docker安装elasticsearch和ik分词器

目录

ElasticSearch

了解ElasticSearch

ELK技术栈

​编辑 ElasticSearch与lucene的关系

总结

 倒排索引

正向索引 

倒排索引

 正向和倒排

 elasticSearch特定的一些概念

文档和字段

索引和映射 

mysql与elasticsearch对比 

安装elasticSeacher并部署单例es

 创建网络

加载es镜像和kibana镜像 

运行es镜像

部署kibana 

查看kibana

安装IK分词器

下载压缩包

查询到es-plugins数据卷存在的实际位置

 cd到这个实际位置，并把ik文件夹拉到这个目录中

重启es容器

测试：

扩展IK分词器

进入ik的config目录 

在IKAnalyzer.cfg.xml配置文件内容添加：ext.dic

 这里没有配置ext.dic的文件路径，说明和IKAnalyzer.cfg.xml在同一个目录下

然后重启es

测试，可以发现我勒个豆已经成为一个最小单元的词条

​编辑 停用词词典

 1）IKAnalyzer.cfg.xml配置文件内容添加：

 2）打开stopword.dic(config中已经存在，不用重新创建)

3）重启es

4）测试

​编辑 总结：分词器的作用

IK分词器有几种模式

---

ElasticSearch

了解ElasticSearch

elasticsearch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

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。 

 ElasticSearch与lucene的关系

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。

总结

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API

 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。

正向索引 

什么是正向索引呢

如果根据id值直接查询，那么直接走主键索引，查询速度比较快

如果是根据title进行模糊查询

1. 用户进行搜索数据时，条件为%手机%
2. 那么就一行一行的获取数据，然后再判断title字段值是否符合条件
3. 符合条件就放入结果集，不符合条件就丢弃，继续下一行获取数据进行比对

 这就是所谓的逐行扫描，也就是全表扫描，随着数据量的增多，其查询效率会越来越低

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。也就是数据库中的一行数据
• 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。词条就是把文档数据根据某种规则进行拆分成几个词

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

 

倒排索引的搜索流程如下（以搜索"华为手机"为例）： 

当用户输入华为手机时，进行词条分割，得到华为，手机两个词条，然后再倒排索引的表中获得对应的文档id（1，2，3）然后拿着文档id去数据库表中进行查找具体的信息（因为根据的是主键Id,走索引，查询速率比较快）

 虽然要先查询倒排索引，再查询正向索引，但是无论是词条、还是文档id都建立了索引（可以建立联合唯一索引），查询速度非常快！无需全表扫描。

 正向和倒排

那么为什么一个叫做正向索引，一个叫做倒排索引呢？

• 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（再倒排索引表中）先得到词条的文档的id，然后再根据获得的id去数据表中获取对应的文档。是根据词条找文档的过程。

是不是恰好反过来了？

那么两者方式的优缺点是什么呢？

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

 elasticSearch特定的一些概念

文档和字段

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：

 可以看见数据库的每一行数据都被序列化成了json数据，每一个json数据对应的key就是字段名

每一个json数据就是叫做文档(document)，json数据里面的key值就是字段(Field) 

索引和映射 

索引（Index），就是相同类型的文档的集合。一个索引就是相当于数据库中的一张数据表

也就是说一个索引包含了很多相同类型的文档

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。

mysql与elasticsearch对比 

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

• 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

因此在企业中，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

 

安装elasticSeacher并部署单例es

 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： 

创建网络的原因是在同一网络中的容器（即kibana）可以直接通过容器的名字(es)来获取 es的ip地址

docker network create es-net

 创建成功

加载es镜像和kibana镜像 

docker pull ... 

加载压缩包

docker load -i es.tar 

运行es镜像

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（如果没有这个数据卷，可以自动创建）
• -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，http访问的入口
• -p 9300:9300：tcp协议端口，用于集群模式下节点与节点之间的心跳检查的

在浏览器中输入：http://192.168.230.100:9200 即可看到elasticsearch的响应结果： 

部署kibana 

kibana可以给我们提供一个elasticsearch的可视化界面，便于我们学习。 

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：

 

查看kibana

192.168.230.100:5601,里面的dev tools

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。

DSL就是elasticsearch提供的特殊语法，基本格式如下：

[请求方式] /[请求路径]
{[请求参数key1]: [请求参数value1]，[请求参数key2]: [请求参数value2]
}

例如

GET /_analyze
{"analyzer": "standard","text": "华为手机"
}

运行结果后默认是把文档拆成一个一个字的词条 

安装IK分词器

 因为默认的行为是把文档拆成一个一个字的词条，不符合我们的习惯，所以需要安装国内的开源的IK分词器

下载压缩包

https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.12.1/elasticsearch-analysis-ik-7.12.1.zip

解压这个压缩包得到ik文件夹

查询到es-plugins数据卷存在的实际位置

 cd到这个实际位置，并把ik文件夹拉到这个目录中

重启es容器

docker restart es

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

使用最少切分的模式可以把华为，手机分割出来，但是对于网络热词无法切分 

 使用ik_max_word模式进行分词，可以发现分出来的词更加细腻,把"程序员"还分成了"程序"和"员"

扩展IK分词器

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”，“我了个豆”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。我们可以自己进行配置

进入ik的config目录 

cd ik/config

 

在IKAnalyzer.cfg.xml配置文件内容添加：ext.dic

<?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--><entry key="ext_stopwords"></entry><!--用户可以在这里配置远程扩展字典 --><!-- <entry key="remote_ext_dict">words_location</entry> --><!--用户可以在这里配置远程扩展停止词字典--><!-- <entry key="remote_ext_stopwords">words_location</entry> -->
</properties>

 这里没有配置ext.dic的文件路径，说明和IKAnalyzer.cfg.xml在同一个目录下

vim ext.dic

在这个文件中添加词汇 

 

然后重启es

docker restart es 

测试，可以发现我勒个豆已经成为一个最小单元的词条

 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>

 2）打开stopword.dic(config中已经存在，不用重新创建)

添加屏蔽词汇

3）重启es

docker restart es 

4）测试

直接把不显示屏蔽词

 总结：
分词器的作用

• 创建倒排索引时对文档进行分词
• 用户搜索时，对输入的内容进行分词

IK分词器有几种模式

• ik_smart:智能切片，粗粒度
• ik_max_word:最细分片，细粒度