver": "local", "Labels": null, "Mountpoint": "/var/lib/docker/volumes/es-plugins/_data", "Name": "es-plugins", "Options": null, "Scope": "local" } ]说明plugins目录被挂载到了：/var/lib/docker/volumes/es-plugins/_data 这个目录中 。
2）解压缩分词器安装包
下面我们需要把课前资料中的ik分词器解压缩 ，重命名为ik
3）上传到es容器的插件数据卷中
也就是/var/lib/docker/volumes/es-plugins/_data ：
4）重启容器
# 4 、重启容器 docker restart es # 查看es日志 docker logs -f es5）测试：
IK分词器包含两种模式：
ik_smart：最少切分
ik_max_word：最细切分
在kibana的Dev tools中输入以下代码：
”analyzer“ 就是选择分词器模式
GET /_analyze { "analyzer": "ik_max_word", "text": "黑马程序员学习java太棒了" }结果：
{ "tokens" : [ { "token" : "黑马", "start_offset" : 0, "end_offset" : 2, "type" : "CN_WORD", "position" : 0 }, { "token" : "程序员", "start_offset" : 2, "end_offset" : 5, "type" : "CN_WORD", "position" : 1 }, { "token" : "程序", "start_offset" : 2, "end_offset" : 4, "type" : "CN_WORD", "position" : 2 }, { "token" : "员", "start_offset" : 4, "end_offset" : 5, "type" : "CN_CHAR", "position" : 3 }, { "token" : "学习", "start_offset" : 5, "end_offset" : 7, "type" : "CN_WORD", "position" : 4 }, { "token" : "java", "start_offset" : 7, "end_offset" : 11, "type" : "ENGLISH", "position" : 5 }, { "token" : "太棒了", "start_offset" : 11, "end_offset" : 14, "type" : "CN_WORD", "position" : 6 }, { "token" : "太棒", "start_offset" : 11, "end_offset" : 13, "type" : "CN_WORD", "position" : 7 }, { "token" : "了", "start_offset" : 13, "end_offset" : 14, "type" : "CN_CHAR", "position" : 8 } ] } 4.3.3 扩展词词典随着互联网的发展 ，“造词运动 ”也越发的频繁 。出现了很多新的词语 ，在原有的词汇列表中并不存在 。比如：“奥力给 ” ，“白嫖 ” 等 。
所以我们的词汇也需要不断的更新 ，IK分词器提供了扩展词汇的功能 。
1）打开IK分词器config目录：
2）在IKAnalyzer.cfg.xml配置文件内容添加：
<?xml version="1.0" encoding="UTF-8"?> <!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd"> <properties> <comment>IK Analyzer 扩展配置</comment> <!--用户可以在这里配置自己的扩展字典 *** 添加扩展词典--> <entry key="ext_dict">ext.dic</entry> </properties>3）新建一个 ext.dic ，可以参考config目录下复制一个配置文件进行修改
白嫖 奥力给4）重启elasticsearch
docker restart es # 查看 日志 docker logs -f elasticsearch日志中已经成功加载ext.dic配置文件
5）测试效果：
GET /_analyze { "analyzer": "ik_max_word", "text": "传智播客Java就业超过90%,奥力给！" }注意当前文件的编码必须是 UTF-8 格式 ，严禁使用Windows记事本编辑
4.3.4 停用词词典在互联网项目中 ，在网络间传输的速度很快 ，所以很多语言是不允许在网络上传递的 ，如：关于宗教 、政治等敏感词语 ，那么我们在搜索时也应该忽略当前词汇 。
IK分词器也提供了强大的停用词功能 ，让我们在索引时就直接忽略当前的停用词汇表中的内容 。
1）IKAnalyzer.cfg.xml配置文件内容添加：
<?xml version="1.0" encoding="UTF-8"?> <!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd"> <properties> <comment>IK Analyzer 扩展配置</comment> <!--用户可以在这里配置自己的扩展字典--> <entry key="ext_dict">ext.dic</entry> <!--用户可以在这里配置自己的扩展停止词字典 *** 添加停用词词典--> <entry key="ext_stopwords">stopword.dic</entry> </properties>3）在 stopword.dic 添加停用词
大帅逼4）重启elasticsearch
# 重启服务 docker restart es docker restart kibana # 查看 日志 docker logs -f elasticsearch日志中已经成功加载stopword.dic配置文件
5）测试效果：
GET /_analyze { "analyzer": "ik_max_word", "text": "我是真的会谢Java就业率超过95%,大帅逼都点赞白嫖,奥力给！" }注意当前文件的编码必须是 UTF-8 格式 ，严禁使用Windows记事本编辑
索引库操作
索引库就类似数据库表 ，mapping映射就类似表的结构 。
我们要向es中存储数据 ，必须先创建“库 ”和“表 ” 。
1. Mapping映射属性
mapping是对索引库中文档的约束 ，常见的mapping属性包括：
type：字段数据类型 ，常见的简单类型有：
字符串：text（可分词的文本） 、keyword（精确值 ，例如：品牌 、国家 、ip地址）
keyword类型只能整体搜索 ，不支持搜索部分内容
数值：long 、integer 、short 、byte 、double 、float 、
布尔：boolean
日期：date
对象：object
index：是否创建索引 ，默认为true
analyzer：使用哪种分词器
properties：该字段的子字段
例如下面的json文档：
{ "age":21, "weight":52.1, "isMarried":false, "info":"真相只有一个！", "email":"zy@itcast.cn", "score":[99.1, 99.5, 98.9], "name":{ "firstName":"柯", "lastName":"南" } }对应的每个字段映射（mapping）：
age：类型为 integer；参与搜索 ，因此需要index为true；无需分词器 weight：类型为float；参与搜索 ，因此需要index为true；无需分词器 isMarried：类型为boolean；参与搜索 ，因此需要index为true；无需分词器 info：类型为字符串 ，需要分词 ，因此是text；参与搜索 ，因此需要index为true；分词器可以用ik_smart email：类型为字符串 ，但是不需要分词 ，因此是keyword；不参与搜索 ，因此需要index为false；无需分词器 score：虽然是数组 ，但是我们只看元素的类型 ，类型为float；参与搜索 ，因此需要index为true；无需分词器 name：类型为object ，需要定义多个子属性 name.firstName；类型为字符串 ，但是不需要分词 ，因此是keyword；参与搜索 ，因此需要index为true；无需分词器 name.lastName；类型为字符串 ，但是不需要分词 ，因此是keyword；参与搜索 ，因此需要index为true；无需分词器2. 索引库的CRUD
CRUD简单描述：
创建索引库：PUT /索引库名 查询索引库：GET /索引库名 删除索引库：DELETE /索引库名 修改索引库（添加字段）：PUT /索引库名/_mapping这里统一使用Kibana编写DSL的方式来演示 。
2.1 创建索引库和映射基本语法：
请求方式：PUT 请求路径：/索引库名 ，可以自定义 请求参数：mapping映射格式：
PUT/索引库名称 { "mappings":{ "properties":{ "字段名":{ "type":"text", "analyzer":"ik_smart" }, "字段名2":{ "type":"keyword", "index":"false" }, "字段名3":{ "properties":{ "子字段":{ "type":"keyword" } } }, // ...略 } } }示例：
PUT /conan { "mappings": { "properties": { "column1":{ "type": "text", "analyzer": "ik_smart" }, "column2":{ "type": "keyword", "index": "false" }, "column3":{ "properties": { "子字段1": { "type": "keyword" }, "子字段2": { "type": "keyword" } } }, // ...略 } } } 2.2 查询索引库基本语法：
请求方式：GET
请求路径：/索引库名
请求参数：无
格式：
GET /索引库名示例：
2.3 修改索引库这里的修改是只能增加新的字段到mapping中
倒排索引结构虽然不复杂 ，但是一旦数据结构改变（比如改变了分词器） ，就需要重新创建倒排索引 ，这简直是灾难 。因此索引库一旦创建 ，无法修改mapping 。
虽然无法修改mapping中已有的字段 ，但是却允许添加新的字段到mapping中 ，因为不会对倒排索引产生影响 。
语法说明：
PUT /索引库名/_mapping { "properties": { "新字段名":{ "type": "integer" } } }示例：
2.4 删除索引库语法：
请求方式：DELETE
请求路径：/索引库名
请求参数：无
格式：
DELETE /索引库名在kibana中测试：
文档操作
文档操作有哪些？
创建文档：POST /{索引库名}/_doc/文档id 查询文档：GET /{索引库名}/_doc/文档id 删除文档：DELETE /{索引库名}/_doc/文档id 修改文档： 全量修改：PUT /{索引库名}/_doc/文档id 增量修改：POST /{索引库名}/_update/文档id { "doc": {字段}}1. 文档的CRUD
1.1 新增文档语法：
POST/索引库名/_doc/文档id { "字段1":"值1", "字段2":"值2", "字段3":{ "子属性1":"值3", "子属性2":"值4" }, // ... }示例：
POST/heima/_doc/1 { "info":"真相只有一个！", "email":"zy@itcast.cn", "name":{ "firstName":"柯", "lastName":"南" } }响应：
1.2 查询文档根据rest风格 ，新增是post ，查询应该是get ，不过查询一般都需要条件 ，这里我们把文档id带上 。
语法：
GET /{索引库名称}/_doc/{id} //批量查询：查询该索引库下的全部文档 GET /{索引库名称}/_search通过kibana查看数据：
GET /heima/_doc/1查看结果：
1.3 删除文档删除使用DELETE请求 ，同样 ，需要根据id进行删除：
语法：
DELETE /{索引库名}/_doc/id值示例：
# 根据id删除数据 DELETE /heima/_doc/1结果：
1.4 修改文档修改有两种方式：
全量修改：直接覆盖原来的文档 增量修改：修改文档中的部分字段 1.4.1 全量修改全量修改是覆盖原来的文档 ，其本质是：
根据指定的id删除文档 新增一个相同id的文档注意：如果根据id删除时 ，id不存在 ，第二步的新增也会执行 ，也就从修改变成了新增操作了 。
语法：
PUT/{索引库名}/_doc/文档id { "字段1":"值1", "字段2":"值2", // ... 略 }示例：
PUT/heima/_doc/1 { "info":"黑马程序员高级Java讲师", "email":"zy@itcast.cn", "name":{ "firstName":"云", "lastName":"赵" } } 1.4.2 增量修改增量修改是只修改指定id匹配的文档中的部分字段 。
语法：
POST/{索引库名}/_update/文档id { "doc": { "字段名":"新的值", } }示例：
POST/heima/_update/1 { "doc":{ "email":"ZhaoYun@itcast.cn" } }RestAPI
ES官方提供了各种不同语言的客户端 ，用来操作ES 。这些客户端的本质就是组装DSL语句 ，通过http请求发送给ES 。官方文档地址：https://www.elastic.co/guide/en/elasticsearch/client/index.html
其中的Java Rest Client又包括两种：
Java Low Level Rest Client Java High Level Rest Client我们使用的是Java HighLevel Rest Client客户端API
API操作索引库
JavaRestClient操作elasticsearch的流程基本类似 。核心是client.indices()方法来获取索引库的操作对象 。
索引库操作的基本步骤：【可以根据发送请求那步的第一个参数 ，发过来判断需要创建什么XXXXRequest】
初始化RestHighLevelClient 创建XxxIndexRequest 。XXX是Create 、Get 、Delete 准备DSL（ Create时需要 ，其它是无参） 发送请求 。调用RestHighLevelClient#indices().xxx()方法 ，xxx是create 、exists 、delete 1. mapping映射分析根据MySQL数据库表结构（建表语句） ，去写索引库结构JSON 。表和索引库一一对应
注意：地理坐标 、组合字段 。索引库里的地理坐标是一个字段：坐标：维度,精度 。copy_to组合字段作用是供用户查询（输入关键字可以查询多个字段）
创建索引库 ，最关键的是mapping映射 ，而mapping映射要考虑的信息包括：
字段名 字段数据类型 是否参与搜索 是否需要分词 如果分词 ，分词器是什么？其中：
字段名 、字段数据类型 ，可以参考数据表结构的名称和类型 是否参与搜索要分析业务来判断 ，例如图片地址 ，就无需参与搜索 是否分词呢要看内容 ，内容如果是一个整体就无需分词 ，反之则要分词 分词器 ，我们可以统一使用ik_max_word来看下酒店数据的索引库结构:
PUT /hotel { "mappings": { "properties": { "id": { "type": "keyword" }, "name":{ "type": "text", "analyzer": "ik_max_word", "copy_to": "all" }, "address":{ "type": "keyword", "index": false }, "price":{ "type": "integer" }, "score":{ "type": "integer" }, "brand":{ "type": "keyword", "copy_to": "all" }, "city":{ "type": "keyword", "copy_to": "all" }, "starName":{ "type": "keyword" }, "business":{ "type": "keyword" }, "location":{ "type": "geo_point" }, "pic":{ "type": "keyword", "index": false }, "all":{ "type": "text", "analyzer": "ik_max_word" } } } }几个特殊字段说明：
location：地理坐标 ，里面包含精度 、纬度 all：一个组合字段 ，其目的是将多字段的值 利用copy_to合并 ，提供给用户搜索地理坐标说明：
copy_to说明：
2.初始化RestClient在elasticsearch提供的API中 ，与elasticsearch一切交互都封装在一个名为RestHighLevelClient的类中 ，必须先完成这个对象的初始化 ，建立与elasticsearch的连接 。
分为三步：
1）引入es的RestHighLevelClient依赖：
<dependency> <groupId>org.elasticsearch.client</groupId> <artifactId>elasticsearch-rest-high-level-client</artifactId> </dependency>2）因为SpringBoot默认的ES版本是7.6.2 ，所以我们需要覆盖默认的ES版本：
<properties> <java.version>1.8</java.version> <elasticsearch.version>7.12.1</elasticsearch.version> </properties>3）初始化RestHighLevelClient：这里一般在启动类或者配置类里注入该Bean ，用于告诉Java 访问ES的ip地址
初始化的代码如下：
@Bean public RestHighLevelClient client(){ return new RestHighLevelClient(RestClient.builder( HttpHost.create("http://192.168.150.101:9200") )); }这里为了单元测试方便 ，我们创建一个测试类HotelIndexTest ，然后将初始化的代码编写在@BeforeEach方法中：
package cn.itcast.hotel; import org.apache.http.HttpHost; import org.elasticsearch.client.RestHighLevelClient; import org.junit.jupiter.api.AfterEach; import org.junit.jupiter.api.BeforeEach; import org.junit.jupiter.api.Test; import java.io.IOException; public class HotelIndexTest { private RestHighLevelClient client; @BeforeEach void setUp() { this.client = new RestHighLevelClient(RestClient.builder( HttpHost.create("http://192.168.150.101:9200") )); } @AfterEach void tearDown() throws IOException { this.client.close(); } } 3. 索引库CRUD 3.1 创建索引库代码分为三步：
1）创建Request对象 。因为是创建索引库的操作 ，因此Request是CreateIndexRequest 。 2）添加请求参数 ，其实就是DSL的JSON参数部分 。因为json字符串很长 ，这里是定义了静态字符串常量MAPPING_TEMPLATE ，让代码看起来更加优雅 。 3）发送请求 ，client.indices()方法的返回值是IndicesClient类型 ，封装了所有与索引库操作有关的方法 。创建索引库的API如下：
代码：
在hotel-demo的cn.itcast.hotel.constants包下 ，创建一个类 ，定义mapping映射的JSON字符串常量：
package cn.itcast.hotel.constants; public class HotelConstants { public static final String MAPPING_TEMPLATE = "{\n" + " \"mappings\": {\n" + " \"properties\": {\n" + " \"id\": {\n" + " \"type\": \"keyword\"\n" + " },\n" + " \"name\":{\n" + " \"type\": \"text\",\n" + " \"analyzer\": \"ik_max_word\",\n" + " \"copy_to\": \"all\"\n" + " },\n" + " \"address\":{\n" + " \"type\": \"keyword\",\n" + " \"index\": false\n" + " },\n" + " \"price\":{\n" + " \"type\": \"integer\"\n" + " },\n" + " \"score\":{\n" + " \"type\": \"integer\"\n" + " },\n" + " \"brand\":{\n" + " \"type\": \"keyword\",\n" + " \"copy_to\": \"all\"\n" + " },\n" + " \"city\":{\n" + " \"type\": \"keyword\",\n" + " \"copy_to\": \"all\"\n" + " },\n" + " \"starName\":{\n" + " \"type\": \"keyword\"\n" + " },\n" + " \"business\":{\n" + " \"type\": \"keyword\"\n" + " },\n" + " \"location\":{\n" + " \"type\": \"geo_point\"\n" + " },\n" + " \"pic\":{\n" + " \"type\": \"keyword\",\n" + " \"index\": false\n" + " },\n" + " \"all\":{\n" + " \"type\": \"text\",\n" + " \"analyzer\": \"ik_max_word\"\n" + " }\n" + " }\n" + " }\n" + "}"; }在hotel-demo中的HotelIndexTest测试类中 ，编写单元测试 ，实现创建索引：
@Test void createHotelIndex() throws IOException { // 1.创建Request对象 CreateIndexRequest request = new CreateIndexRequest("hotel"); // 2.准备请求的参数：DSL语句 request.source(MAPPING_TEMPLATE, XContentType.JSON); // 3.发送请求 client.indices().create(request, RequestOptions.DEFAULT); } 3.2 删除索引库三步走：
1）创建Request对象 。这次是DeleteIndexRequest对象 2）准备参数 。这里是无参 3）发送请求 。改用delete方法删除索引库的DSL语句非常简单：
DELETE /hotel在hotel-demo中的HotelIndexTest测试类中 ，编写单元测试 ，实现删除索引：
@Test void testDeleteHotelIndex() throws IOException { // 1.创建Request对象 DeleteIndexRequest request = new DeleteIndexRequest("hotel"); // 2.发送请求 client.indices().delete(request, RequestOptions.DEFAULT); } 3.3 查询索引库三步走：
1）创建Request对象 。这次是GetIndexRequest对象 2）准备参数 。这里是无参 3）发送请求 。改用exists方法判断索引库是否存在 ，本质就是查询 ，对应的DSL是：
GET /hotel @Test void testExistsHotelIndex() throws IOException { // 1.创建Request对象 GetIndexRequest request = new GetIndexRequest("hotel"); // 2.发送请求 boolean exists = client.indices().exists(request, RequestOptions.DEFAULT); // 3.输出 System.err.println(exists ? "索引库已经存在！" : "索引库不存在！"); }API操作文档
这里更多的是先读取Mysql中的数据 ，然后再存进ES中 。
文档操作的基本步骤：【可以根据发送请求那步的第一个参数 ，发过来判断需要创建什么XXXXRequest】
初始化RestHighLevelClient 创建XxxRequest 。XXX是Index 、Get 、Update 、Delete 、Bulk 准备参数（Index 、Update 、Bulk时需要） 发送请求 。调用RestHighLevelClient#.xxx()方法 ，xxx是index 、get 、update 、delete 、bulk 解析结果（Get时需要） 1. 初始化RestClient在elasticsearch提供的API中 ，与elasticsearch一切交互都封装在一个名为RestHighLevelClient的类中 ，必须先完成这个对象的初始化 ，建立与elasticsearch的连接 。
分为三步：
1）引入es的RestHighLevelClient依赖：
<dependency> <groupId>org.elasticsearch.client</groupId> <artifactId>elasticsearch-rest-high-level-client</artifactId> </dependency>2）因为SpringBoot默认的ES版本是7.6.2 ，所以我们需要覆盖默认的ES版本：
<properties> <java.version>1.8</java.version> <elasticsearch.version>7.12.1</elasticsearch.version> </properties>3）初始化RestHighLevelClient：这里一般写在最前面 ，用于告诉Java 访问ES的ip地址
初始化的代码如下：
RestHighLevelClient client = new RestHighLevelClient(RestClient.builder( HttpHost.create("http://192.168.150.101:9200") ));这里为了单元测试方便 ，我们创建一个测试类HotelIndexTest ，然后将初始化的代码编写在@BeforeEach方法中：
package cn.itcast.hotel; import org.apache.http.HttpHost; import org.elasticsearch.client.RestHighLevelClient; import org.junit.jupiter.api.AfterEach; import org.junit.jupiter.api.BeforeEach; import org.junit.jupiter.api.Test; import java.io.IOException; public class HotelIndexTest { private RestHighLevelClient client; @BeforeEach void setUp() { this.client = new RestHighLevelClient(RestClient.builder( HttpHost.create("http://192.168.150.101:9200") )); } @AfterEach void tearDown() throws IOException { this.client.close(); } } 2. 文档CRUD 2.0 批量导入文档三步走：
1）创建Request对象 。这里是BulkRequest 2）准备参数 。批处理的参数 ，就是其它Request对象 ，这里就是多个IndexRequest 3）发起请求 。这里是批处理 ，调用的方法为client.bulk()方法案例需求：利用BulkRequest批量将数据库数据导入到索引库中 。
步骤如下：
利用mybatis-plus查询酒店数据
将查询到的酒店数据（Hotel）转换为文档类型数据（HotelDoc）
利用JavaRestClient中的BulkRequest批处理 ，实现批量新增文档
语法说明：
批量处理BulkRequest ，其本质就是将多个普通的CRUD请求组合在一起发送 。
其中提供了一个add方法 ，用来添加其他请求：
可以看到 ，能添加的请求包括：
IndexRequest ，也就是新增 UpdateRequest ，也就是修改 DeleteRequest ，也就是删除因此Bulk中添加了多个IndexRequest ，就是批量新增功能了 。示例：
我们在导入酒店数据时 ，将上述代码改造成for循环处理即可 。
在hotel-demo的HotelDocumentTest测试类中 ，编写单元测试：
@Test void testBulkRequest() throws IOException { // 批量查询酒店数据 List<Hotel> hotels = hotelService.list(); // 1.创建Request BulkRequest request = new BulkRequest(); // 2.准备参数 ，添加多个新增的Request for (Hotel hotel : hotels) { // 2.1.转换为文档类型HotelDoc HotelDoc hotelDoc = new HotelDoc(hotel); // 2.2.创建新增文档的Request对象 request.add(new IndexRequest("hotel") .id(hotelDoc.getId().toString()) .source(JSON.toJSONString(hotelDoc), XContentType.JSON)); } // 3.发送请求 client.bulk(request, RequestOptions.DEFAULT); } 2.1 批量新增文档四步走：
0）创建索引库实体类 1）创建Request对象 2）准备请求参数 ，也就是DSL中的JSON文档 3）发送请求 （注意：这里直接使用client.xxx()的API ，不再需要client.indices()了）我们要将数据库的酒店数据查询出来 ，写入elasticsearch中 。
1）创建索引库实体类
一般实体类里包含经纬度都需要创建一个新的实体类 ，将经纬度拼成一个字段
数据库查询后的结果是一个Hotel类型的对象 。结构如下：
@Data @TableName("tb_hotel") public class Hotel { @TableId(type = IdType.INPUT) private Long id; private String name; private String address; private Integer price; private Integer score; private String brand; private String city; private String starName; private String business; private String longitude; private String latitude; private String pic; }与我们的索引库结构存在差异：
longitude和latitude需要合并为location因此 ，我们需要定义一个新的类型 ，与索引库结构吻合：
package cn.itcast.hotel.pojo; import lombok.Data; import lombok.NoArgsConstructor; @Data @NoArgsConstructor public class HotelDoc { private Long id; private String name; private String address; private Integer price; private Integer score; private String brand; private String city; private String starName; private String business; private String location; private String pic; public HotelDoc(Hotel hotel) { this.id = hotel.getId(); this.name = hotel.getName(); this.address = hotel.getAddress(); this.price = hotel.getPrice(); this.score = hotel.getScore(); this.brand = hotel.getBrand(); this.city = hotel.getCity(); this.starName = hotel.getStarName(); this.business = hotel.getBusiness(); this.location = hotel.getLatitude() + ", " + hotel.getLongitude(); this.pic = hotel.getPic(); } }2）新增代码
新增文档的DSL语句如下：
POST /{索引库名}/_doc/1 { "name": "Jack", "age": 21 }对应的java代码如图：
我们导入酒店数据 ，基本流程一致 ，但是需要考虑几点变化：
酒店数据来自于数据库 ，我们需要先查询出来 ，得到hotel对象 hotel对象需要转为HotelDoc对象 HotelDoc需要序列化为json格式在hotel-demo的HotelDocumentTest测试类中 ，编写单元测试：
@Test void testAddDocument() throws IOException { // 批量查询酒店数据 List<Hotel> hotels = hotelService.list(); // 1.创建Request BulkRequest request = new BulkRequest(); // 2.准备参数 ，添加多个新增的Request for (Hotel hotel : hotels) { // 2.1.转换为文档类型HotelDoc HotelDoc hotelDoc = new HotelDoc(hotel); // 2.2.创建新增文档的Request对象 request.add(new IndexRequest("hotel") .id(hotelDoc.getId().toString()) .source(JSON.toJSONString(hotelDoc), XContentType.JSON));//实体类转JSON ，指定JSON格式 request.add(new IndexRequest("xxx")...) } // 3.发送请求 client.bulk(request, RequestOptions.DEFAULT); } 2.2 查询文档查询文档是根据id查询的 ，所以没有批量查询
三步走：
1）准备Request对象 。这次是查询 ，所以是GetRequest 2）发送请求 ，得到结果 。因为是查询 ，这里调用client.get()方法 3）解析结果 ，就是对JSON做反序列化查询的DSL语句如下：
GET /hotel/_doc/{id}非常简单 ，因此代码大概分两步：
准备Request对象 发送请求不过查询的目的是得到结果 ，解析为HotelDoc ，因此难点是结果的解析 。完整代码如下：
可以看到 ，结果是一个JSON ，其中文档放在一个_source属性中 ，因此解析就是拿到_source ，使用工具反序列化为Java对象即可 。
在hotel-demo的HotelDocumentTest测试类中 ，编写单元测试：
@Test void testGetDocumentById() throws IOException { // 1.准备Request GetRequest request = new GetRequest("hotel", "61082"); // 2.发送请求 ，得到响应 GetResponse response = client.get(request, RequestOptions.DEFAULT); // 3.解析响应结果 String json = response.getSourceAsString(); HotelDoc hotelDoc = JSON.parseObject(json, HotelDoc.class); System.out.println(hotelDoc); } 2.3 批量删除文档三步走：
1）准备Request对象 ，因为是删除 ，这次是DeleteRequest对象 。要指定索引库名和id 2）准备参数 ，无参 3）发送请求 。因为是删除 ，所以是client.delete()方法删除的DSL为是这样的：
DELETE /hotel/_doc/{id}在hotel-demo的HotelDocumentTest测试类中 ，编写单元测试：
@Test void testDeleteDocument() throws IOException { //0.查询数据库中的数据 List<Hotel> list = hotelService.list(); // 1.创建Request BulkRequest request = new BulkRequest(); //2.批量转换实体类 ，顺便写入到ES中 for (Hotel hotel : list) { //2.1转换实体类 HotelDoc hotelDoc =new HotelDoc(hotel); //2.2写入ES request.add(new DeleteRequest("hotel") .id(hotel.getId().toString())); } //3.发送请求 client.bulk(request,RequestOptions.DEFAULT); } 2.4 批量修改文档三步走：
1）准备Request对象 。这次是修改 ，所以是UpdateRequest 2）准备参数 。也就是JSON文档 ，里面包含要修改的字段 3）更新文档 。这里调用client.update()方法修改有两种方式：
全量修改：本质是先根据id删除 ，再新增 增量修改：修改文档中的指定字段值在RestClient的API中 ，全量修改与新增的API完全一致 ，判断依据是ID：
如果新增时 ，ID已经存在 ，则修改 如果新增时 ，ID不存在 ，则新增只演示增量修改：
代码示例如图：
在hotel-demo的HotelDocumentTest测试类中 ，编写单元测试：
@Test void创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！