elasticsearch配合mysql实现全文搜索

之前用了sphinx，发现很多东西很久都没更新过了，之前只是知道有elasticsearch这个东西，还以为是java才能用，所以一直没有去了解过，也许sphinx慢慢会被淘汰了吧。

前置条件：需要安装jdk，并配置了 JAVA_HOME。

需要下载的东西

Elasticsearch：

https://www.elastic.co/products/elasticsearch

Logstash：

https://www.elastic.co/products/logstash

mysql-connector:

https://dev.mysql.com/downloads/connector/j/5.1.html

另外：可以安装 kibana，有更友好的数据展示。

elasticsearch、logstash、kibana 的安装在 mac 下可以 brew install

中文搜索需要安装中文分词插件（需要自己去github下载对应的版本 https://github.com/medcl/elasticsearch-analysis-ik/releases）：

bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v5.5.1/elasticsearch-analysis-ik-5.5.1.zip

logstash 和 mysql-connector 是用来实现同步 mysql 数据到 elasticsearch 的。

logstash 配置：https://github.com/elastic/logstash/issues/3429

logstash 需要安装 logstash-input-jdbc 插件：(这一步可能会卡很久，可能的原因是，这个插件使用ruby开发，安装过程需要下载 gem，但是国外的源太慢。)

logstash/bin/plugin install logstash-input-jdbc

logstash 的配置使用查看：https://github.com/elastic/logstash/issues/3429

下面是本机测试配置：

input {
  jdbc {
    jdbc_driver_library => "/usr/local/elasticsearch/plugins/logstash/mysql-connector-java-5.1.44-bin.jar"
    jdbc_driver_class => "com.mysql.jdbc.Driver"
    jdbc_connection_string => "jdbc:mysql://192.168.0.200:3306/vegent?characterEncoding=UTF-8&useSSL=false"
    jdbc_user => "test"
    jdbc_password => "test"
    statement => "SELECT * FROM vegent"
    jdbc_paging_enabled => "true"
    jdbc_page_size => "50000"
    schedule => "* * * * *"
  }
}
 
filter {
   json {
        source => "message"
        remove_field => ["message"]
    }
}
 
output {
  stdout {
    codec => rubydebug
  }
  elasticsearch {
    hosts => "192.168.0.200"
    index => "vegent"
  }
}

2018-06-02 更新：

上面的配置挖了个坑，因为没有限制条件，而且指定了 schedule，所以会一直插入重复索引。

网上有说加以下条件就可以了（没有实践，不指定是否可行）：

 WHERE id > :sql_last_value

启动Logstash：logstash -f logstash-mysql.conf ，这个logstash-mysql.conf 就是上面的配置。

查看elasticsearch是否同步数据成功：curl '192.168.0.200:9200/_cat/indices?v'，如果看到大小在增长则说明同步成功了。

附：解决 gem 下载慢的问题(使用淘宝源)

1、gem sources --add https://ruby.taobao.org/ --remove https://rubygems.org/

2、gem sources -l，确保只有 ruby.taobao.org，

如果 还是显示 https://rubygems.org/ 进入 home的 .gemrc 文件
sudo vim ~/.gemrc
手动删除 https://rubygems.org/

3、修改Gemfile的数据源地址，这个 Gemfile 位于 logstash 目录下，修改 source 的值 为： "https://ruby.taobao.org"，修改  Gemfile.jruby-1.9.lock， 找到 remote 修改它的值为： https://ruby.taobao.org (可能有几个 remote 出现，修改后面是 url 那个，替换掉 url)。

4、安装 logstash-input-jdbc，按上面的命令。

5、关于同步的问题，上面设置了一分钟一次，并且无条件同步，实际上是可以只同步那些更新过的数据的，这里还没来得及做深入研究。而且上面的配置还有个问题是，只做插入，而不是更新原有数据，这样其实并不是我们想要的结果。

更新：sql 语句里面可以配置只同步更新过的数据，但是这个更新需要我们去定义，好比如，数据库有一个 update_time 字段，我们更新的时候更新该字段(timestamp类型)，这样我们可以把 sql 语句写为 "SELECT * FROM vegent where update_time > :sql_last_value"，这个 sql_last_value 在这个时候会是上一次执行该 sql 的时间戳，这样也就实现了更新操作。另外还有一个问题是，elasticsearch 和 logstash 默认使用 UTC 时间戳，这样如果我们保存的是 PRC 时区的时间戳，这样就会有问题，因为这样 logstash 的同步语句中的时间戳是 -8:00 的，所以，还要在配置文件中加上：jdbc_default_timezone => "UTC"，最后如下：

最后发现这样虽然 sql 语句时间戳正常了，但是建立的索引里面的时间戳还是 UTC 的时间戳。

最后把 UTC 改为 PRC，最后都正常了，还是和上面一样的情况，索引里面的 @timestamp 还是 UTC 的时间戳。

google 了一下，发现这个好像是不能配置的。这样怎么办呢，也许可以保存 UTC 的时间戳吧，取数据的时候再转 PRC 。（后面证实了这个猜想有点多余，还是应该使用 UTC）

上图链接：https://discuss.elastic.co/t/how-to-set-timestamp-timezone/28401

另外一个猜想是：其实这个@timestamp 对我们的同步更新数据没影响，后来想想发现也是，其实没影响：

上图中， :sql_last_value 是我们上一次进行 sql 查询的时间。而不是我之前以为的索引里面的 @timestamp 字段，想想也对，如果索引有 100w 数据，那么我应该取那一条记录的 @timestamp 作为 :sql_last_value 呢？

所以结论还是，jdbc_default_timezone 使用 UTC 就可以了。有个需要注意的问题是 时间戳字段要使用 mysql 的timestamp。

jdbc {
    jdbc_driver_library => "/home/vagrant/logstash/mysql-connector-java-5.1.44-bin.jar"
    jdbc_driver_class => "com.mysql.jdbc.Driver"
    jdbc_connection_string => "jdbc:mysql://192.168.0.200:3306/test?characterEncoding=UTF-8&useSSL=false"
    jdbc_user => "test"
    jdbc_password => "test"
    jdbc_default_timezone => "UTC"
    statement => "SELECT * FROM test where update_time > :sql_last_value"
    jdbc_paging_enabled => "true"
    jdbc_page_size => "50000"
    schedule => "* * * * *"
  }

查询例子：

curl 'localhost:9200/vegent/_search?pretty=true'  -d '
{
  "query" : { "match" : { "type" : "冬瓜" }}
}'

输出(一部分)：

查询 type 字段包含了 "冬瓜" 的所有记录。vegent 是索引的名称。?pretty=true 是指定友好输出格式。

返回结果的 took字段表示该操作的耗时（单位为毫秒），timed_out字段表示是否超时，hits字段表示命中的记录，里面子字段的含义如下。
　　total：返回记录数，本例是487893条。
　　max_score：最高的匹配程度，本例是5.598418。
　　hits：返回的记录组成的数组。

logstash 文档地址：https://www.elastic.co/guide/en/logstash/index.html

其他问题：

1、无法远程连接，默认只允许本机连接，可以修改配置文件 elasticsearch/config/elasticsearch.yml

# Set the bind address to a specific IP (IPv4 or IPv6):
#
#network.host: 192.168.0.1
transport.host: localhost
transport.tcp.port: 9300
http.port: 9200
network.host: 0.0.0.0

2、上面的 "同步"，并不是真正的同步，当有新数据的时候，上面做的只是把新数据继续加到索引里面，而不是根据对应的 id 去删除原来的数据，这些需要自己做其他操作，目前还没做深入了解。