ES查询
一般我们使用ES最多的就是查询，今天就讲一下ES的查询。这里我是建了一个person的索引。
"person" : {
"aliases" : { },
"mappings" : {
"properties" : {
"address" : {
"type" : "text",
"fields" : {
"keyword" : {
"type" : "keyword",
"ignore_above" : 256
}
}
},
"age" : {
"type" : "long"
},
"name" : {
"type" : "text",
"fields" : {
"keyword" : {
"type" : "keyword",
"ignore_above" : 256
}
}
}
}
} 基本查询操作
1.查询所有数据并进行排序
GET person/_search
{
"query":{
"match_all": {}
},
"sort":{
"age":"desc"
}
} 说明：这里是一个GET请求，person代表索引，_search表示搜索(固定写法)。
"query"表示查询。“match_all”表示查询所有。后面的sort就表示要对查询结果进行排序。age 表示要排序的字段。而desc表示降序排序。asc升序排序。
结果说明：took表示查询花费时间(ms)，_shards分片信息。搜索了多少个分片。hits查询结果，tatoal.value搜索到了几个文档。
2.分页查询
主要就是用到一个from(第几页)，size(每页大小)。
GET person/_search
{
"query":{
"match_all": {}
},
"sort":{
"age":"desc"
},
"from":1,
"size":1
} 3.查询段落匹配
比如我们想查某个字段里面包好了某个字符串的话，就可以使用这种查询。比如我想查地址里面包含疾风的数据。
GET person/_search
{
"query":{
"match_phrase": {
"address": "疾风"
}
}
}
复合查询
1.多条件bool查询
通过布尔将较小的查询组合成大的查询。
如果存在多个查询条件就需要用到这种查询。比如我要查年龄为23岁，并且地址不在海南的人。这里查询注意格式，方括号大括号不能少，这是我觉得比较难受的一个点。
GET person/_search
{
"query":{
"bool":{
"must":[
{"match":{"age":"23"}}
],
"must_not": [
{"match": {
"address": "海南"
}}
]
}
}
} bool表示这是一个布尔查询，must和must_not表示必须满足和不满足，而里面的就是条件，必须匹配条件为年龄23，且地址不为海南的人。
特点：
-
子查询可以任意顺序出现。
-
可以嵌套多个查询，包括布尔查询
除了上面的must和must_not，还有should(选择性匹配至少满足一条)，filter过滤，必须匹配。
全文搜索
1.Match类型
使用match全文搜索
GET person/_search { "query": { "match": { "name": "冯" } } }这个查询首先回去判断name是text类型，text类型是会被分词的，那么查询字符串本身也会被分词。然后查询字符串会被传入标准分析器中，因为自由一个字所以这个查询的底层是单个的term查询。term查询会计算每个文档的相关度评分_score，如果是多个汉字是怎样？
GET person/_search { "query": { "match": { "name": "老板" } } }结果：
这里我并没有安装新的分词器，默认是一个汉字分成一个词。他可以等同如下查询：
他等同于should的两个term查询，只要满足任意一个就可以。其实match还有一个operator参数，默认是or，所以should也能查询出来，如果改成and就是需要同时满足.
等同于：
2.quert string类型
首先看例子
GET person/_search { "query": { "query_string": { "default_field": "address", "query": " 疾风 OR 达州" } } }GET person/_search { "query": { "query_string": { "default_field": "address", "query": "疾风 AND 归途" } } }上面两个查询仔细看很容易理解，query_string查询就是 根据运算符(and 或者 or)来解析和拆分字符串。然后查询在返回匹配的文档前独立分析每个拆分的文本。
除了这些查询外还有许多其他查询方式，这里这是讲了一种，以后再使用其他的时候可以对照理解。
term查询
1.基于单词的查询，基于id查询。
GET person/_search { "query": { "ids":{ "values":[1,2,3] } } }2.通过前缀查询
GET person/_search { "query": { "prefix": { "name": { "value": "冯" } } } }3.分词匹配查询
GET person/_search { "query": { "term": { "name": { "value": "老" } } } }多个分词匹配
这里我之前在项目代码里面遇到过，查询对接人通过职位编码来进行匹配，利用了这种查询。还是比较多用的
GET person/_search { "query": { "terms": { "name": [ "冯", "陈" ] } } }4.通配符：wildcard
GET person/_search { "query": { "wildcard": { "name": { "value": "冯*" } } } }范围查询
GET person/_search { "query": { "range": { "age": { "gte": 20, "lte": 30 } } } }5.正则：regexp
get person/_search { "query":{ "regexp": { "name": "冯*" } } }6.模糊匹配：fuzzy
get person/_search { "query":{ "fuzzy": { "address": { "value": "疾" } } } }聚合查询
聚合查询就是类似我们在SQL中的group by。聚合查询中有两个概念，一个是桶：满足特定条件的文档的集合。还有一个是指标：就是对桶内的文档进行统计计算。所以在ES里面有三种聚合方式：
1.桶聚合
2.指标聚合
3.管道聚合
首先准备一批数据：
POST /test-agg-cars/_bulk { "index": {}} { "price" : 10000, "color" : "red", "make" : "honda", "sold" : "2014-10-28" } { "index": {}} { "price" : 20000, "color" : "red", "make" : "honda", "sold" : "2014-11-05" } { "index": {}} { "price" : 30000, "color" : "green", "make" : "ford", "sold" : "2014-05-18" } { "index": {}} { "price" : 15000, "color" : "blue", "make" : "toyota", "sold" : "2014-07-02" } { "index": {}} { "price" : 12000, "color" : "green", "make" : "toyota", "sold" : "2014-08-19" } { "index": {}} { "price" : 20000, "color" : "red", "make" : "honda", "sold" : "2014-11-05" } { "index": {}} { "price" : 80000, "color" : "red", "make" : "bmw", "sold" : "2014-01-01" } { "index": {}} { "price" : 25000, "color" : "blue", "make" : "ford", "sold" : "2014-02-12" }1.标准聚合
比如说我们想得到每个颜色的销量
GET test-agg-cars/_search { "size":0, //siz指定为0，hits不会返回搜索结果 "aggs": { //聚合查询 "pop_colors": { //为聚合查询的结果指定一个想要的名称 "terms": { //定义桶的类型为terms（桶：满足特定条件的文档集合） "field": "color.keyword" //每个桶的key都与color字段里找到的唯一词对应 } } } }查询结果：
doc_count告诉我们每个包含该词项的文档数量。
2.多个聚合
计算两种桶的结果
GET /test-agg-cars/_search { "size": 0, "aggs":{ "pop_colors":{ "terms": { "field": "color.keyword" } }, "make_by":{ "terms": { "field": "make.keyword" } } } }查询结果
3.聚合嵌套
比如我们要查询每种颜色的平均价格，首先使用聚合查询每种颜色，然后再嵌套一个聚合查询每种颜色的平均价格。
GET test-agg-cars/_search { "size": 0, "aggs": { "colors": { "terms": { "field": "color.keyword" }, "aggs":{ "avg_price":{ "avg": { "field": "price" } } } } } }查询结果：
4.前置过滤条件：filter
比如我们只想查某一个类型的平均价格，可以先使用filter过滤出来，然后再使用一个嵌套聚合计算平均价格。
GET test-agg-cars/_search { "size": 0, "aggs":{ "make_by":{ "filter": { "term": { "make": "honda" } }, "aggs": { "avg_price": { "avg": { "field": "price" } } } } } }查询结果：
5.对number类型聚合：range
查询某一个范围。
{ "size":0, "aggs": { "price_ranges": { "range": { "field": "price", "ranges": [ { "from": 10000, "to": 15000 } ] } } } }结果：
6.对日期类型聚合
我觉得这种聚合查询应用的场景会比较多。查询某个时间范围内的数据。
GET test-agg-cars/_search { "size":0, "aggs": { "range": { "date_range": { "field": "sold", "ranges": [ { "from": "2014-10-28", "to": "2014-11-05" } ] } } } }结果：
聚合查询之metric聚合
metric聚合从分类上来看，可以分为单值分析和多值分析。
-
单值分析就是只输出一个分析结果，标准的stat型。
1.avg 平均值
2.max 最大值
3.min 最小值
4.sum 和
5.value_count 数量
其他类型 cardinality记述(distinct去重)，weighted_avg 带权重的avg。。。
-
多值分析
省略，因为我觉得不是很常用，到时候会查文档就行。
单值分析
avg平均值：计算平均值
GET person/_search { "size": 0, "aggs":{ "avg_age":{ "avg": { "field": "age" } } } } //返回结果 "aggregations" : { "avg_age" : { "value" : 30.857142857142858 } }max最大值：
GET person/_search { "size":0, "aggs": { "max_age": { "max": { "field": "age" } } } } //返回结果 "aggregations" : { "max_age" : { "value" : 40.0 }min最小值：与最大值类似
sum求和：
GET person/_search { "size":0, "aggs": { "sum_age": { "sum": { "field": "age" } } } } //返回结果 "aggregations" : { "sum_age" : { "value" : 216.0 } }Value_count数量
GET person/_search?size=0 { "aggs": { "name_count": { "value_count": { "field": "age" } } } } //返回结果 "aggregations" : { "sum_age" : { "value" : 216.0 } }目前就简单介绍了这些查询，其实在es官网可以看到很多不同的查询，包括管道啥之类的，但是我们以后使用的时候要知道大致的查询分为哪几类，然后每种查询得能在官网快速定位，然后通过例子学会使用并理解。
-
-