手记

ElasticSearch实践系列(三):探索数据

前言

经过前两篇文章得实践,我们已经了解了ElasticSearch的基础知识,本篇文章让我来操作一些更真实的数据集。
我们可以利用生成如下的文档结构:

  {    "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"}

加载简单数据集

我们可以下载es提供的数据集accounts.json,然后推送到ES集群


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

curl "localhost:9200/_cat/indices?v"

我们可以看到1000个文档已经索引到bank索引下了。

[root@XXXXX cusD]# curl "localhost:9200/_cat/indices?v"health status index     uuid                   pri rep docs.count docs.deleted store.size pri.store.size
yellow open   index     3BGZ895tTNa8qtM_nA3YmA   5   1          1            0      4.4kb          4.4kb
green  open   .kibana   qCbYeswVT2WCogz_E9Y3Ag   1   0          2            0     13.7kb         13.7kb
yellow open   customer  x57uWBR3Rg-w2_Dz7Djduw   5   1          1            0      4.5kb          4.5kb
yellow open   customerb 80DoY8e3RtinVNV4VGU4Cg   5   1          1            0      4.5kb          4.5kb
yellow open   best3     DPh-_bOLQBimS9jqWVyyjw   5   1          3            0     10.9kb         10.9kb
yellow open   best1     oD5uUlCbSnqevbRfLvl2Iw   5   1          1            0      5.5kb          5.5kb
yellow open   customer2 VyIXSBK6R9yHNYNDlsni3A   5   1          0            0      1.2kb          1.2kb
yellow open   customerc Nbglz5hbRO28jyt_XyPNTA   5   1          1            0      4.5kb          4.5kb
yellow open   cust      xuYth97RShixNtgNpbyxBA   5   1          1            0      4.4kb          4.4kb
yellow open   customerf osKgtSLxTPKblJW7mrmO0Q   5   1          1            0      5.1kb          5.1kb
yellow open   bank      Wrk49iM6TjGItiZKWdnzJA   5   1       1000            0    474.7kb        474.7kb
yellow open   customer3 101ZzeNmRuCn9d_NOx5oZg   5   1          0            0      1.2kb          1.2kb
yellow open   customere p2BWLci9Qz-1VnOh0vSSQA   5   1          2            0      7.6kb          7.6kb

搜索API

让我们开始运行一些简单的搜索api,有两种方式:

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

让我们分析下这个搜索请求。我们正在用_search搜索 bank索引。q=代表Es会匹配索引内的全部文档。sort=account_number:asc代表每个文档的字段以account_number升序对结果进行排序。pretty*代表结果以漂亮的json格式输出。
这里摘选部分结果

{  "took": 53,  "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",        "_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"
        },        "sort": [          0
        ]
      },
}
  • 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分片,以及搜索成功/失败分片的计数

  • 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._score并max_score- 暂时忽略这些字段
    也可以用Request Body方式执行搜索,格式如下:

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

介绍查询语言【Query Language】

Elasticsearch提供了一种JSON样式的特定于域的语言,可用于执行查询。这被称为查询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。
回到上面的例子,我们执行查询:

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

解析上面的内容,该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。该match_all查询仅仅是在指定索引的所有文件进行搜索。
除了query参数,我们还可以传递其他参数来影响搜索结果。在上面我们传入的部分的示例中 sort,我们传入size:

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

请注意,如果size未指定,则默认为10。
此示例执行一个 match_all并返回文档10到19:

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

from规定文档开始的索引,size指定了查询文档的大小。在实现分页时,这两个参数非常有用。from如果不传,默认为0。

下面的示例执行一个 match_all并按帐户余额降序对结果进行排序,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

上面我们已经看到了一些基本的查询示例,让我们再深入了解下QueryDSL。让我们来看下返回的json文档的字段。默认情况下会返回命中文档的所有字段。这被称为源(_source代表命中的字段)。有些情况下,我们只需要部分字段,如下:

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

下面我们来说说查询部分。之前我们讲过match_all是匹配所有文档,现在让我们了解一个match query,它能针对特定字段或字段集进行搜索。
下面这个示例能搜索account_number为20的数据:

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

此示例返回地址中包含术语“mill”或“lane”的所有帐户,这里格外注意【空格隔开的两个单词是or查询】:

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

此示例演示地址种包含“mill lane”的所有账户,【用match_phrase查询时,空格隔开的依然是一个单词】

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

然后我们继续介绍下 bool query,它允许我们使用布尔查询将更小的查询组合成更大的查询。
must 同时满足条件此示例组成两个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,该bool must子句指定必须为true才能将文档视为匹配的所有查询。

should或满足一个即可 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,该bool should子句指定了一个查询列表,其中任何一个查询都必须为true,才能将文档视为匹配项。

must_not都不包含 此示例组成两个match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" } }
      ]
    }
  }
}

我们可以在查询中同时组合must,should和must_not子句bool。此外,我们可以bool在任何这些bool子句中组合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

上面的示例中,我们跳过了一个称为文档分数的小细节(_score搜索结果中的字段)。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。

我们在上面示例介绍的bool查询还支持filter允许使用查询来限制将与其他子句匹配的文档的子句,而不会更改计算得分的方式。作为示例,让我们介绍一下range查询,它允许我们按一系列值过滤文档。一般数字或日期会用到range。
此示例使用bool查询返回余额大于或等于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器部分。
除了match_all,match,bool,和range查询,有很多可用的其他查询类型的,这里暂时不讲了,我们了解了大致的工作原理后,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功能。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,您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,因为您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,然后返回按计数降序排序的前10个(默认)states(也是默认值),(这里的group_by_state可理解成自定义的聚合名称,可以自定义改变):

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

在SQL中,上面的聚合类似:

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

返回结果如下。

{  "took": 0,  "timed_out": false,  "_shards": {    "total": 5,    "successful": 5,    "skipped": 0,    "failed": 0
  },  "hits": {    "total": 1000,    "max_score": 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key为ID的有27个账户,TX也是27个账户,AL的是25个账户,以此类推。
请注意,我们设置size=0为不显示搜索匹配,因为我们只希望在响应中看到聚合结果。
在前一个聚合的基础上,此示例按州计算平均帐户余额(同样仅针对按降序排序的前10个州):

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average_balance聚合内的group_by_state聚合。这是所有聚合的常见模式。您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。如果您想进行进一步的实验,聚合参考指南是一个很好的起点。



作者:范存威
链接:https://www.jianshu.com/p/fc8f0bb65b9f


0人推荐
随时随地看视频
慕课网APP