Elasticsearch 之数据索引

对于提供全文检索的工具来说，索引时一个关键的过程——只有通过索引操作，才能对数据进行分析存储、创建倒排索引，从而让使用者查询到相关的信息。

本篇就ES的数据索引操作相关的内容展开：

更多内容参考：Elasticsearch资料汇总

索引操作

最简单的用法就是指定索引操作的index索引、type类型、ID（需要区分动词的索引和名次的索引），参考下面的例子：

$ curl -XPUT 'http://localhost:9200/twitter/tweet/1' -d '{
    "user" : "kimchy",
    "post_date" : "2009-11-15T14:12:12",
    "message" : "trying out Elasticsearch"
}'

这样就在索引twitter中的tweet类型中存储了id为1的数据。

索引操作的结果为：

{
    "_shards" : {
        "total" : ,
        "failed" : ,
        "successful" :
    },
    "_index" : "twitter",
    "_type" : "tweet",
    "_id" : "",
    "_version" : ,
    "created" : true
}

上面的_shards中描述了分片相关的信息，即当前一共有10个分片（5个主分片，5个副分片，并且均可用）；以及index、type、id、version相关的信息。

自动创建索引

如果上面执行操作前，ES中没有twitter这个索引，那么默认会直接创建这个索引；并且type字段也会自动创建。也就是说，ES并不需要像传统的数据库事先定义表的结构。

每个索引中的类型都有一个mapping映射，这个映射是动态生成的，因此当增加新的字段时，会自动增加mapping的设置。

通过在配置文件中设置action.auto_create_index为false，可以关闭自动创建index这个功能。

自动创建索引功能，也可以设置黑名单或者白名单，比如：

设置action.auto_create_index为 +aaa*,-bbb*，'+'号意味着允许创建aaa开头的索引，'-'号意味着不允许创建bbb开头的索引。

关于版本号

版本号维护了一个文档的状态，我们只会针对最高版本号的文档进行操作。

文档号不仅可以在文档中进行存储，也可以在外部维护版本号，具体的参考官方文档吧....

操作类型op_type

ES通过参数op_type提供“缺少即加入”的功能，即如果ES中没有该文档，就进行索引；如果有了，则报错返回。

如果已经存在id为1的文档，则会报错，直接使用_create API，效果一样：

自动创建ID：

按照最上面的例子来说，ES会把我们指定的文档id做为ID。如果不指定ID，那么就会随机分配一个：

路由routing

ES是通过路由来进行查询的，一般一个查询会经过下面的过程：

1 节点接收请求，广播给每个分片

2 分片接收请求，进行计算，返回结果

3 合并消息，返回

如果我们设置了路由信息，就相当于告诉了ES，该去哪个分片查询数据，也就取消了广播合并这个过程，从而提高了查询的效率。使用方法：

$ curl -XPOST 'http://localhost:9200/twitter/tweet?routing=kimchy' -d '{
    "user" : "kimchy",
    "post_date" : "2009-11-15T14:12:12",
    "message" : "trying out Elasticsearch"
}'

路由是通过哈希来实现的，如果我们在索引的时候直接指定routing的值，就会按照这个值计算哈希值，分配分片；如果不指定，就会根据ID来分配。由于一般情况下ID都是随机生成的，这样就可以保证默认情况下分片的数据负载是相同的。如果我们需要在特定的分片保存特定的内容，就可以使用路由指定分片。不过这样做，日后随着数据量的增加，也可能会导致某个分片压力过大。

另外，也可以在定义mapping的时候，直接设置routing的相关值。这样这个类型中的数据如果不指定routing的值，默认就会使用mapping中定义的那个路由值。

parent设置父子关系

ES中可能会涉及到一些文档的从属关系，使用parent参数，可以设置这种关系：

$ curl -XPUT localhost:/blogs/blog_tag/?parent= -d '{
    "tag" : "something"
}'

_timestamp设置时间戳

时间戳字段可以也可以在索引操作时指定：

$ curl -XPUT localhost:/twitter/tweet/?timestamp=--15T14%3A12%3A12 -d '{
    "user" : "kimchy",
    "message" : "trying out Elasticsearch"
}'

如果没有手动指定时间戳，_source中也不存在时间戳，就会设置为索引指定的时间。不过需要指定mapping中的_timestamp设置为enable

PUT my_index
{
  "mappings": {
    "my_type": {
      "_timestamp": {
        "enabled": true
      }
    }
  }
}

ttl文档过期

ES中也可以设置文档自动过期，过期是设置一个正的时间间隔，然后以_timestamp为基准，如果超时，就会自动删除。

如果设置为时间戳：

curl -XPUT 'http://localhost:9200/twitter/tweet/1?ttl=86400000' -d '{
    "user": "kimchy",
    "message": "Trying out elasticsearch, so far so good?"
}'

如果设置为日期数学表达式：

curl -XPUT 'http://localhost:9200/twitter/tweet/1?ttl=1d' -d '{
    "user": "kimchy",
    "message": "Trying out elasticsearch, so far so good?"
}'

也可以在JSON字段中指定：

curl -XPUT 'http://localhost:9200/twitter/tweet/1' -d '{
    "_ttl": "1d",
    "user": "kimchy",
    "message": "Trying out elasticsearch, so far so good?"
}'

手动刷新

由于ES并不是一个实时索引搜索的框架，因此数据在索引操作后，需要等1秒钟才能搜索到。这里的搜索是指进行检索操作。如果你使用的是get这种API，就是真正的实时操作了。他们之间的不同是，检索可能还需要进行分析和计算分值相关性排序等操作。

为了在数据索引操作后，马上就能搜索到，也可以手动执行refresh操作。只要在API后面添加refresh=true即可。

这种操作仅推荐在特殊情况下使用，如果在大量所以操作中，每个操作都执行refresh，那是很耗费性能的。

Timeout超时

分片并不是随时可用的，当分片进行备份等操作时，是不能进行索引操作的。因此需要等待分片可用后，再进行操作。这时，就会出现一定的等待时间，如果超过等地时间则返回并抛出错误，这个等待时间可以通过timeout设置：

$ curl -XPUT 'http://localhost:9200/twitter/tweet/1?timeout=5m' -d '{
    "user" : "kimchy",
    "post_date" : "2009-11-15T14:12:12",
    "message" : "trying out Elasticsearch"
}'

以上便是索引操作相关的知识，还有一些高级的知识，比如分片和版本号详细的用法，由于对ES还是理解的不够透彻，就先不做过多的讲述了，免得错误太多。

如有异议，还请多多指正。