搜索技术在我们日常生活的方方面面都会用到，例如：
这些搜索业务有一些可以使用数据库来完成，有一些却不行。因此我们今天会学习一种新的搜索方案，解决海量数据、复杂业务的搜索。
要实现类似百度的复杂搜索，或者京东的商品搜索，如果使用传统的数据库存储数据，那么会存在一系列的问题：
但是，并不是说数据库就一无是处。在一些对业务有强数据一致性需求，事物需求的情况下，数据库是不可替代的。
只是在海量数据的搜索方面，需要有新的技术来解决，就是我们今天要学习的倒排索引技术。
倒排索引是一种特殊的数据索引方式，虽然于数据库存储的数据结构没有太大差别，但是在检索方式上却大不一样。
先来看两个概念：
例如，数据库中有下面的数据：
| id | title |
|---|---|
| 10 | 谷歌地图之父跳槽FaceBook |
| 20 | 谷歌地图之父加盟FaceBook |
| 30 | 谷歌地图创始人拉斯离开谷歌加盟Facebook |
| 40 | 谷歌地图之父跳槽Facebook与Wave项目取消有关 |
| 50 | 谷歌地图之父拉斯加盟社交网站Facebook |
那么这里的每一行数据就是一条文档，如：
| id | title |
|---|---|
| 10 | 谷歌地图之父跳槽FaceBook |
把标题字段分词，可以得到词语如：谷歌就是一个词条
现在，假设用户要搜索"谷歌创始人跳槽"，来看看倒排索引的传统查找在检索时的区别：
因为复杂搜索往往是模糊的查找，因此数据库索引基本都会实效，只能逐条数据判断。基本流程如下：
1）用户搜索数据，条件是title符合"谷歌创始人跳槽"
2）逐行获取数据，比如id为10的数据
3）判断数据中的title是否符合用户搜索条件
4）如果符合则放入结果集，不符合则丢弃。回到步骤1
如图：
如果有5条数据，则需要遍历并判断5次。如果有100万数据，则需要循环遍历和判断100万次。线性查找和判断，效率极差，一个10mb的硬盘文件，遍历一遍需要3秒。
倒排索引的数据存储方式与数据库类似，但检索方式不同。
先看看倒排索引如何处理数据。
文档列表：
首先，倒排索引需要把文档数据逐个编号（从0递增），存储到文档表中。并且给每一个编号创建索引，这样根据编号检索文档的速度会非常快。
词条列表（Term Dictionary）：
然后，对文档中的数据按照算法做分词，得到一个个的词条，记录词条和词条出现的文档的编号、位置、频率信息，如图：
然后给词条创建索引，这样根据词条匹配和检索的速度就非常快。
倒排索引的检索流程如下：
1）用户输入条件"谷歌创始人跳槽"进行搜索。
2）对用户输入内容分词，得到词条：谷歌、创始人、跳槽。
3）拿着词条到词条列表中查找，可以得到包含词条的文档编号：0、1、2、3、4。
4）拿着词条的编号到文档列表中查找具体文档。
如图：
虽然搜索会在两张表进行，但是每次都是根据索引查找，因此速度比传统搜索时的全表扫描速度要快的多。
在java语言中，对倒排索引的实现中最广为人知的就是Lucene了，目前主流的java搜索框架都是依赖Lucene来实现的。
企业生产中一般都会使用成熟的搜索产品，例如：Solr或者Elasticsearch，不过从性能来看Elasticsearch略胜一筹，因此我们今天的学习目标就是elasticsearch。
如果把Lucene比喻成一台发动机，那么Solr就是一台家用汽车，而Elasticsearch就是一台c超级跑车。
Elastic官网：https://www.elastic.co/cn/
Elastic是一系列产品的集合，比较知名的是ELK技术栈，其核心就是ElasticSearch：
Elasticsearch官网：https://www.elastic.co/cn/products/elasticsearch
Elasticsearch是一个基于Lucene的搜索web服务，对外提供了一系列的Rest风格的API接口。因此任何语言的客户端都可以通过发送Http请求来实现ElasticSearch的操作。
ES的主要优势特点如下：
使用ES的案例场景：
1、GitHub抛弃了Solr，采取ElasticSearch 来做PB级的搜索。 “GitHub使用ElasticSearch搜索20TB 的数据，包括13亿文件和1300亿行代码”
2、维基百科：启动以elasticsearch为基础的核心搜索架构
3、SoundCloud：“SoundCloud使用ElasticSearch为1.8亿用户提供即时而精准的音乐搜索服务”
4、百度：百度目前广泛使用ElasticSearch作为文本数据分析，采集百度所有服务器上的各类指标数据及用户自定义数据，通过对各种数据进行多维分析展示，辅助定位分析实例异常或业务层面异常。目前覆盖百度内部20多个业务线（包括casio、云分析、网盟、预测、文库、直达号、钱包、风控等），单集群最大100台机器，200个ES节点，每天导入30TB+数据。 新浪使用ES 分析处理32亿条实时日志。
5、阿里使用ES 构建自己的日志采集和分析体系
6、京东到家订单中心 Elasticsearch 演进历程
Elasticsearch 做为一款功能强大的分布式搜索引擎，支持近实时的存储、搜索数据，在京东到家订单系统中发挥着巨大作用，目前订单中心ES集群存储数据量达到10亿个文档，日均查询量达到5亿。
7、滴滴 2016 年初开始构建 Elasticsearch 平台，如今已经发展到超过 3500+ Elasticsearch 实例，超过 5PB 的数据存储，峰值写入 tps 超过了 2000w/s 的超大规模。
8、携程Elasticsearch应用案例
9、去哪儿：订单中心基于elasticsearch 的解决方案
。。。。。。。
本章是基于Docker安装
docker run -id --name elasticsearch \
-e "cluster.name=elastic-cluster" \
-e "http.host=0.0.0.0" \
-e "ES_JAVA_OPTS=-Xms512m -Xmx512m" \
-e "discovery.type=single-node" \
-e http.cors.enabled=true \
-e http.cors.allow-origin="*" \
-e http.cors.allow-headers=X-Requested-With,X-Auth-Token,Content-Type,Content-Length,Authorization \
-e http.cors.allow-credentials=true \
-v es-data:/usr/share/elasticsearch/data \
-v es-logs:/usr/share/elasticsearch/logs \
-v es-plugins:/usr/share/elasticsearch/plugins \
--privileged \
--hostname elasticsearch \
-p 9200:9200 -p 9300:9300 elasticsearch:7.4.2
命令解释：
-e "cluster.name=es-docker-cluster"：设置集群名称-e "http.host=0.0.0.0"：监听的地址，可以外网访问-e "ES_JAVA_OPTS=-Xms512m -Xmx512m"：内存大小-e "discovery.type=single-node"：非集群模式-v es-data:/usr/share/elasticsearch/data：挂载逻辑卷，绑定es的数据目录-v es-logs:/usr/share/elasticsearch/logs：挂载逻辑卷，绑定es的日志目录-v es-plugins:/usr/share/elasticsearch/plugins：挂载逻辑卷，绑定es的插件目录--privileged：授予逻辑卷访问权-p 9200:9200：端口映射配置restart相关参数如下：
选项 作用 –restart=no 不自动重启容器. (默认) –restart=on-failure 容器发生error而退出(容器退出状态不为0)重启容器 on-failure:3 在容器非正常退出时重启容器，最多重启3次 –restart=unless-stopped 在容器退出时总是重启容器，但是不考虑在Docker守护进程启动时就已经停止了的容器 –restart=always 在容器已经stop掉或Docker stoped/restarted的时候才重启容器 如果已经启动的容器项目，则使用update更新：
docker update --restart=always 容器名/ID防火墙配置：
# 开放端口 9200 9300 5601 firewall-cmd --zone=public --add-port=9200/tcp --permanent # 重启防火墙 firewall-cmd --reload # 查看放行端口 firewall-cmd --list-ports
ES提供了多种访问方式，官方推荐使用REST API,也是使用人数最多的访问方式。就是通过http协议，使用Restful的风格，按照es的api去操作数据，访问时我们需要传递给es json 参数,es处理后会给我们返回 json 的结果,不过浏览器不方便操作es 官方推荐使用kibana来操作ES
Kibana是一个基于Node.js的Elasticsearch索引库数据统计工具，可以利用Elasticsearch的聚合功能，生成各种图表，如柱形图，线状图，饼图等。
而且还提供了操作Elasticsearch索引数据的控制台，并且提供了一定的API提示，非常有利于我们学习Elasticsearch的语法。
# 可以指定es地址:-e ELASTICSEARCH_URL=http://192.168.200.150:9200
# es和kibana在同一docker下
# 可以直接: --link后面的 es容器的名称:elasticsearch
docker run -di --name kibana -p 5601:5601 --link elasticsearch:elasticsearch kibana:7.4.2
# Head 插件（了解） docker run -d --name es_admin -p 9100:9100 mobz/elasticsearch-head:5
输入地址访问：http://192.168.200.150:5601
根据我们之前讲解的倒排索引原理，当我们向elasticsearch插入一条文档数据时，elasticsearch需要对数据分词，分词到底如何完成呢？
ElasticSearch 内置分词器
kibana中可以测试分词器效果，我们来看看elasticsearch中的默认分词器。
在kibana的DevTools中输入一段命令：
POST /_analyze
{
"text": "学习java太棒了",
"analyzer": "standard"
}
请求代表的含义：
请求方式：POST
请求路径：_analyze，前面省略了http://127.0.0.1:9200，这个由Kibana帮我们补充
请求参数：风格，包含两个属性：
analyzer：分词器名称，standard是默认的标准分词器text：要分词的文本内容效果：
标准分词器并不能很好处理中文，一般我们会用第三方的分词器，例如：IK分词器。
IKAnalyzer是一个开源的，基于java语言开发的轻量级的中文分词工具包，是一个基于Maven构建的项目，具有60万字/秒的高速处理能力，支持用户词典扩展定义。
IK分词器的 地址：https://github.com/medcl/elasticsearch-analysis-ik， 安装非常简单。
IK分词器可以用ik_max_word和ik_smart两种方式，分词粒度不同。
1、安装ik插件（在线较慢）
# 进入容器内部
docker exec -it elasticsearch /bin/bash
# 在线下载并安装
./bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.4.2/elasticsearch-analysis-ik-7.4.2.zip
#退出
exit
#重启容器
docker restart elasticsearch
2、离线安装ik插件（推荐）
# 1、进入/var/lib/docker/volumes/es-plugins/_data/
cd /var/lib/docker/volumes/es-plugins/_data/
# 2、新建文件目录 ik 并且进入
mkdir ik
cd ik
# 3、解压elasticsearch-analysis-ik-7.4.2.zip
yum -y install unzip
unzip elasticsearch-analysis-ik-7.4.2.zip
# 4、重启容器
docker restart elasticsearch
# 查看es日志
docker logs -f elasticsearch
# 重启 Kibana
docker restart kibana
测试：
GET /_analyze
{
"analyzer": "ik_max_word",
"text": "程序员学习java太棒了"
}
结果：
{
"tokens" : [
{
"token" : "程序员",
"start_offset" : 2,
"end_offset" : 5,
"type" : "CN_WORD",
"position" : 1
},
{
"token" : "程序",
"start_offset" : 2,
"end_offset" : 4,
"type" : "CN_WORD",
"position" : 2
},
{
"token" : "员",
"start_offset" : 4,
"end_offset" : 5,
"type" : "CN_CHAR",
"position" : 3
},
{
"token" : "学习",
"start_offset" : 5,
"end_offset" : 7,
"type" : "CN_WORD",
"position" : 4
},
{
"token" : "java",
"start_offset" : 7,
"end_offset" : 11,
"type" : "ENGLISH",
"position" : 5
},
{
"token" : "太棒了",
"start_offset" : 11,
"end_offset" : 14,
"type" : "CN_WORD",
"position" : 6
},
{
"token" : "太棒",
"start_offset" : 11,
"end_offset" : 13,
"type" : "CN_WORD",
"position" : 7
},
{
"token" : "了",
"start_offset" : 13,
"end_offset" : 14,
"type" : "CN_CHAR",
"position" : 8
}
]
}
小结：
ik_smart：最小切分ik_max_word：最细切分随着社会的发展，在原有的词汇列表中不是一个词的，但是现在已经是一个词了。比如：“白富美”，“高富帅” 等。
所以我们的词汇也需要不断的更新，IK分词器提供了扩展词汇的功能。
1）打开IK分词器config目录：
2）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>
<!--用户可以在这里配置自己的扩展停止词字典-->
<entry key="ext_stopwords"></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>
3）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
程序员
高富帅
白富美
我是一个爱学习的程序员
4）重启elasticsearch
docker restart elasticsearch
docker restart kibana
# 查看 日志
docker logs -f elasticsearch
日志中已经成功加载ext.dic配置文件
5）测试效果：
GET /_analyze
{
"analyzer": "ik_max_word",
"text": "程序员里面也有高富帅，不知道有没有白富美"
}
注意当前文件的编码必须是 UTF-8 格式，严禁使用Windows记事本编辑
在互联网项目中，在网络间传输的速度很快，所以很多语言是不允许在网络上传递的，如：关于宗教、政治等敏感词语，那么我们在搜索时也应该忽略当前词汇。
IK分词器也提供了强大的停用词功能，让我们在索引时就直接忽略当前的停用词汇表中的内容。
1）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-->
<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 *** 添加停用词词典-->
<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>
3）在 stopword.dic 添加停用词
特朗普选举
4）重启elasticsearch
docker restart elasticsearch
docker restart kibana
# 查看 日志
docker logs -f elasticsearch
日志中已经成功加载stopword.dic配置文件
5）测试效果：
GET /_analyze
{
"analyzer": "ik_max_word",
"text": "特朗普选举失败"
}
注意当前文件的编码必须是 UTF-8 格式，严禁使用Windows记事本编辑