【微服务】第24节：初识搜索引擎 ElasticSearch_搜素引擎

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 hm-net \
  -p 9200:9200 \
  -p 9300:9300 \
  elasticsearch:7.12.1

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。

如果拉取镜像困难，可以直接导入课前资料提供的镜像tar包：

安装完成后，访问9200端口，即可看到响应的elasticsearch服务的基本信息：

1.1.2.安装kibana

通过下面的docker命令，即可部署kibana：

docker run -d \
--name kibana \
-e elasticsearch_hosts=http://es:9200 \
--network=hm-net \
-p 5601:5601  \
kibana:7.12.1

如果拉取镜像困难，可以直接导入课前资料提供的镜像tar包：

安装完成后，直接访问5601端口，即可看到控制台页面：

选择explore on my own之后，进入主页面：

然后选中dev tools，进入开发工具页面：

1.2.倒排索引

elasticsearch之所以有如此高性能的搜索表现，正是得益于底层的倒排索引技术。那么什么是倒排索引呢？

倒排索引的概念是基于mysql这样的正向索引而言的。

1.2.1.正向索引

我们先来回顾一下正向索引。

例如有一张名为tb_goods的表：

id	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
...	...	...

其中的id字段已经创建了索引，由于索引底层采用了b+树结构，因此我们根据id搜索的速度会非常快。但是其他字段例如title，只在叶子节点上存在。

因此要根据title搜索的时候只能遍历树中的每一个叶子节点，判断title数据是否符合要求。

比如用户的sql语句为：

select * from tb_goods where title like '%手机%';

那搜索的大概流程如图：

说明：

1）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

综上，根据id精确匹配时，可以走索引，查询效率较高。而当搜索条件为模糊匹配时，由于索引无法生效，导致从索引查询退化为全表扫描，效率很差。

因此，正向索引适合于根据索引字段的精确搜索，不适合基于部分词条的模糊匹配。

而倒排索引恰好解决的就是根据部分词条模糊匹配的问题。

1.2.2.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和应用，流程如下：

💠 将每一个文档的数据利用分词算法根据语义拆分，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，可以给词条创建正向索引

此时形成的这张以词条为索引的表，就是倒排索引表，两者对比如下：

正向索引

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
...	...	...

倒排索引

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

倒排索引的搜索流程如下（以搜索"华为手机"为例），如图：

流程描述：

1）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）。

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。

1.2.3.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。

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

1.3.基础概念

elasticsearch中有很多独有的概念，与mysql中略有差别，但也有相似之处。

1.3.1.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：

因此，原本数据库中的一行数据就是es中的一个json文档；而数据库中每行数据都包含很多列，这些列就转换为json文档中的字段（field）。

1.3.2.索引和映射

随着业务发展，需要在es中存储的文档也会越来越多，比如有商品的文档、用户的文档、订单文档等等：

所有文档都散乱存放显然非常混乱，也不方便管理。

因此，我们要将类型相同的文档集中在一起管理，称为索引（index）。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。

1.3.3.mysql与elasticsearch

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

如图：

那是不是说，我们学习了elasticsearch就不再需要mysql了呢？

并不是如此，两者各自有自己的擅长之处：

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

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

1.4.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。

1.4.1.安装ik分词器

方案一：在线安装

运行一个命令即可：

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

然后重启es容器：

docker restart es

方案二：离线安装

如果网速较差，也可以选择离线安装。

首先，查看之前安装的elasticsearch容器的plugins数据卷目录：

docker volume inspect es-plugins

结果如下：

[
    {
        "createdat": "2024-11-06t10:06:34+08:00",
        "driver": "local",
        "labels": null,
        "mountpoint": "/var/lib/docker/volumes/es-plugins/_data",
        "name": "es-plugins",
        "options": null,
        "scope": "local"
    }
]

可以看到elasticsearch的插件挂载到了/var/lib/docker/volumes/es-plugins/_data这个目录。我们需要把ik分词器上传至这个目录。

找到课前资料提供的ik分词器插件，课前资料提供了7.12.1版本的ik分词器压缩文件，你需要对其解压：

然后上传至虚拟机的/var/lib/docker/volumes/es-plugins/_data这个目录：

最后，重启es容器：

docker restart es

1.4.2.使用ik分词器

ik分词器包含两种模式：

*️⃣ ik_smart：智能语义切分
*️⃣ ik_max_word：最细粒度切分

我们在kibana的devtools上来测试分词器，首先测试elasticsearch官方提供的标准分词器：

post /_analyze
{
  "analyzer": "standard",
  "text": "学习java太棒了"
}

结果如下：

{
  "tokens" : [
    {
      "token" : "学",
      "start_offset" : 0,
      "end_offset" : 1,
      "type" : "<ideographic>",
      "position" : 0
    },
    {
      "token" : "习",
      "start_offset" : 1,
      "end_offset" : 2,
      "type" : "<ideographic>",
      "position" : 1
    },
    {
      "token" : "java",
      "start_offset" : 2,
      "end_offset" : 3,
      "type" : "<alphanum>",
      "position" : 2
    },
    {
      "token" : "太",
      "start_offset" : 3,
      "end_offset" : 4,
      "type" : "<ideographic>",
      "position" : 3
    },
    {
      "token" : "棒",
      "start_offset" : 4,
      "end_offset" : 5,
      "type" : "<ideographic>",
      "position" : 4
    },
    {
      "token" : "了",
      "start_offset" : 5,
      "end_offset" : 6,
      "type" : "<ideographic>",
      "position" : 5
    }
  ]
}

可以看到，标准分词器智能1字1词条，无法正确对中文做分词。

我们再测试ik分词器：

post /_analyze
{
  "analyzer": "ik_smart",
  "text": "学习java太棒了"
}

执行结果如下：

{
  "tokens" : [
    {
      "token" : "学习",
      "start_offset" : 0,
      "end_offset" : 2,
      "type" : "cn_word",
      "position" : 0
    },
    {
      "token" : "java",
      "start_offset" : 2,
      "end_offset" : 6,
      "type" : "english",
      "position" : 1
    },
    {
      "token" : "太棒了",
      "start_offset" : 6,
      "end_offset" : 9,
      "type" : "cn_word",
      "position" : 2
    }
  ]
}

1.4.3.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。比如：“泰裤辣”，“传智播客” 等。

ik分词器无法对这些词汇分词，测试一下：

post /_analyze
{
  "analyzer": "ik_max_word",
  "text": "优质创作者去认证,真的泰裤辣！"
}

结果：

{
  "tokens" : [
    {
      "token" : "优",
      "start_offset" : 0,
      "end_offset" : 1,
      "type" : "cn_char",
      "position" : 0
    },
    {
      "token" : "质",
      "start_offset" : 1,
      "end_offset" : 2,
      "type" : "cn_char",
      "position" : 1
    },
    {
      "token" : "创",
      "start_offset" : 2,
      "end_offset" : 3,
      "type" : "cn_char",
      "position" : 2
    },
    {
      "token" : "作者",
      "start_offset" : 3,
      "end_offset" : 4,
      "type" : "cn_char",
      "position" : 3
    },
    {
      "token" : "去",
      "start_offset" : 4,
      "end_offset" : 6,
      "type" : "cn_word",
      "position" : 4
    },
    {
      "token" : "认证",
      "start_offset" : 6,
      "end_offset" : 8,
      "type" : "cn_word",
      "position" : 5
    },
    {
      "token" : "真的",
      "start_offset" : 9,
      "end_offset" : 11,
      "type" : "cn_word",
      "position" : 6
    },
    {
      "token" : "泰",
      "start_offset" : 11,
      "end_offset" : 12,
      "type" : "cn_char",
      "position" : 7
    },
    {
      "token" : "裤",
      "start_offset" : 12,
      "end_offset" : 13,
      "type" : "cn_char",
      "position" : 8
    },
    {
      "token" : "辣",
      "start_offset" : 13,
      "end_offset" : 14,
      "type" : "cn_char",
      "position" : 9
    }
  ]
}

可以看到，优质创作者和泰裤辣都无法正确分词。

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，需要把课前资料提供的ik下的config上传至对应目录。

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）在ik分词器的config目录新建一个 ext.dic，可以参考config目录下复制一个配置文件进行修改

4）重启elasticsearch

docker restart es

# 查看 日志
docker logs -f elasticsearch

再次测试，可以发现传智播客和泰裤辣都正确分词了：

{
  "tokens" : [
    {
      "token" : "优质创作者",
      "start_offset" : 0,
      "end_offset" : 4,
      "type" : "cn_word",
      "position" : 0
    },
    {
      "token" : "去",
      "start_offset" : 4,
      "end_offset" : 6,
      "type" : "cn_word",
      "position" : 1
    },
    {
      "token" : "认证",
      "start_offset" : 6,
      "end_offset" : 8,
      "type" : "cn_word",
      "position" : 2
    },
    {
      "token" : "真的",
      "start_offset" : 9,
      "end_offset" : 11,
      "type" : "cn_word",
      "position" : 3
    },
    {
      "token" : "泰裤辣",
      "start_offset" : 11,
      "end_offset" : 14,
      "type" : "cn_word",
      "position" : 4
    }
  ]
}

1.4.4.总结

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。

【微服务】第24节：初识搜索引擎 ElasticSearch

2024年08月03日 • 搜素引擎 •我要评论

1.初识elasticsearch

1.1.认识和安装

1.1.1.安装elasticsearch