详解windows 环境下搭建electricSearch+kibana

苦尽甘没来 發表於 2021-5-10 16:18:15

详解windows 环境下搭建electricSearch+kibana

<p>1.ES7.3.2 + kibana + ik-smart 百度网盘下载地址：https://pan.baidu.com/s/1eCKTYoosXl8NfX37EwjyWA</p>
<p>提取码：ibcf</p>
<p>kibana 操作文档</p>
<div class="jb51code">
<pre class="brush:plain;">
GET _search
{
"query": {
"match_all": {}
}
}

### 查看集群健康信息
GET /_cat/health?v

### 帮助
GET /_cat/health?help

### 查看集群中节点信息
GET /_cat/nodes?v

### 查看集群中索引信息
GET /_cat/indices?v

### 精简信息
GET /_cat/indices?v&h=health,status,index

### 创建索引
PUT /baizhi

### 删除索引
DELETE /baizhi

### 创建类型mapping
POST /baizhi/user
{
"user": {
   "properties": {
   "id": { "type": "text"},
   "name": { "type": "text"},
   "age":    { "type": "integer" },
   "created":{
      "type": "date",
      "format": "strict_date_optional_time || epoch_millis"
   }
   }
}
}

### 查看类型mapping
GET /baizhi/_mapping

### 新增单个文档
PUT /baizhi/user/1
{
"name":"zs",
"title":"张三",
"age":18,
"created":"2018-12-25"
}

### 查询所有文档
GET /zpark/user/_search

### 指定id查询单个文档
GET /baizhi/user/1

### 修改单个文档
PUT /baizhi/user/1
{
"name": "lxs",
"title": "李小四"
}

### 删除单个文档
DELETE /baizhi/user/1

### 批量新增
POST /baizhi/user/_bulk
{"index":{}}
{"name":"ww","title":"王五","age":18,"created":"2018-12-27"}
{"index":{}}
{"name":"zl","title":"赵六","age":25,"created":"2018-12-27"}

### 批量删除
POST /baizhi/user/_bulk
{"update":{"_id":"K38E728BJ1QbWBSobMEC"}}
{"doc":{"title":"王小五"}}
{"delete":{"_id":"LH8E728BJ1QbWBSobMEC"}}

##############进阶##############

########### 查询(Query)

# 批量插入测试数据
POST /zpark/user/_bulk
{"index":{"_id":1}}
{"name":"zs","realname":"张三","age":18,"birthday":"2018-12-27","salary":1000.0,"address":"北京市昌平区沙阳路55号"}
{"index":{"_id":2}}
{"name":"ls","realname":"李四","age":20,"birthday":"2017-10-20","salary":5000.0,"address":"北京市朝阳区三里屯街道21号"}
{"index":{"_id":3}}
{"name":"ww","realname":"王五","age":25,"birthday":"2016-03-15","salary":4300.0,"address":"北京市海淀区中关村大街新中关商城2楼511室"}
{"index":{"_id":4}}
{"name":"zl","realname":"赵六","age":20,"birthday":"2003-04-19","salary":12300.0,"address":"北京市海淀区中关村软件园9号楼211室"}
{"index":{"_id":5}}
{"name":"tq","realname":"田七","age":35,"birthday":"2001-08-11","salary":1403.0,"address":"北京市海淀区西二旗地铁辉煌国际大厦负一楼"}

### 查看所有并按照年龄降序排列
GET /zpark/user/_search
{
"query": {
"match_all": {}
},
"sort": {
"age": "desc"
}
}

### 查询第2页的用户（每页显示2条）
GET /zpark/user/_search
{
"query": {
"match_all": {}
},
"sort": {
"age": "desc"
},
"from": 2,
"size": 2
}

### 查询address在海淀区的所有用户，并高亮
GET /zpark/user/_search
{
"query": {
"match": {
   "address": {
   "analyzer": "ik_max_word",
   "query": "海淀区"
   }
}
},
"highlight": {
"fields": {
   "address": {}
}
}
}

### 设置索引分词器
PUT /zpark
{
"settings" : {
   "index" : {
         "analysis.analyzer.default.type": "ik_smart"
   }
}
}

### 查询name是zs关键字的用户
GET /zpark/user/_search
{
"query":{
"term": {
   "name": {
   "value": "zs"
   }
}
}
}

### 查询年龄在20~30岁之间的用户
GET /zpark/user/_search
{
"query": {
"range": {
   "age": {
   "gte": 20,
   "lte": 30
   }
}
}
}

### 查询真实姓名以李开头的用户
GET /zpark/user/_search
{
"query": {
"prefix": {
   "realname": {
   "value": "李"
   }
}
}
}

### 查询名字以s结尾的用户
GET /zpark/user/_search
{
"query": {
"wildcard": {
   "name": {
   "value": "*s"
   }
}
}
}

### 查询id为1，2，3的用户
GET /zpark/user/_search
{
"query": {
"ids": {
   "values":
}
}
}

### 模糊查询realname中包含张关键字的用户
GET /zpark/user/_search
{
"query": {
"wildcard": {
   "realname": {"value": "*张*"}
}
}
}

### 查询age在15-30岁之间并且name必须通配z*
GET /zpark/user/_search
{
"query": {
"bool": {
   "must": [
   {
      "range": {
         "age": {
         "gte": 15,
         "lte": 30
         }
      }
   },
   {
      "wildcard": {
         "name": {
         "value": "z*"
         }
      }
   }
   ],
   "must_not": [
   {
      "regexp": {
         "name": ".*s"
      }
   }
   ]
}
}
}

############# 过滤器（Filter）
### 其实准确来说，ES中的查询操作分为2种：查询（query）和过滤（filter）。查询即是之前提到的query查询，它（查询）默认会计算每个返回文档的得分，然后根据得分排序。而过滤（filter）只会筛选出符合的文档，并不计算得分，且它可以缓存文档。所以，单从性能考虑，过滤比查询更快。

### 换句话说，过滤适合在大范围筛选数据，而查询则适合精确匹配数据。一般应用时，应先使用过滤操作过滤数据，然后使用查询匹配数据。

### 过滤器使用 ranage filter
GET /zpark/user/_search
{
"query":{
   "bool": {
   "must": [
      {"match_all": {}}
   ],
   "filter": {
      "range": {
         "age": {
         "gte": 25
         }
      }
   }
   }
}
}

### term、terms Filter term、terms的含义与查询时一致。term用于精确匹配、terms用于多词条匹配
GET /zpark/user/_search
{
"query":{
   "bool": {
   "must": [
      {"match_all": {}}
   ],
   "filter": {
      "terms": {
         "name": [
         "zs",
         "ls"
         ]
      }
   }
   }
}
}

### exists filter exists过滤指定字段没有值的文档
GET /zpark/user/_search
{
"query": {
"bool": {
   "must": [
   {
      "match_all": {}
   }
   ],
   "filter": {
   "exists": {
      "field": "salary"
   }
   }
}
},
"sort": [
{
   "_id": {
   "order": "asc"
   }
}
]
}

### ids filter需要过滤出若干指定_id的文档，可使用标识符过滤器(ids)
GET /zpark/user/_search
{
"query": {
"bool": {
   "must": [
   {
      "match": {
         "address": "昌平区"
      }
   }
   ],
   "filter": {
   "ids": {
      "values": [
         1,
         2,
         3
      ]
   }
   }
}
},"highlight": {
"fields": {
   "address": {}
}
}
}

#############聚合（Aggregations）
### 度量（metric）聚合
POST /zpark/user/_search
{
"aggs": {
"age_avg": {
   "avg": {"field": "age"}
}
}
}

### 先过滤，再进行统计，如：
POST /zpark/user/_search
{ "query": {
"ids": {
   "values":
}
},
"aggs": {
"age_avg": {
   "avg": {"field": "age"}
}
}
}

### 最大值查询。如：查询员工的最高工资
POST /zpark/user/_search
{
"aggs": {
"max_salary": {
   "max": {
   "field": "salary"
   }
}
}
}

### 统计查询，一次性统计出某个字段上的常用统计值
POST /zpark/user/_search
{
"aggs": {
"max_salary": {
   "stats": {
   "field": "salary"
   }
}
}
}

### 桶（bucketing）聚合自定义区间范围的聚合，我们可以自己手动地划分区间，ES会根据划分出来的区间将数据分配不同的区间上去。
###统计0-20岁，20-35岁，35~60岁用户人数
POST /zpark/user/_search
{
"aggs": {
"age_ranges": {
   "range": {
   "field": "age",
   "ranges": [
      {
         "from": 0,
         "to": 20
      },
      {
         "from": 20,
         "to": 35
      },
      {
         "from": 35,
         "to": 60
      }
   ]
   }
}
}
}

### 根据年龄分组，统计相同年龄的用户
POST /zpark/user/_search
{
"aggs": {
"age_counts":{
   "terms": {
   "field": "age",
   "size": 2
   }
}
}
}

### 时间区间聚合专门针对date类型的字段，它与Range Aggregation的主要区别是其可以使用时间运算表达式。

### now+10y：表示从现在开始的第10年。
### now+10M：表示从现在开始的第10个月。
### 1990-01-10||+20y：表示从1990-01-01开始后的第20年，即2010-01-01。
### now/y：表示在年位上做舍入运算。
### 统计生日在2018年、2017年、2016年的用户
POST /zpark/user/_search
{
"aggs": {
"date_counts": {
   "date_range": {
   "field": "birthday",
   "format": "yyyy-MM-dd",
   "ranges": [
      {
         "from": "now/y",
         "to": "now"
      },
      {
         "from": "now/y-1y",
         "to":"now/y"
      },
      {
         "from": "now/y-2y",
         "to":"now/y-1y"
      }
   ]
   }
}
}
}

### 嵌套使用
### 聚合操作是可以嵌套使用的。通过嵌套，可以使得metric类型的聚合操作作用在每一bucket上。我们可以使用ES的嵌套聚合操作来完成稍微复杂一点的统计功能。

### 如：统计每年中用户的最高工资
POST /zpark/user/_search
{
"aggs": {
"date_histogram": {
   "date_histogram": {
   "field": "birthday",
   "interval": "year",
   "format": "yyyy-MM-dd"
   },
   "aggs": {
   "salary_max": {
      "max": {
         "field": "salary"
      }
   }
   }
}
}
}</pre>
</div>
<p>到此这篇关于windows 环境下搭建electricSearch+kibana的文章就介绍到这了,更多相关windows 环境搭建electricSearch+kibana内容请搜索琼殿技术社区以前的文章或继续浏览下面的相关文章希望大家以后多多支持琼殿技术社区！</p>

                        <div class="art_xg">
                           <b>您可能感兴趣的文章:</b><ul><li>docker 部署 Elasticsearch kibana及ik分词器详解</li><li>如何在docker容器内部安装kibana分词器</li><li>docker安装elasticsearch和kibana的方法步骤</li><li>Docker下安装ElasticSearch和Kibana的示例代码</li><li>elasticsearch kibana简单查询讲解</li><li>详解Nginx反向代理实现Kibana登录认证功能</li><li>详解Docker下使用Elasticsearch可视化Kibana</li></ul>
                        </div>

                     </div>

頁: [1]

琼殿技术论坛's Archiver

详解windows 环境下搭建electricSearch+kibana