Elasticsearch介绍及使用

Elasticsearch 是一款基于 Lucene 库构建的开源、分布式、RESTful 风格的搜索引擎和分析引擎，具有强大的全文搜索、数据分析、机器学习等功能，广泛应用于日志分析、实时数据分析、全文检索等场景。

核心概念

• 索引（Index）：类似于传统数据库中的数据库，是存储数据的逻辑容器。一个索引可以包含多个类型的数据，每个索引都有一个唯一的名称用于标识。
• 类型（Type）：在早期版本中，一个索引可以有多个类型，用来区分不同类型的数据，但在 7.x 及以上版本中，一个索引只能有一个类型，且默认类型为“_doc”。
• 文档（Document）：是 Elasticsearch 中存储和检索的基本数据单元，以 JSON 格式表示。每个文档都有一个唯一的 ID，用于在索引中定位和操作文档。
• 字段（Field）：是文档中的一个属性或键值对，用于存储具体的数据内容，如姓名、年龄、价格等。字段有不同的数据类型，如文本、数字、日期等，不同的数据类型决定了字段的存储和检索方式。

主要特点

• 高性能全文搜索：基于 Lucene 的倒排索引技术，能够快速地对文本数据进行全文搜索。它会将文本数据拆分成单词或词汇，建立索引，当进行搜索时，通过查找索引快速定位到包含搜索关键词的文档，大大提高了搜索效率。
• 分布式架构：可以部署在多个节点上，形成一个分布式集群。数据会被自动分片存储在不同的节点上，当一个节点出现问题时，其他节点可以继续提供服务，保证了系统的高可用性和数据的可靠性。同时，分布式架构也使得 Elasticsearch 能够处理海量的数据和高并发的请求。
• 易于扩展：随着数据量和访问量的增加，可以通过简单地增加节点来水平扩展集群。新加入的节点会自动参与数据的存储和查询工作，无需对现有系统进行复杂的改造，能够灵活地应对业务的增长。
• RESTful API：提供了基于 HTTP 协议的 RESTful 风格的 API 接口，方便开发者使用各种编程语言进行集成和开发。通过简单的 HTTP 请求，就可以完成数据的增删改查、索引管理、查询分析等各种操作，降低了开发难度和成本。
• 多租户支持：在 Elasticsearch 集群中，可以创建多个索引，每个索引可以视为一个独立的“租户”，不同租户之间的数据相互隔离。这使得 Elasticsearch 能够在一个集群中同时为多个应用程序或用户提供服务，提高了资源利用率。
• 强大的聚合分析功能：除了基本的搜索功能，还提供了丰富的聚合分析功能，如统计、分组、排序、时间序列分析等。可以对搜索结果进行进一步的数据挖掘和分析，帮助用户快速获取数据的统计信息和趋势，为决策提供支持。

常见应用场景

• 日志分析：能够高效地收集、存储和分析各种日志数据，如服务器日志、应用程序日志、网络设备日志等。通过对日志数据的搜索、过滤、聚合分析，可以快速定位系统故障、性能瓶颈、安全问题等，为运维人员提供有力的工具。
• 实时数据分析：适用于需要实时处理和分析大量数据的场景，如金融交易监控、社交媒体数据监测、物联网设备数据处理等。Elasticsearch 可以实时地接收数据，快速地进行查询和分析，及时发现异常情况并做出响应。
• 全文检索：为各种需要全文检索功能的应用程序提供支持，如电子商务网站的商品搜索、知识管理系统的内容检索、新闻网站的新闻搜索等。能够根据用户的输入关键词，快速地在海量文本数据中找到匹配的结果，并按照相关性进行排序，提升用户体验。
• 机器学习：结合 Elasticsearch 的机器学习功能，可以对数据进行自动分析和建模，实现异常检测、预测分析等高级功能。例如，在网络安全领域，通过机器学习算法对网络流量数据进行分析，自动识别潜在的攻击行为；在电商领域，预测用户的购买行为和需求。

架构组件

• 节点（Node）：是 Elasticsearch 集群中的一个服务器实例，承担着数据存储、查询处理、集群管理等任务。节点之间通过网络进行通信和协作，共同构成一个完整的 Elasticsearch 集群。
• 集群（Cluster）：由一个或多个节点组成，通过配置集群名称来标识。集群负责管理节点、分配分片、处理请求等，保证数据的一致性和高可用性。集群中的主节点（Master Node）负责集群级别的操作，如创建索引、分配分片、节点发现等，数据节点（Data Node）主要负责存储数据和执行查询操作。
• 分片（Shard）：为了提高数据的存储能力和查询性能，索引会被分割成多个分片，每个分片是一个独立的 Lucene 索引。分片可以分布在不同的节点上，当进行查询时，查询请求会被分发到各个分片上并行执行，然后将结果汇总返回。分片的数量在索引创建时确定，可以根据数据量和查询需求进行合理配置。
• 副本（Replica）：是分片的副本，用于提高数据的可靠性和查询性能。当一个分片出现故障时，副本可以接管其查询请求，保证服务的可用性。同时，副本也可以分担查询负载，提高查询的并发处理能力。副本的数量可以根据集群的节点数量和可靠性要求进行配置。

数据写入与查询流程

• 数据写入流程：
  • 客户端发送写入请求：用户或应用程序通过 Elasticsearch 的 RESTful API 向集群发送数据写入请求，请求中包含要写入的索引名称、文档数据等信息。
  • 主节点路由请求：主节点接收到请求后，根据索引的分片策略，将写入请求路由到对应的主分片所在的节点。
  • 主分片写入数据：主分片节点接收到请求后，将数据写入本地的分片中，并记录操作日志。写入成功后，会将操作日志发送给对应的副本分片节点。
  • 副本分片同步数据：副本分片节点接收到操作日志后，会根据日志内容将数据同步到本地的副本分片中。当所有副本分片都成功同步数据后，主分片节点会向客户端返回写入成功的响应。
• 数据查询流程：
  • 客户端发送查询请求：用户或应用程序通过 RESTful API 向集群发送查询请求，请求中包含查询条件、索引名称等信息。
  • 主节点分发查询请求：主节点接收到查询请求后，根据索引的分片分布情况，将查询请求分发到所有相关的分片所在的节点。
  • 分片节点执行查询：各个分片节点接收到查询请求后，在本地的分片中执行查询操作，根据查询条件检索匹配的文档，并将查询结果返回给主节点。
  • 主节点汇总结果：主节点接收到各个分片节点返回的查询结果后，对结果进行汇总和排序等处理，然后将最终的查询结果返回给客户端。

Elasticsearch基础概念

Index：索引(index)，就是文档的集合，类似数据库的表(table)

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

Field：字段（Field），就是JSON文档中的字段，类似数据库中的列（Column）

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）

DSL：DSL是elasticsearch提供的JSON风格的请求语句，用来操作elasticsearch，实现CRUD

倒排索引

正向索引

• 文档 ID：用于唯一标识每个文档，类似数据库表中的主键，有了它就能精准定位到特定的某一文档。
• 索引项：跟在文档 ID 后面，包含了文档中的各类关键元素，比如文本里的词汇、数据记录的属性值等，有的还会附上这些元素在文档中的具体位置信息。

倒排索引

• 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。

对比

正向索引的表结构

id（索引）	title	price
1	小米手机	3499
2	华为手机	4999
3	华为小米充电器	49
4	小米手环	49

搜索流程：

• 1）如检查到搜索条件为like '%手机%'，需要找到title中包含手机的数据

• 2）逐条遍历每行数据（每个叶子节点），比如第1次拿到id为1的数据

• 3）判断数据中的title字段值是否符合条件

• 4）如果符合则放入结果集，不符合则丢弃

• 5）回到步骤1

倒排索引的表结构

词条（索引）	文档id
小米	1，3，4
手机	1，2
华为	2，3
充电器	3
手环	4

 搜索流程：

1）如用户输入条件"华为手机"进行搜索。

2）对用户输入条件分词，得到词条：华为、手机。

3）拿着词条在倒排索引中查找（由于词条有索引，查询效率很高），即可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即可（由于id也有索引，查询效率也很高）。

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

安装Elasticsearch

1.使用docker安装单机版的Elasticsearch

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 \--restart=always \elasticsearch:7.12.1

代码解读：

-d：让容器在后台运行

--name：指定创建的容器名称

-e：设置容器内的环境变量

-v：将容器内的目录挂载到外部的卷上

--privileged：以特权模式运行容器

--network：将容器连接到名为 es-net 的 Docker 网络，在我们搭建服务器的时候可以创建一个docker网络，将要互相通信的放在这一个网络里面。注意：这里需要先用docker network create创建一个docker网络这里才能指定

-p：将容器的端口映射到主机的端口

--restart=always：设置容器自启动

 elasticsearch:7.12.1：要运行的 Docker 镜像名称和标签，如果我们指定这个镜像本地没有这个版本就会进行下载。注意：这里我们采用的是elasticsearch的7.12.1版本，由于8以上版本的JavaAPI变化很大，在企业中应用并不广泛，企业中应用较多的还是8以下的版本。

2.防火墙开放端口

#1.开放es端口
firewall-cmd --zone=public --add-port=9200/tcp --add-port=9300/tcp --permanent
#2.重新加载防火墙配置
firewall-cmd --reload

也可以关闭防火墙

systemctl stop firewalld

3.访问9200端口验证es是否启动成功

地址格式：主机IP:9200

IK分词器

Elasticsearch的关键就是倒排索引，而倒排索引依赖于对文档内容的分词，而分词则需要高效、精准的分词算法，IK分词器就是这样一个中文分词算法。

安装

方法一：在线安装

docker exec -it es ./bin/elasticsearch-plugin  install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.12.1/elasticsearch-analysis-ik-7.12.1.zip

重启es容器

docker restart es

方法二：离线安装

首先，查看之前安装的es容器的plugins数据卷目录：

docker volume inspect es-plugins

结果如下： 

进入/var/lib/docker/volumes/es-plugins/_data目录，将我们本地的ik上传到这个目录下

 重启es容器

docker restart es

使用

IK分词器包含两种模式：

ik_smart：智能语义切分

示例：

POST /_analyze
{"analyzer": "ik_smart","text": "我是一个程序员"
}

结果：

{"tokens" : [{"token" : "我","start_offset" : 0,"end_offset" : 1,"type" : "CN_CHAR","position" : 0},{"token" : "是","start_offset" : 1,"end_offset" : 2,"type" : "CN_CHAR","position" : 1},{"token" : "一个","start_offset" : 2,"end_offset" : 4,"type" : "CN_WORD","position" : 2},{"token" : "程序员","start_offset" : 4,"end_offset" : 7,"type" : "CN_WORD","position" : 3}]
}

ik_max_word：最细粒度切分

示例：

POST /_analyze
{"analyzer": "ik_max_word","text": "我是一个程序员"
}

结果： 

{"tokens" : [{"token" : "我","start_offset" : 0,"end_offset" : 1,"type" : "CN_CHAR","position" : 0},{"token" : "是","start_offset" : 1,"end_offset" : 2,"type" : "CN_CHAR","position" : 1},{"token" : "一个","start_offset" : 2,"end_offset" : 4,"type" : "CN_WORD","position" : 2},{"token" : "一","start_offset" : 2,"end_offset" : 3,"type" : "TYPE_CNUM","position" : 3},{"token" : "个","start_offset" : 3,"end_offset" : 4,"type" : "COUNT","position" : 4},{"token" : "程序员","start_offset" : 4,"end_offset" : 7,"type" : "CN_WORD","position" : 5},{"token" : "程序","start_offset" : 4,"end_offset" : 6,"type" : "CN_WORD","position" : 6},{"token" : "员","start_offset" : 6,"end_offset" : 7,"type" : "CN_CHAR","position" : 7}]
}

 拓展词典

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，如：“逆天、依托答辩、我了个豆”

POST /_analyze
{"analyzer": "ik_max_word","text": "逆天、依托答辩、我了个豆"
}

结果：

{"tokens" : [{"token" : "逆","start_offset" : 0,"end_offset" : 1,"type" : "CN_CHAR","position" : 0},{"token" : "天","start_offset" : 1,"end_offset" : 2,"type" : "CN_CHAR","position" : 1},{"token" : "依托","start_offset" : 3,"end_offset" : 5,"type" : "CN_WORD","position" : 2},{"token" : "答辩","start_offset" : 5,"end_offset" : 7,"type" : "CN_WORD","position" : 3},{"token" : "我","start_offset" : 8,"end_offset" : 9,"type" : "CN_CHAR","position" : 4},{"token" : "了","start_offset" : 9,"end_offset" : 10,"type" : "CN_CHAR","position" : 5},{"token" : "个","start_offset" : 10,"end_offset" : 11,"type" : "CN_CHAR","position" : 6},{"token" : "豆","start_offset" : 11,"end_offset" : 12,"type" : "CN_CHAR","position" : 7}]
}

可以看到，逆天和我了个豆都无法正确分词。

所以要想正确分词，IK分词器的词库也需要不断的更新，IK分词器提供了扩展词汇的功能。

1）打开IK分词器config目录：

注意：如果采用在线安装的通过，默认是没有config目录的，可以去网上找一些词库，让后创建一个config文件目录放在config目录下

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><!--可以在这里配置自己的扩展字典 --><entry key="ext_dict">ext.dic</entry>
</properties>

3）新建ext.dic文件，用记事本或者其他编辑器打开ext.dic文件，然后添加自己想要的词语即可

4）重启elasticsearch

docker restart es# 查看 日志
docker logs -f elasticsearch

5.重启之后再次执行之前的命令，可以正确分词了

{"tokens" : [{"token" : "逆天","start_offset" : 0,"end_offset" : 2,"type" : "CN_WORD","position" : 0},{"token" : "依托答辩","start_offset" : 3,"end_offset" : 7,"type" : "CN_WORD","position" : 1},{"token" : "依托","start_offset" : 3,"end_offset" : 5,"type" : "CN_WORD","position" : 2},{"token" : "答辩","start_offset" : 5,"end_offset" : 7,"type" : "CN_WORD","position" : 3},{"token" : "我了个豆","start_offset" : 8,"end_offset" : 12,"type" : "CN_WORD","position" : 4}]
}

还可以在IKAnalyzer.cfg.xml加上如下配置：实现更多功能

<?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">stopword.dic</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>

RESTAPI使用

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：

Elasticsearch Clients | Elastic

由于ES目前最新版本是8.8，提供了全新版本的客户端，老版本的客户端已经被标记为过时。而我们采用的是7.12版本，因此只能使用老版本客户端：

然后选择7.12版本，HighLevelRestClient版本：

1.引入es的RestHighLevelClient依赖：

<dependency><groupId>org.elasticsearch.client</groupId><artifactId>elasticsearch-rest-high-level-client</artifactId><version>7.12.1</version>
</dependency>

2.初始化RestHighLevelClient：

public class IndexTest {private RestHighLevelClient client;@BeforeEachvoid setUp() {this.client = new RestHighLevelClient(RestClient.builder(HttpHost.create("http://192.168.181.32:9200")//es服务ip地址:端口号));}@Testvoid testConnect() {System.out.println(client);//执行不好错就行了}@AfterEachvoid tearDown() throws IOException {this.client.close();}
}

3.索引库相关操作：

public class ElasticIndexTest {private static final String MAPPING_TEMPLATE = """{"mappings": {"properties": {"id": {"type": "keyword"},"name": {"type": "text","analyzer": "ik_smart"},"price": {"type": "integer"},"image": {"type": "keyword","index": false},"category": {"type": "keyword"},"brand": {"type": "keyword"},"sold": {"type": "integer"},"commentCount": {"type": "integer","index": false},"isAD": {"type": "boolean"},"updateTime": {"type": "date"}}}}""";//JDK15新特性：三引号private RestHighLevelClient client;//创建@Testvoid testCreateIndex() throws IOException {//准备request对象CreateIndexRequest request = new CreateIndexRequest("items");//准备请求参数request.source(MAPPING_TEMPLATE, XContentType.JSON);//发送请求client.indices().create(request, RequestOptions.DEFAULT);}//判断是否存在@Testvoid testExistsndex() throws IOException {//准备request对象GetIndexRequest request = new GetIndexRequest("items");//发送请求boolean exists = client.indices().exists(request, RequestOptions.DEFAULT);System.out.println("exists = " + exists);}//删除@Testvoid testDeleteIndex() throws IOException {//准备request对象DeleteIndexRequest request = new DeleteIndexRequest("items");//发送请求client.indices().delete(request, RequestOptions.DEFAULT);}@BeforeEachvoid setUp() {client = new RestHighLevelClient(RestClient.builder(HttpHost.create("http://192.168.181.32:9200")));}@AfterEachvoid tearDown() throws IOException {if (client != null) {client.close();}}
}

4.文档相关操作：

package com.hmall.item.es;import cn.hutool.core.bean.BeanUtil;
import cn.hutool.json.JSONUtil;
import com.baomidou.mybatisplus.extension.plugins.pagination.Page;
import com.hmall.item.domain.po.Item;
import com.hmall.item.domain.po.ItemDoc;
import com.hmall.item.service.IItemService;
import org.apache.http.HttpHost;
import org.elasticsearch.action.bulk.BulkRequest;
import org.elasticsearch.action.delete.DeleteRequest;
import org.elasticsearch.action.get.GetRequest;
import org.elasticsearch.action.get.GetResponse;
import org.elasticsearch.action.index.IndexRequest;
import org.elasticsearch.action.update.UpdateRequest;
import org.elasticsearch.client.RequestOptions;
import org.elasticsearch.client.RestClient;
import org.elasticsearch.client.RestHighLevelClient;
import org.elasticsearch.common.xcontent.XContentType;
import org.junit.jupiter.api.AfterEach;
import org.junit.jupiter.api.BeforeEach;
import org.junit.jupiter.api.Test;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;import java.io.IOException;
import java.util.List;@SpringBootTest(properties = "spring.profiles.active=local")
public class ElasticDocumentTest {private RestHighLevelClient client;@Autowiredprivate IItemService itemService;@BeforeEachvoid setUp() {client = new RestHighLevelClient(RestClient.builder(HttpHost.create("http://192.168.181.32:9200")));}//创建文档@Testvoid createDoc() throws IOException {//准备文档数据//1.查询数据Item item = itemService.getById(577967L);//2.把数据库数据转成文档数据ItemDoc itemDoc = BeanUtil.copyProperties(item, ItemDoc.class);//准备request对象IndexRequest request = new IndexRequest("items").id(itemDoc.getId());//构建请求参数request.source(JSONUtil.toJsonStr(itemDoc), XContentType.JSON);//发送请求client.index(request, RequestOptions.DEFAULT);}//获取文档数据@Testvoid testGetDoc() throws IOException {//准备request对象GetRequest request = new GetRequest("items", "577967");//发送请求GetResponse response = client.get(request, RequestOptions.DEFAULT);//获取响应结果中的sourceString json = response.getSourceAsString();//转成java对象ItemDoc itemDoc = JSONUtil.toBean(json, ItemDoc.class);System.out.println("itemDoc = " + itemDoc);}//删除文档@Testvoid testDelDoc() throws IOException {//准备request对象DeleteRequest request = new DeleteRequest("items", "577967");//发送请求client.delete(request, RequestOptions.DEFAULT);}//修改文档数据@Testvoid testUpdateDoc() throws IOException {//准备request对象UpdateRequest request = new UpdateRequest("items", "577967");request.doc("price", 29900);//发送请求client.update(request, RequestOptions.DEFAULT);}//批量操作文档：新增@Testvoid testBulkDoc() throws IOException {int pageNo = 1, pageSize = 500;while (true) {Page<Item> page = itemService.lambdaQuery().eq(Item::getStatus, 1).page(Page.of(pageNo, pageSize));List<Item> records = page.getRecords();if (records == null || records.isEmpty()) {return;}//准备BulkRequest对象BulkRequest request = new BulkRequest();for (Item item : records) {//添加批量提交的请求request.add(new IndexRequest("items").id(item.getId().toString()).source(JSONUtil.toJsonStr(BeanUtil.copyProperties(item, ItemDoc.class)), XContentType.JSON));}//提交请求client.bulk(request, RequestOptions.DEFAULT);pageNo++;}}@AfterEachvoid tearDown() throws IOException {if (client != null) {client.close();}}
}

5.查询数据相关操作：

public class ElasticSearchTest {private RestHighLevelClient client;private static void parseResponseResult(SearchResponse response) {//得到命中的数据SearchHits hits = response.getHits();long total = hits.getTotalHits().value;System.out.println("total = " + total);for (SearchHit hit : hits) {//解析数据String json = hit.getSourceAsString();//封装itemDocItemDoc doc = JSONUtil.toBean(json, ItemDoc.class);//处理高亮字段Map<String, HighlightField> hfs = hit.getHighlightFields();if (hfs != null && !hfs.isEmpty()) {//更具高亮字段名获取高亮结果HighlightField hf = hfs.get("name");//用获取到的高亮值覆盖原来非高亮的字段值String hfName = hf.getFragments()[0].toString();doc.setName(hfName);}System.out.println("doc = " + doc);}}//查询全部@Testvoid testMatchAll() throws IOException {//创建SearchRequest request = new SearchRequest("items");//组织DSL查询参数request.source().query(QueryBuilders.matchAllQuery());//发送请求SearchResponse response = client.search(request, RequestOptions.DEFAULT);//解析结果parseResponseResult(response);}//根据条件查询：复合查询@Testvoid testSearch() throws IOException {//创建SearchRequest request = new SearchRequest("items");//组织DSL查询参数request.source().query(QueryBuilders.boolQuery().must(QueryBuilders.matchQuery("name", "脱脂牛奶")).filter(QueryBuilders.termQuery("brand", "德亚")).filter(QueryBuilders.rangeQuery("price").lt(30000)));//发送请求SearchResponse response = client.search(request, RequestOptions.DEFAULT);//解析结果parseResponseResult(response);}//分页排序@Testvoid testPageAndSort() throws IOException {int pageNo = 1, pageSize = 5;// 1.创建RequestSearchRequest request = new SearchRequest("items");// 2.组织请求参数// 2.1.搜索条件参数request.source().query(QueryBuilders.matchQuery("name", "脱脂牛奶"));// 2.2.排序参数request.source().sort("price", SortOrder.ASC);// 2.3.分页参数request.source().from((pageNo - 1) * pageSize).size(pageSize);// 3.发送请求SearchResponse response = client.search(request, RequestOptions.DEFAULT);// 4.解析响应parseResponseResult(response);}//根据条件获取高亮数据@Testvoid testHighlight() throws IOException {//创建SearchRequest request = new SearchRequest("items");//组织DSL查询参数//query条件request.source().query(QueryBuilders.matchQuery("name", "脱脂牛奶"));//高亮条件request.source().highlighter(SearchSourceBuilder.highlight().field("name"));//发送请求SearchResponse response = client.search(request, RequestOptions.DEFAULT);//解析结果parseResponseResult(response);}//数据聚合@Testvoid testAgg() throws IOException {//创建SearchRequest request = new SearchRequest("items");//组织DSL查询参数//query条件request.source().size(0);//聚合条件String brandAggName = "brandAgg";request.source().aggregation(AggregationBuilders.terms(brandAggName).field("brand").size(10));//发送请求SearchResponse response = client.search(request, RequestOptions.DEFAULT);//解析结果Aggregations aggregations = response.getAggregations();//根据聚合名称获取聚合Terms aggTerms = aggregations.get(brandAggName);//获取bucketsList<? extends Terms.Bucket> buckets = aggTerms.getBuckets();//遍历每一个bucketfor (Terms.Bucket bucket : buckets) {System.out.println("brand:"+bucket.getKeyAsString());System.out.println("count:"+bucket.getDocCount());}}@BeforeEachvoid setUp() {client = new RestHighLevelClient(RestClient.builder(HttpHost.create("http://192.168.181.32:9200")));}@AfterEachvoid tearDown() throws IOException {if (client != null) {client.close();}}
}