（黑马出品_07）SpringCloud+RabbitMQ+Docker+Redis+搜索+分布式

[此文档是在心向阳光的天域的博客加了一些有助于自己的知识体系，也欢迎大家关注这个大佬的博客](https://blog.csdn.net/sinat_38316216/category_12263516.html)

[是这个视频](https://www.bilibili.com/video/bv1lq4y127n4/?p=5&spm_id_from=pagedriver&vd_source=9beb0a2f0cec6f01c2433a881b54152c)

= = = = = = = = = = = = = = = 微服务技术分布式搜索 = = = = = = = = = = = = = = =

今日目标

1.数据聚合

聚合 可以让我们极其方便的实现对数据的统计、分析、运算。例如：

• 什么品牌的手机最受欢迎？
• 这些手机的平均价格、最高价格、最低价格？
• 这些手机每月的销售情况如何？

实现这些统计功能的比数据库的sql要方便的多，而且查询速度非常快，可以实现近实时搜索效果。

1.1.聚合的种类

聚合常见的有三类：

• 桶（bucket）聚合：用来对文档做分组

  • 

  • termaggregation：按照文档字段值分组，例如按照品牌值分组、按照国家分组

  • date histogram：按照日期阶梯分组，例如一周为一组，或者一月为一组

• 度量（metric）聚合：用以计算一些值，比如：最大值、最小值、平均值等

  • avg：求平均值
  • max：求最大值
  • min：求最小值
  • stats：同时求max、min、avg、sum等

• 管道（pipeline）聚合：其它聚合的结果为基础做聚合

1.2.dsl实现聚合

现在，我们要统计所有数据中的酒店品牌有几种，其实就是按照品牌对数据分组。此时可以根据酒店品牌的名称做聚合，也就是bucket聚合。

1.2.1.bucket聚合语法

语法如下：

get /hotel/_search
{
  "size": 0,  // 设置size为0，结果中不包含文档，只包含聚合结果
  "aggs": { // 定义聚合
    "brandagg": { //给聚合起个名字
      "terms": { // 聚合的类型，按照品牌值聚合，所以选择term
        "field": "brand", // 参与聚合的字段
        "size": 20 // 希望获取的聚合结果数量
      }
    }
  }
}

结果如图：

1.2.2.聚合结果排序

默认情况下，bucket聚合会统计bucket内的文档数量，记为_count，并且按照_count降序排序。
我们可以指定order属性，自定义聚合的排序方式：

get /hotel/_search
{
  "size": 0, 
  "aggs": {
    "brandagg": {
      "terms": {
        "field": "brand",
        "order": {
          "_count": "asc" // 按照_count升序排列
        },
        "size": 20
      }
    }
  }
}

1.2.3.限定聚合范围

默认情况下，bucket聚合是对索引库的所有文档做聚合，但真实场景下，用户会输入搜索条件，因此聚合必须是对搜索结果聚合。那么聚合必须添加限定条件。

我们可以限定要聚合的文档范围，只要添加query条件即可：

get /hotel/_search
{
  "query": {
    "range": {
      "price": {
        "lte": 200 // 只对200元以下的文档聚合
      }
    }
  }, 
  "size": 0, 
  "aggs": {
    "brandagg": {
      "terms": {
        "field": "brand",
        "size": 20
      }
    }
  }
}

这次，聚合得到的品牌明显变少了：

1.2.4.metric聚合语法

我们对酒店按照品牌分组，形成了一个个桶。现在我们需要对桶内的酒店做运算，获取每个品牌的用户评分的min、max、avg等值。

这就要用到metric聚合了，例如stat聚合：就可以获取min、max、avg等结果。

语法如下：

get /hotel/_search
{
  "size": 0, 
  "aggs": {
    "brandagg": { 
      "terms": { 
        "field": "brand", 
        "size": 20
      },
      "aggs": { // 是brands聚合的子聚合，也就是分组后对每组分别计算
        "score_stats": { // 聚合名称
          "stats": { // 聚合类型，这里stats可以计算min、max、avg等
            "field": "score" // 聚合字段，这里是score
          }
        }
      }
    }
  }
}

这次的score_stats聚合是在brandagg的聚合内部嵌套的子聚合。因为我们需要在每个桶分别计算。

另外，我们还可以给聚合结果做个排序，例如按照每个桶的酒店平均分做排序：

1.2.5.小结

aggs代表聚合，与query同级，此时query的作用是？

• 限定聚合的的文档范围

聚合必须的三要素：

• 聚合名称

• 聚合类型

• 聚合字段

聚合可配置属性有：

• size：指定聚合结果数量
• order：指定聚合结果排序方式
• field：指定聚合字段

1.3.restapi实现聚合

1.3.1.api语法

聚合条件与query条件同级别，因此需要使用request.source()来指定聚合条件。

聚合条件的语法：

聚合的结果也与查询结果不同，api也比较特殊。不过同样是json逐层解析：

最终代码
hotelsearchtest.java

 @test
    public void testaggregation() throws ioexception {
        // 1.准备request
        searchrequest searchrequest = new searchrequest("hotel");
        // 2.准备dsl
        searchrequest.source().size(0);
        searchrequest.source().aggregation(aggregationbuilders.terms("brandagg").field("brand").size(10).order(bucketorder.aggregation("_count", true)));

        // 3.发出请求
        searchresponse response = resthighlevelclient.search(searchrequest, requestoptions.default);

        // 4.给出结果
        //system.out.println(response);
        aggregations aggregations = response.getaggregations();
        terms brandterms = aggregations.get("brandagg");
        list<? extends terms.bucket> buckets = brandterms.getbuckets();
        for (terms.bucket bucket : buckets) {
            string brandname = bucket.getkeyasstring();
            system.out.println(brandname);
        }
    }

输出结果：

1.3.2.业务需求

需求：搜索页面的品牌、城市等信息不应该是在页面写死，而是通过聚合索引库中的酒店数据得来的：

分析：

如何得知搜索结果中包含哪些品牌？如何得知搜索结果中包含哪些城市？

查看浏览器可以发现，前端其实已经发出了这样的一个请求：

请求参数与搜索文档的参数完全一致。

返回值类型就是页面要展示的最终结果：

结果是一个map结构：

• key是字符串，城市、星级、品牌、价格
• value是集合，例如多个城市的名称

1.3.3.业务实现

在cn.itcast.hotel.web包的hotelcontroller中添加一个方法，遵循下面的要求：

• 请求方式：post
• 请求路径：/hotel/filters
• 请求参数：requestparams，与搜索文档的参数一致
• 返回值类型：map<string, list<string>>

代码：

    @postmapping("filters")
    public map<string, list<string>> getfilters(@requestbody requestparams params){
        return hotelservice.getfilters(params);
    }

这里调用了ihotelservice中的getfilters方法，尚未实现。
在cn.itcast.hotel.service.ihotelservice中定义新方法：

map<string, list<string>> filters(requestparams params);

在cn.itcast.hotel.service.impl.hotelservice中实现该方法：

@override
public map<string, list<string>> filters(requestparams params) {
    try {
        // 1.准备request
        searchrequest request = new searchrequest("hotel");
        // 2.准备dsl
        // 2.1.query
        buildbasicquery(params, request);
        // 2.2.设置size
        request.source().size(0);
        // 2.3.聚合
        buildaggregation(request);
        // 3.发出请求
        searchresponse response = client.search(request, requestoptions.default);
        // 4.解析结果
        map<string, list<string>> result = new hashmap<>();
        aggregations aggregations = response.getaggregations();
        // 4.1.根据品牌名称，获取品牌结果
        list<string> brandlist = getaggbyname(aggregations, "brandagg");
        result.put("brand", brandlist);
        // 4.2.根据品牌名称，获取品牌结果
        list<string> citylist = getaggbyname(aggregations, "cityagg");
        result.put("city", citylist);
        // 4.3.根据品牌名称，获取品牌结果
        list<string> starlist = getaggbyname(aggregations, "staragg");
        result.put("starname", starlist);

        return result;
    } catch (ioexception e) {
        throw new runtimeexception(e);
    }
}

private void buildaggregation(searchrequest request) {
    request.source().aggregation(aggregationbuilders
                                 .terms("brandagg")
                                 .field("brand")
                                 .size(100)
                                );
    request.source().aggregation(aggregationbuilders
                                 .terms("cityagg")
                                 .field("city")
                                 .size(100)
                                );
    request.source().aggregation(aggregationbuilders
                                 .terms("staragg")
                                 .field("starname")
                                 .size(100)
                                );
}

private list<string> getaggbyname(aggregations aggregations, string aggname) {
    // 4.1.根据聚合名称获取聚合结果
    terms brandterms = aggregations.get(aggname);
    // 4.2.获取buckets
    list<? extends terms.bucket> buckets = brandterms.getbuckets();
    // 4.3.遍历
    list<string> brandlist = new arraylist<>();
    for (terms.bucket bucket : buckets) {
        // 4.4.获取key
        string key = bucket.getkeyasstring();
        brandlist.add(key);
    }
    return brandlist;
}

查看结果：

2.自动补全

当用户在搜索框输入字符时，我们应该提示出与该字符有关的搜索项，如图：

这种根据用户输入的字母，提示完整词条的功能，就是自动补全了。
因为需要根据拼音字母来推断，因此要用到拼音分词功能。

2.1.拼音分词器

要实现根据字母做补全，就必须对文档按照拼音分词。在github上恰好有elasticsearch的拼音分词插件。地址：拼音分词器插件

课前资料中也提供了拼音分词器的安装包：

安装方式与ik分词器一样，分三步：
​①解压
​②上传到虚拟机中，elasticsearch的plugin目录
目录位置：
/var/lib/docker/volumes/es-plugins/_data

​③重启elasticsearch

docker restart es

​④测试
详细安装步骤可以参考ik分词器的安装过程。
测试用法如下：

post /_analyze
{
  "text": "如家酒店还不错",
  "analyzer": "pinyin"
}

结果：

可以看到拼音分词器存在问题
1.只有拼音没有汉字，拼音应该是锦上添花，而不能只有拼音
2.拼音没有实现分词，而是全称

基于以上的问题我们需要自定义拼音分词器

2.2.自定义分词器

默认的拼音分词器会将每个汉字单独分为拼音，而我们希望的是每个词条形成一组拼音，需要对拼音分词器做个性化定制，形成自定义分词器。

elasticsearch中分词器（analyzer）的组成包含三部分：

• character filters：在tokenizer之前对文本进行处理。例如删除字符、替换字符
• tokenizer：将文本按照一定的规则切割成词条（term）。例如keyword，就是不分词；还有ik_smart
• tokenizer filter：将tokenizer输出的词条做进一步处理。例如大小写转换、同义词处理、拼音处理等

文档分词时会依次由这三部分来处理文档：

声明自定义分词器的语法如下：

put /test
{
  "settings": {
    "analysis": {
      "analyzer": { // 自定义分词器
        "my_analyzer": {  // 分词器名称
          "tokenizer": "ik_max_word",
          "filter": "py"
        }
      },
      "filter": { // 自定义tokenizer filter
        "py": { // 过滤器名称
          "type": "pinyin", // 过滤器类型，这里是pinyin
		  "keep_full_pinyin": false,
          "keep_joined_full_pinyin": true,
          "keep_original": true,
          "limit_first_letter_length": 16,
          "remove_duplicated_term": true,
          "none_chinese_pinyin_tokenize": false
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "name": {
        "type": "text",
        "analyzer": "my_analyzer",
      }
    }
  }
}

测试：

另一种方式测试：

# 测试分词器
post /test/_doc/1
{
  "id" : 1,
  "name":"狮子"
}

post /test/_doc/2
{
  "id" : 2,
  "name":"虱子"
}

get /test/_search
{
  "query": {
    "match": {
      "name": "shizi"
    }
  }
}

测试结果：

我们搜索一下汉字呢，结果把虱子搜出来了，这显然是不对的

总结：

如何使用拼音分词器？

• ①下载pinyin分词器
• ②解压并放到elasticsearch的plugin目录
• ③重启即可

如何自定义分词器？

• ①创建索引库时，在settings中配置，可以包含三部分

• ②character filter

• ③tokenizer

• ④filter

拼音分词器注意事项？

• 为了避免搜索到同音字，搜索时不要使用拼音分词器
  
  解决方案：添加search_analyzer

put /test
{
  "settings": {
    "analysis": {
      "analyzer": { // 自定义分词器
        "my_analyzer": {  // 分词器名称
          "tokenizer": "ik_max_word",
          "filter": "py"
        }
      },
      "filter": { // 自定义tokenizer filter
        "py": { // 过滤器名称
          "type": "pinyin", // 过滤器类型，这里是pinyin
		  "keep_full_pinyin": false,
          "keep_joined_full_pinyin": true,
          "keep_original": true,
          "limit_first_letter_length": 16,
          "remove_duplicated_term": true,
          "none_chinese_pinyin_tokenize": false
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "name": {
        "type": "text",
        "analyzer": "my_analyzer",
        "search_analyzer": "ik_smart"
      }
    }
  }
}

再此搜索

2.3.自动补全查询

elasticsearch提供了completion suggester查询来实现自动补全功能。这个查询会匹配以用户输入内容开头的词条并返回。为了提高补全查询的效率，对于文档中字段的类型有一些约束：

• 参与补全查询的字段必须是completion类型。
• 字段的内容一般是用来补全的多个词条形成的数组。

可以把之前测试的索引库删除掉

delete /test

比如，一个这样的索引库：

// 创建索引库
put test
{
  "mappings": {
    "properties": {
      "title":{
        "type": "completion"
      }
    }
  }
}

然后插入下面的数据：

// 示例数据
post test/_doc
{
  "title": ["sony", "wh-1000xm3"]
}
post test/_doc
{
  "title": ["sk-ii", "pitera"]
}
post test/_doc
{
  "title": ["nintendo", "switch"]
}

查询的dsl语句如下：

// 自动补全查询
get /test/_search
{
  "suggest": {
    "title_suggest": {
      "text": "s", // 关键字
      "completion": {
        "field": "title", // 补全查询的字段
        "skip_duplicates": true, // 跳过重复的
        "size": 10 // 获取前10条结果
      }
    }
  }
}

查询后显示：

自动补全对字段的要求:

• 类型是completion类型
• 字段值是多词条的数组

2.4.实现酒店搜索框自动补全

现在，我们的hotel索引库还没有设置拼音分词器，需要修改索引库中的配置。但是我们知道索引库是无法修改的，只能删除然后重新创建。
另外，我们需要添加一个字段，用来做自动补全，将brand、suggestion、city等都放进去，作为自动补全的提示。

因此，总结一下，我们需要做的事情包括：

1. 修改hotel索引库结构，设置自定义拼音分词器
2. 修改索引库的name、all字段，使用自定义分词器
3. 索引库添加一个新字段suggestion，类型为completion类型，使用自定义的分词器
4. 给hoteldoc类添加suggestion字段，内容包含brand、business
5. 重新导入数据到hotel库

2.4.1.修改酒店映射结构

代码如下：
先删掉以前的索引库

delete /hotel

# 酒店数据索引库
put /hotel
{
  "settings": {
    "analysis": {
      "analyzer": {
        "text_anlyzer": {
          "tokenizer": "ik_max_word",
          "filter": "py"
        },
        "completion_analyzer": {
          "tokenizer": "keyword",
          "filter": "py"
        }
      },
      "filter": {
        "py": {
          "type": "pinyin",
          "keep_full_pinyin": false,
          "keep_joined_full_pinyin": true,
          "keep_original": true,
          "limit_first_letter_length": 16,
          "remove_duplicated_term": true,
          "none_chinese_pinyin_tokenize": false
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "id":{
        "type": "keyword"
      },
      "name":{
        "type": "text",
        "analyzer": "text_anlyzer",
        "search_analyzer": "ik_smart",
        "copy_to": "all"
      },
      "address":{
        "type": "keyword",
        "index": false
      },
      "price":{
        "type": "integer"
      },
      "score":{
        "type": "integer"
      },
      "brand":{
        "type": "keyword",
        "copy_to": "all"
      },
      "city":{
        "type": "keyword"
      },
      "starname":{
        "type": "keyword"
      },
      "business":{
        "type": "keyword",
        "copy_to": "all"
      },
      "location":{
        "type": "geo_point"
      },
      "pic":{
        "type": "keyword",
        "index": false
      },
      "all":{
        "type": "text",
        "analyzer": "text_anlyzer",
        "search_analyzer": "ik_smart"
      },
      "suggestion":{
          "type": "completion",
          "analyzer": "completion_analyzer"
      }
    }
  }
}

2.4.2.修改hoteldoc实体

hoteldoc中要添加一个字段，用来做自动补全，内容可以是酒店品牌、城市、商圈等信息。按照自动补全字段的要求，最好是这些字段的数组。

因此我们在hoteldoc中添加一个suggestion字段，类型为list<string>，然后将brand、city、business等信息放到里面。

代码如下：

package cn.itcast.hotel.pojo;

import lombok.data;
import lombok.noargsconstructor;

import java.util.arraylist;
import java.util.arrays;
import java.util.collections;
import java.util.list;

@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;
    private object distance;
    private boolean isad;
    private list<string> suggestion;

    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();
        this.suggestion = arrays.aslist(this.brand, this.business);
        
    }
}

2.4.3.重新导入

通过之前的单元测试批处理导入

重新执行之前编写的导入数据功能，可以看到新的酒店数据中包含了suggestion：但是如果包含了2个商圈，会是顿号，那我们需要将顿号分割

修改实体类hoteldoc.java
增加对顿号的分割

package cn.itcast.hotel.pojo;

import lombok.data;
import lombok.noargsconstructor;

import java.util.arraylist;
import java.util.arrays;
import java.util.collections;
import java.util.list;

@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;
    private object distance;
    private boolean isad;
    private list<string> suggestion;

    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();
        // 组装suggestion
        if(this.business.contains("/")){
            // business有多个值，需要切割
            string[] arr = this.business.split("、");
            // 添加元素
            this.suggestion = new arraylist<>();
            this.suggestion.add(this.brand);
            this.suggestion.add(this.city);
            collections.addall(this.suggestion, arr);
        }else {
            this.suggestion = arrays.aslist(this.brand, this.business, this.city);
        }
    }
}

然后查看结果：

另外测试一下自动补全

# 测试提示查询
get /hotel/_search
{
  "suggest": {
    "suggestions": {
      "text": "sd",
      "completion": {
        "field": "suggestion",
        "skip_duplicates" : true,
        "size" : 10
      }
    }
  }
}

查询结果：
都是sd开头的

2.4.4.自动补全查询的javaapi

之前我们学习了自动补全查询的dsl，而没有学习对应的javaapi，这里给出一个示例：

而自动补全的结果也比较特殊，解析的代码如下：

我们先编写一个测试类测试一下
修改hotelsearchtest.java

@test
    public void testsuggestionssearch() throws ioexception {
        // 1.准备searchrequest
        searchrequest searchrequest = new searchrequest("hotel");
        // 2.准备dsl
        searchrequest.source().suggest(new suggestbuilder().addsuggestion("suggestions",
                suggestbuilders.completionsuggestion("suggestion")
                        .prefix("sd").skipduplicates(true).size(10)));

        // 3.发送请求
        searchresponse response = resthighlevelclient.search(searchrequest, requestoptions.default);
        // 4.解析结果
        suggest suggest = response.getsuggest();
        completionsuggestion suggestions = suggest.getsuggestion("suggestions");
        list<completionsuggestion.entry.option> options = suggestions.getoptions();
        list<string> list = new arraylist<>(options.size());
        for (completionsuggestion.entry.option option : options) {
            string text = option.gettext().tostring();
            list.add(text);
        }
        system.out.println(list);
    }

查询结果：

2.4.5.实现搜索框自动补全

查看前端页面，可以发现当我们在输入框键入时，前端会发起ajax请求：

返回值是补全词条的集合，类型为list<string>

1）在cn.itcast.hotel.web包下的hotelcontroller中添加新接口，接收新的请求：

@getmapping("suggestion")
public list<string> getsuggestions(@requestparam("key") string prefix) {
    return hotelservice.getsuggestions(prefix);
}

2）在cn.itcast.hotel.service包下的ihotelservice中添加方法：

list<string> getsuggestions(string prefix);

3）在cn.itcast.hotel.service.impl.hotelservice中实现该方法：

@override
public list<string> getsuggestions(string prefix) {
    try {
        // 1.准备request
        searchrequest request = new searchrequest("hotel");
        // 2.准备dsl
        request.source().suggest(new suggestbuilder().addsuggestion(
            "suggestions",
            suggestbuilders.completionsuggestion("suggestion")
            .prefix(prefix)
            .skipduplicates(true)
            .size(10)
        ));
        // 3.发起请求
        searchresponse response = client.search(request, requestoptions.default);
        // 4.解析结果
        suggest suggest = response.getsuggest();
        // 4.1.根据补全查询名称，获取补全结果
        completionsuggestion suggestions = suggest.getsuggestion("suggestions");
        // 4.2.获取options
        list<completionsuggestion.entry.option> options = suggestions.getoptions();
        // 4.3.遍历
        list<string> list = new arraylist<>(options.size());
        for (completionsuggestion.entry.option option : options) {
            string text = option.gettext().tostring();
            list.add(text);
        }
        return list;
    } catch (ioexception e) {
        throw new runtimeexception(e);
    }
}

查询结果：

3.数据同步

elasticsearch中的酒店数据来自于mysql数据库，因此mysql数据发生改变时，elasticsearch也必须跟着改变，这个就是elasticsearch与mysql之间的数据同步。

3.1.思路分析

常见的数据同步方案有三种：

• 同步调用
• 异步通知
• 监听binlog

3.1.1.同步调用

方案一：同步调用

基本步骤如下：

• hotel-demo对外提供接口，用来修改elasticsearch中的数据
• 酒店管理服务在完成数据库操作后，直接调用hotel-demo提供的接口，

3.1.2.异步通知

方案二：异步通知

流程如下：

• hotel-admin对mysql数据库数据完成增、删、改后，发送mq消息
• hotel-demo监听mq，接收到消息后完成elasticsearch数据修改

3.1.3.监听binlog

方案三：监听binlog

流程如下：

• 给mysql开启binlog功能
• mysql完成增、删、改操作都会记录在binlog中
• hotel-demo基于canal监听binlog变化，实时更新elasticsearch中的内容

3.1.4.选择

方式一：同步调用

• 优点：实现简单，粗暴
• 缺点：业务耦合度高

方式二：异步通知

• 优点：低耦合，实现难度一般
• 缺点：依赖mq的可靠性

方式三：监听binlog

• 优点：完全解除服务间耦合
• 缺点：开启binlog增加数据库负担、实现复杂度高

3.2.实现数据同步

3.2.1.思路

利用课前资料提供的hotel-admin项目作为酒店管理的微服务。当酒店数据发生增、删、改时，要求对elasticsearch中数据也要完成相同操作。

步骤：

• 导入课前资料提供的hotel-admin项目，启动并测试酒店数据的crud
• 声明exchange、queue、routingkey
• 在hotel-admin中的增、删、改业务中完成消息发送
• 在hotel-demo中完成消息监听，并更新elasticsearch中数据
• 启动并测试数据同步功能

3.2.2.导入demo

导入课前资料提供的hotel-admin项目：

运行后，访问 http://localhost:8099

其中包含了酒店的crud功能：

3.2.3.声明交换机、队列

mq结构如图：

启动mq

docker start mq

1）引入依赖

在hotel-admin、hotel-demo中引入rabbitmq的依赖：

<!--amqp-->
<dependency>
    <groupid>org.springframework.boot</groupid>
    <artifactid>spring-boot-starter-amqp</artifactid>
</dependency>

2）声明队列交换机名称

在hotel-admin和hotel-demo中的cn.itcast.hotel.constatnts包下新建一个类mqconstants：

package cn.itcast.hotel.constatnts;

    public class mqconstants {
    /**
     * 交换机
     */
    public final static string hotel_exchange = "hotel.topic";
    /**
     * 监听新增和修改的队列
     */
    public final static string hotel_insert_queue = "hotel.insert.queue";
    /**
     * 监听删除的队列
     */
    public final static string hotel_delete_queue = "hotel.delete.queue";
    /**
     * 新增或修改的routingkey
     */
    public final static string hotel_insert_key = "hotel.insert";
    /**
     * 删除的routingkey
     */
    public final static string hotel_delete_key = "hotel.delete";
}

3）声明队列交换机

在hotel-demo和hotel-admin中分别定义配置类，声明队列、交换机：

package cn.itcast.hotel.config;

import cn.itcast.hotel.constants.mqconstants;
import org.springframework.amqp.core.binding;
import org.springframework.amqp.core.bindingbuilder;
import org.springframework.amqp.core.queue;
import org.springframework.amqp.core.topicexchange;
import org.springframework.context.annotation.bean;
import org.springframework.context.annotation.configuration;

@configuration
public class mqconfig {
    @bean
    public topicexchange topicexchange(){
        return new topicexchange(mqconstants.hotel_exchange, true, false);
    }

    @bean
    public queue insertqueue(){
        return new queue(mqconstants.hotel_insert_queue, true);
    }

    @bean
    public queue deletequeue(){
        return new queue(mqconstants.hotel_delete_queue, true);
    }

    @bean
    public binding insertqueuebinding(){
        return bindingbuilder.bind(insertqueue()).to(topicexchange()).with(mqconstants.hotel_insert_key);
    }

    @bean
    public binding deletequeuebinding(){
        return bindingbuilder.bind(deletequeue()).to(topicexchange()).with(mqconstants.hotel_delete_key);
    }
}

3.2.4.发送mq消息

在hotel-admin中的增、删、改业务中分别发送mq消息：

代码如下：

@postmapping
    public void savehotel(@requestbody hotel hotel) {
        hotelservice.save(hotel);
        rabbittemplate.convertandsend(mqconstant.hotel_exchange, mqconstant.hotel_insert_key, hotel.getid());
    }

    @putmapping()
    public void updatebyid(@requestbody hotel hotel) {
        if (hotel.getid() == null) {
            throw new invalidparameterexception("id不能为空");
        }
        hotelservice.updatebyid(hotel);
        rabbittemplate.convertandsend(mqconstant.hotel_exchange, mqconstant.hotel_insert_key, hotel.getid());
    }

    @deletemapping("/{id}")
    public void deletebyid(@pathvariable("id") long id) {
        hotelservice.removebyid(id);
        rabbittemplate.convertandsend(mqconstant.hotel_exchange, mqconstant.hotel_delete_key, id);
    }

3.2.5.接收mq消息

hotel-demo接收到mq消息要做的事情包括：

• 新增消息：根据传递的hotel的id查询hotel信息，然后新增一条数据到索引库
• 删除消息：根据传递的hotel的id删除索引库中的一条数据

1）首先在hotel-demo的cn.itcast.hotel.service包下的ihotelservice中新增新增、删除业务

void deletebyid(long id);
void insertbyid(long id);

2）给hotel-demo中的cn.itcast.hotel.service.impl包下的hotelservice中实现业务：

@override
public void deletebyid(long id) {
    try {
        // 1.准备request
        deleterequest request = new deleterequest("hotel", id.tostring());
        // 2.发送请求
        client.delete(request, requestoptions.default);
    } catch (ioexception e) {
        throw new runtimeexception(e);
    }
}

@override
public void insertbyid(long id) {
    try {
        // 0.根据id查询酒店数据
        hotel hotel = getbyid(id);
        // 转换为文档类型
        hoteldoc hoteldoc = new hoteldoc(hotel);

        // 1.准备request对象
        indexrequest request = new indexrequest("hotel").id(hotel.getid().tostring());
        // 2.准备json文档
        request.source(json.tojsonstring(hoteldoc), xcontenttype.json);
        // 3.发送请求
        client.index(request, requestoptions.default);
    } catch (ioexception e) {
        throw new runtimeexception(e);
    }
}

3）编写监听器

在hotel-demo中的cn.itcast.hotel.mq包新增一个类：

package cn.itcast.hotel.mq;

import cn.itcast.hotel.constants.mqconstants;
import cn.itcast.hotel.service.ihotelservice;
import org.springframework.amqp.rabbit.annotation.rabbitlistener;
import org.springframework.beans.factory.annotation.autowired;
import org.springframework.stereotype.component;

@component
public class hotellistener {

    @autowired
    private ihotelservice hotelservice;

    /**
     * 监听酒店新增或修改的业务
     * @param id 酒店id
     */
    @rabbitlistener(queues = mqconstants.hotel_insert_queue)
    public void listenhotelinsertorupdate(long id){
        hotelservice.insertbyid(id);
    }

    /**
     * 监听酒店删除的业务
     * @param id 酒店id
     */
    @rabbitlistener(queues = mqconstants.hotel_delete_queue)
    public void listenhoteldelete(long id){
        hotelservice.deletebyid(id);
    }
}

先启动springboot,查看mq的客户端，可以看到交换机

可以看到队列

绑定关系如下：

下面我们测试一下功能：
下载vue.js的浏览器插件，点击拓展

添加新拓展

搜索vue，下载vue.js devtools

先查看酒店id

然后我们去酒店管理中更改价格，更改为334

然后我们去mq的管理页面看一下有没有发送消息，发现确实有1条消息

看一下酒店查询页面，确实修改成功了

测试一下删除，我们删除这个上海希尔顿酒店，先拷贝一下vue的信息

然后去酒店管理中删除希尔顿酒店

删除后，我们查看mq的消息界面，发现删除消息新增了1条

我们去酒店搜索，发现希尔顿的确是没了，(原本13条)

然后我们再新增回希尔顿，查看一下

拷贝刚才粘贴的value即可

新增成功

新增后我们查看mq的管理，发现新增1条消息

最后查看酒店搜索，添加成功

4.集群

单机的elasticsearch做数据存储，必然面临两个问题：海量数据存储问题、单点故障问题。

• 海量数据存储问题：将索引库从逻辑上拆分为n个分片（shard），存储到多个节点
• 单点故障问题：将分片数据在不同节点备份（replica ）

es集群相关概念:

• 集群（cluster）：一组拥有共同的 cluster name 的 节点。

• 节点（node) ：集群中的一个 elasticearch 实例

• 分片（shard）：索引可以被拆分为不同的部分进行存储，称为分片。在集群环境下，一个索引的不同分片可以拆分到不同的节点中

解决问题：数据量太大，单点存储量有限的问题。

• 主分片（primary shard）：相对于副本分片的定义。

• 副本分片（replica shard）：每个主分片可以有一个或者多个副本，数据和主分片一样。

数据备份可以保证高可用，但是每个分片备份一份，所需要的节点数量就会翻一倍，成本实在是太高了！

为了在高可用和成本间寻求平衡，我们可以这样做：

• 首先对数据分片，存储到不同节点
• 然后对每个分片进行备份，放到对方节点，完成互相备份

这样可以大大减少所需要的服务节点数量，如图，我们以3分片，每个分片备份一份为例：

现在，每个分片都有1个备份，存储在3个节点：

• node0：保存了分片0和1
• node1：保存了分片0和2
• node2：保存了分片1和2

4.1.搭建es集群

参考课前资料的文档：

其中的第四章节：

1.部署es集群

我们会在单机上利用docker容器运行多个es实例来模拟es集群。不过生产环境推荐大家每一台服务节点仅部署一个es的实例。

部署es集群可以直接使用docker-compose来完成，但这要求你的linux虚拟机至少有4g的内存空间

1.1.创建es集群

首先编写一个docker-compose文件，内容如下：

version: '2.2'
services:
  es01:
    image: elasticsearch:7.12.1
    container_name: es01
    environment:
      - node.name=es01
      - cluster.name=es-docker-cluster
      - discovery.seed_hosts=es02,es03
      - cluster.initial_master_nodes=es01,es02,es03
      - "es_java_opts=-xms512m -xmx512m"
    volumes:
      - data01:/usr/share/elasticsearch/data
    ports:
      - 9200:9200
    networks:
      - elastic
  es02:
    image: elasticsearch:7.12.1
    container_name: es02
    environment:
      - node.name=es02
      - cluster.name=es-docker-cluster
      - discovery.seed_hosts=es01,es03
      - cluster.initial_master_nodes=es01,es02,es03
      - "es_java_opts=-xms512m -xmx512m"
    volumes:
      - data02:/usr/share/elasticsearch/data
    ports:
      - 9201:9200
    networks:
      - elastic
  es03:
    image: elasticsearch:7.12.1
    container_name: es03
    environment:
      - node.name=es03
      - cluster.name=es-docker-cluster
      - discovery.seed_hosts=es01,es02
      - cluster.initial_master_nodes=es01,es02,es03
      - "es_java_opts=-xms512m -xmx512m"
    volumes:
      - data03:/usr/share/elasticsearch/data
    networks:
      - elastic
    ports:
      - 9202:9200
volumes:
  data01:
    driver: local
  data02:
    driver: local
  data03:
    driver: local

networks:
  elastic:
    driver: bridge

es运行需要修改一些linux系统权限，修改/etc/sysctl.conf文件

vi /etc/sysctl.conf

添加下面的内容：

vm.max_map_count=262144

然后执行命令，让配置生效：

sysctl -p

通过docker-compose启动集群：

docker-compose up -d

查看容器状态

docker ps

1.2.集群状态监控

kibana可以监控es集群，不过新版本需要依赖es的x-pack 功能，配置比较复杂。

这里推荐使用cerebro来监控es集群状态，官方网址：https://github.com/lmenezes/cerebro

课前资料已经提供了安装包：

解压即可使用，非常方便。
解压好的目录如下：

进入对应的bin目录：

双击其中的cerebro.bat文件即可启动服务。

访问http://localhost:9000 即可进入管理界面：

输入你的elasticsearch的任意节点的地址和端口，点击connect即可：

绿色的条，代表集群处于绿色（健康状态）。

1.3.创建索引库

1）利用kibana的devtools创建索引库

在devtools中输入指令：

put /itcast
{
  "settings": {
    "number_of_shards": 3, // 分片数量
    "number_of_replicas": 1 // 副本数量
  },
  "mappings": {
    "properties": {
      // mapping映射定义 ...
    }
  }
}

2）利用cerebro创建索引库

利用cerebro还可以创建索引库：

填写索引库信息：

点击右下角的create按钮：

1.4.查看分片效果

回到首页，即可查看索引库分片效果：

4.2.集群脑裂问题

4.2.1.集群职责划分

elasticsearch中集群节点有不同的职责划分：

默认情况下，集群中的任何一个节点都同时具备上述四种角色。
但是真实的集群一定要将集群职责分离：

• master节点：对cpu要求高，但是内存要求第
• data节点：对cpu和内存要求都高
• coordinating节点：对网络带宽、cpu要求高
  职责分离可以让我们根据不同节点的需求分配不同的硬件去部署。而且避免业务之间的互相干扰。

一个典型的es集群职责划分如图：

4.2.2.脑裂问题

脑裂是因为集群中的节点失联导致的。

例如一个集群中，主节点与其它节点失联：

此时，node2和node3认为node1宕机，就会重新选主：

当node3当选后，集群继续对外提供服务，node2和node3自成集群，node1自成集群，两个集群数据不同步，出现数据差异。

当网络恢复后，因为集群中有两个master节点，集群状态的不一致，出现脑裂的情况：

解决脑裂的方案是，要求选票超过 ( eligible节点数量 + 1 ）/ 2 才能当选为主，因此eligible节点数量最好是奇数。对应配置项是discovery.zen.minimum_master_nodes，在es7.0以后，已经成为默认配置，因此一般不会发生脑裂问题

例如：3个节点形成的集群，选票必须超过 （3 + 1） / 2 ，也就是2票。node3得到node2和node3的选票，当选为主。node1只有自己1票，没有当选。集群中依然只有1个主节点，没有出现脑裂。

4.2.3.小结

master eligible节点的作用是什么？

• 参与集群选主

• 主节点可以管理集群状态、管理分片信息、处理创建和删除索引库的请求
  data节点的作用是什么？

• 数据的crud

coordinator节点的作用是什么？

• 路由请求到其它节点

• 合并查询到的结果，返回给用户

4.3.集群分布式存储

当新增文档时，应该保存到不同分片，保证数据均衡，那么coordinating node如何确定数据该存储到哪个分片呢？

4.3.1.分片存储测

插入三条数据：

测试可以看到，三条数据分别在不同分片：

结果：

4.3.2.分片存储原理

elasticsearch会通过hash算法来计算文档应该存储到哪个分片：

说明：

• _routing默认是文档的id
• 算法与分片数量有关，因此索引库一旦创建，分片数量不能修改！

新增文档的流程如下：

解读：

• 1）新增一个id=1的文档
• 2）对id做hash运算，假如得到的是2，则应该存储到shard-2
• 3）shard-2的主分片在node3节点，将数据路由到node3
• 4）保存文档
• 5）同步给shard-2的副本replica-2，在node2节点
• 6）返回结果给coordinating-node节点

4.4.集群分布式查询

elasticsearch的查询分成两个阶段：

• scatter phase：分散阶段，coordinating node会把请求分发到每一个分片

• gather phase：聚集阶段，coordinating node汇总data node的搜索结果，并处理为最终结果集返回给用户

4.5.集群故障转移

集群的master节点会监控集群中的节点状态，如果发现有节点宕机，会立即将宕机节点的分片数据迁移到其它节点，确保数据安全，这个叫做故障转移。

1）例如一个集群结构如图：

现在，node1是主节点，其它两个节点是从节点。

2）突然，node1发生了故障：

宕机后的第一件事，需要重新选主，例如选中了node2：

node2成为主节点后，会检测集群监控状态，发现：shard-1、shard-0没有副本节点。因此需要将node1上的数据迁移到node2、node3：