【ES從入門到實戰(zhàn)】二十六、全文檢索-ElasticSearch-整合-測試復雜檢索

接第25節(jié)

3、使用

在上一小節(jié)中實現(xiàn)了創(chuàng)建索引,這一小節(jié)來試一下數(shù)據(jù)的檢索功能。
在代碼中實現(xiàn) 搜索address中包含mill的所有人的年齡分布以及平均薪資 這個功能,如果是在 kibana 中,使用的是下面的DSL語句:

GET /bank/_search
{
  "query": { //查詢
    "match": {
      "address": "mill"
    }
  },
  "aggs": { //聚合
    "ageAgg": { //年齡分布
      "terms": {
        "field": "age",
        "size": 10 //只取10中聚合的結(jié)果
      }
    },
    "balanceAvg":{//平均薪資
      "avg": {
        "field": "balance"
      }
    }
  }
}

結(jié)果如下圖所示:


在這里插入圖片描述

要在 SpringBoot 集成環(huán)境中該如何實現(xiàn)呢?下面來使用代碼實現(xiàn)上面的功能。

1)、測試類 PafcmallSearchApplicationTests.java 中添加測試方法searchData()

/**
 * 檢索數(shù)據(jù)
 *
 * @throws IOException
 */
@Test
void searchData() throws IOException {
    // 1、創(chuàng)建檢索請求
    SearchRequest searchRequest = new SearchRequest();
    // 指定索引
    searchRequest.indices("bank");
    // 指定DSL,檢索條件
    SearchSourceBuilder searchSourceBuilder = new SearchSourceBuilder();
    // 1.1)、構(gòu)造檢索條件
    //        sourceBuilder.query(QueryBuilders.termQuery("user", "kimchy"));
    //        sourceBuilder.from(0);
    //        sourceBuilder.size(5);
    //        sourceBuilder.timeout(new TimeValue(60, TimeUnit.SECONDS));

    searchSourceBuilder.query(QueryBuilders.matchQuery("address","mill"));

    // 聚合數(shù)據(jù)
    // 1.2)、根據(jù)年齡分布聚合
    TermsAggregationBuilder ageAgg = AggregationBuilders.terms("ageAgg").field("age").size(10);
    searchSourceBuilder.aggregation(ageAgg);

    // 1.3)、計算平薪資
    AvgAggregationBuilder balanceAvg = AggregationBuilders.avg("balanceAvg").field("balance");
    searchSourceBuilder.aggregation(balanceAvg);

    System.out.println("檢索條件:"+searchSourceBuilder.toString());
    searchRequest.source(searchSourceBuilder);

    // 2、執(zhí)行檢索
    SearchResponse searchResponse = client.search(searchRequest, PafcmallElasticsearchConfig.COMMON_OPTIONS);

    // 3、分析結(jié)果 searchResponse
    System.out.println(searchResponse.toString());

    //3.1)、獲取所有查到的數(shù)據(jù)
    SearchHits hits = searchResponse.getHits(); // 獲取到最外圍的 hits
    SearchHit[] searchHits = hits.getHits(); // 內(nèi)圍的 hits 數(shù)組
    for (SearchHit hit : searchHits) {
        /**
             * "_index":"bank",
             *        "_type":"account",
             *        "_id":"970",
             *        "_score":5.4032025,
             *        "_source":{
             */
        //            hit.getIndex();hit.getType()''
        String str = hit.getSourceAsString();
        Account account = JSON.parseObject(str, Account.class);

        System.out.println(account.toString());

    }
    //3.1)、獲取這次檢索到的分析數(shù)據(jù)
    Aggregations aggregations = searchResponse.getAggregations();
    // 可以遍歷獲取聚合數(shù)據(jù)
    //        for (Aggregation aggregation : aggregations.asList()) {
    //            System.out.println("當前聚合:"+aggregation.getName());
    //            aggregation.getXxx
    //        }
    // 也可使使用下面的方式
    Terms ageAgg1 = aggregations.get("ageAgg");
    for (Terms.Bucket bucket : ageAgg1.getBuckets()) {
        String keyAsString = bucket.getKeyAsString();
        System.out.println("年齡:"+keyAsString+" ==> 有 "+bucket.getDocCount()+" 個");
    }

    Avg balanceAvg1 = aggregations.get("balanceAvg");
    System.out.println("平均薪資:"+balanceAvg);
}

2)、添加收集結(jié)果的測試類:

/**
 * 測試用賬號類
 */
@ToString
@Data
static class Account {
    private int account_number;
    private int balance;
    private String firstname;
    private String lastname;
    private int age;
    private String gender;
    private String address;
    private String employer;
    private String email;
    private String city;
    private String state;
}

3)、執(zhí)行測試方法,結(jié)果如下:


在這里插入圖片描述

在這里插入圖片描述

可以看到結(jié)果第一行中有一個 boost 參數(shù),這個是系統(tǒng)自動為我們添加的,之前在 kibana 中使用 DSL 語言檢索數(shù)據(jù)的時候是沒有的。那么這個 boost 到底是什么呢?
參考官方文檔,可以得出結(jié)論。
在這里插入圖片描述

在這里插入圖片描述

再來看查詢結(jié)果,使用 json 工具格式化可以看到返回符合條件的數(shù)據(jù)有 4 條,和之前 kibana 中查出的一致:


在這里插入圖片描述

以上,便是 SpringBoot 整合 ES 的全部內(nèi)容,更多高級用法可以參考 ES 的官方文檔進行嘗試。

更多檢索信息請參考 java-rest-high-search

參考文檔-java-rest

總結(jié)

當然 ES 的在實際的生產(chǎn)中應(yīng)用廣泛:

比如使用 ELK 組件用來進行日志的收集或者進行全文的檢索

在這里插入圖片描述

或者用來收集異常信息,做成可視化的界面來提供分析等:

在這里插入圖片描述

更多應(yīng)用場景,還需要和實際的生產(chǎn)結(jié)合起來,也需要我們自己去嘗試和探索。


參考:

Elasticsearch Reference

elastic

全文搜索引擎 Elasticsearch 入門教程

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
平臺聲明:文章內(nèi)容(如有圖片或視頻亦包括在內(nèi))由作者上傳并發(fā)布,文章內(nèi)容僅代表作者本人觀點,簡書系信息發(fā)布平臺,僅提供信息存儲服務(wù)。
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 229,460評論 6 538
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 99,067評論 3 423
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 177,467評論 0 382
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經(jīng)常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 63,468評論 1 316
  • 正文 為了忘掉前任,我火速辦了婚禮,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當我...
    茶點故事閱讀 72,184評論 6 410
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 55,582評論 1 325
  • 那天,我揣著相機與錄音,去河邊找鬼。 笑死,一個胖子當著我的面吹牛,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 43,616評論 3 444
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 42,794評論 0 289
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 49,343評論 1 335
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 41,096評論 3 356
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 43,291評論 1 371
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 38,863評論 5 362
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 44,513評論 3 348
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 34,941評論 0 28
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 36,190評論 1 291
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個月前我還...
    沈念sama閱讀 52,026評論 3 396
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 48,253評論 2 375