视频版本
视频已经由慕课网上传至B站，免费高清，地址为：https://www.bilibili.com/video/BV1Lz411b7cN。
以下都是文字版笔记。
《Elasticsearch极速入门与基于百度地图的geo地理位置搜索》
1. es介绍
-
互动：什么是搜索：- 百度谷歌，都是搜索引擎。
- 垂直搜索，站内，比如淘宝京东站内搜索商品。
-
什么是ES：
Elasticsearch 是一个分布式可扩展的实时搜索和分析引擎，底层基于lucene。- 可以存储文档，用于海量数据检索
- 可以近实时的分析数据
- 可扩展性（几百个节点甚至上千）相当强大。
- 结合ELK，实现日志收集
（架构师课程里有） - 地理位置geo信息搜索与监控和分析（常用于社交平台，物流快递，地图等场景）
-
可以互动：为什么要使用es如果用普通数据库，单表可以存多少数据比较合适？这个主要看自己自身业务，一般来说，1000万左右，但是6-700万的样子就可以开始逐步计划做数据库优化分库分表等。普通搜索基于数据库，数据库单表存储能力有限，数据量越多，搜索性能越低下- 数据库支持模糊搜索，全表扫描遍历（es基于倒排索引，根据词汇直接把对应的文档id搜索到然后把对应的数据查询出来），不支持高亮搜索
- 我在慕课网这个网站搜索
spring 短视频 - 词条：spring 短视频
- 数据库不支持分词搜索，es（搜索引擎）支持
- db搜索不如专业的搜索引擎靠谱
- 我在慕课网这个网站搜索
简单聊一聊倒排索引
2. es的核心术语与数据结构
- 核心术语
- ES --> 数据库（1）
- 索引index --> 表（2）
- 文档 document --> 行（记录）（3）
- 字段 fields --> 列（4）
类型type过期，也能作为表
- 数据结构，数据库表记录，对应es：
文档的数据如何体现，或者说是怎样的数据格式？
stu_index: [
stu_doc: {
id: 1001,
name: jack,
age: 19
},
{
id: 1002,
name: lucy,
age: 18
},
{
id: 1003,
name: lily,
age: 17
},
{
id: 1004,
name: lilei,
age: 20
}
]
3. es和head插件安装见慕课网手记
https://www.imooc.com/article/286936
这个基于centos6，架构师课程基于centos7
4. head插件，索引index创建与映射mappings创建
索引名: friends
分片与集群，健康度
*简称（附）
shard = primary shard（主分片）
replica = replica shard（副本分片）
演示使用head来进行索引的创建
-
主分片（shard）：把索引库拆分为多份，分别放在不同的节点上，比如有3个节点，3个节点的所有数据内容加在一起是一个完整的索引库。分别保存到三个节点上，目的为了水平扩展，提高吞吐量。也可以做到故障转移。ES自动管理和组织分片, 并在必要的时候对分片数据进行再平衡分配, 所以用户基本上无需担心分片的相关处理细节
-
副本分片（replica）：每个shard的备份。也可以称之为副本，ES默认为一个索引创建5个主分片, 并分别为其创建一个副本分片。意思就是说每个索引都由5个主分片（shard）形成，而每个主分片都相应的有一个备份（replica）。
-
分片机制
每个索引可以被分片，就相当于吃披萨的时候被切了好几块，然后分给不同的人吃，如下图所示：- 索引my_doc只有一个主分片；
- 索引shop有3个主分片；
- 索引shop2有5个主分片。
- 每个主分片都包含索引的数据，由于目前是单机，所以副本分片是没有的，这个时候集群健康值显示为黄色。
- 副本分片是主分片的备份，主挂了，备份还是可以访问，这就需要用到集群了。
- 同一个分片的主与副本是不会放在同一个服务器里的，因为一旦宕机，这个分片就没了
- 我不知道大家有没有玩过nas，这个数据存储有点像raid机制。
es 健康度
不同的颜色表示es不同的健康程度
- 绿色：集群健康，所有主分片和副本分片都是可用状态。
- 黄色：亚健康，所有的主分片可用，但是副本分片部分不可用。
- 红色：不健康，主分片部分不可用。
ES - GEO地理位置
0. 必学英文单词
- longitude: [ˈlɒŋɡɪtjuːd] 经度
- latitude: [ˈlætɪtuːd] 纬度
- 通过经纬度可以定位在地球上的某一个点
1. 拾取坐标
那么接下来我们可以通过地图来拾取一些坐标，当然如果是在app上，用户在进行搜索的时候，是会通过手机来获得当前的坐标点，通过这个坐标点来进行相关的搜索业务的。
-
注意：每个地图的坐标都是不同的，百度，谷歌，高德等自家的坐标系都是独立的。哪怕通过物理设备在室外拿到的坐标，也是需要根据一定的规范进行坐标转换才能针对不同的地图去使用。
-
http://lbsyun.baidu.com/ 百度地图api
-
http://lbsyun.baidu.com/cms/jsapi/reference/jsapi_reference.html 核心类参考
-
慕课网的文章参考：https://www.imooc.com/article/72571
2. 使用postman创建mappings映射
- userId: 用户id
- userName: 用户名
- geo: 用户上一次出现的位置
- place: 位置名称
POST /friends/_mapping (es6为/friends/_doc/_mapping)
{
"properties": {
"userId": {
"type": "long"
},
"userName": {
"type": "text"
},
"geo": {
"type": "geo_point"
},
"place": {
"type": "text"
}
}
}
3. 插入geo数据
POST /friends/_doc/{useId}
# 南京夫子庙
{
"userId": 1001,
"userName": "Iron Man",
"geo": {
"lon": 118.795263,
"lat": 32.02705
},
"place": "南京夫子庙"
}
# 南京书店
{
"userId": 1002,
"userName": "Thor",
"geo": {
"lon": 118.795708,
"lat": 32.027092
},
"place": "南京书店"
}
# 盐水鸭
{
"userId": 1003,
"userName": "Steve",
"geo": {
"lon": 118.796134,
"lat": 32.027861
},
"place": "盐水鸭"
}
# 鸡鸣寺
{
"userId": 1004,
"userName": "SpiderMan",
"geo": {
"lon": 118.801893,
"lat": 32.067251
},
"place": "鸡鸣寺"
}
# 南京古生物博物馆
{
"userId": 1005,
"userName": "BlackWidow",
"geo": {
"lon": 118.801592,
"lat": 32.065931
},
"place": "南京古生物博物馆"
}
# 鸡鸣山庄
{
"userId": 1006,
"userName": "Hawkeye",
"geo": {
"lon": 118.798659,
"lat": 32.068096
},
"place": "鸡鸣山庄"
}
# 北极阁公园
{
"userId": 1007,
"userName": "Hulk",
"geo": {
"lon": 118.797105,
"lat": 32.066134
},
"place": "北极阁公园"
}
# 南京大学
{
"userId": 1008,
"userName": "Magneto",
"geo": {
"lon": 118.797105,
"lat": 32.066134
},
"place": "南京大学"
}
# 南京邮电大学
{
"userId": 1009,
"userName": "GreenArrow",
"geo": {
"lon": 118.936814,
"lat": 32.121167
},
"place": "南京邮电大学"
}
# 南京师范大学
{
"userId": 1010,
"userName": "BatMan",
"geo": {
"lon": 118.916549,
"lat": 32.111014
},
"place": "南京师范大学"
}
4. 删除文档
DELETE /friends/_doc/{id}
5. 修改文档
-
局部：
POST /my_doc/_doc/1/_update { "doc": { "name": "慕课" } } -
全量替换：
PUT /my_doc/_doc/1 { "id": 1001, "name": "imooc-1", "desc": "imooc is very good, 慕课网非常牛！", "create_date": "2019-12-24"
}
```
6. 以矩阵的形式查询范围内的坐标
以左上和右下为基准所画的矩阵中，只要包含geo坐标点，就会被查询出来
- 左上：lon 118.789703，lat 32.030249
- 右下：lon 118.802171，lat 32.024341
GET /friends/_doc/_search
{
"query": {
"geo_bounding_box": {
"geo": {
"top_left": {
"lon": 118.789703,
"lat": 32.030249
},
"bottom_right": {
"lon": 118.802171,
"lat": 32.024341
}
}
}
}
}
7. 自定义区域搜索
使用场景：大气环境监测，国控的，激光雷达设备所组成的一个范围
GET /friends/_doc/_search
{
"query": {
"geo_polygon": {
"geo": {
"points": [
{"lon": 118.798533, "lat": 32.029269},
{"lon": 118.797221, "lat": 32.028427},
{"lon": 118.792748, "lat": 32.02555},
{"lon": 118.799449, "lat": 32.025634}
]
}
}
}
}
8. 从当前位置搜索一定范围内的朋友
互动：使用场景最多，比如：
- 微信摇一摇搜好友
- 探探app左滑右滑匹配好友
- 抖音显示同城附近好友所拍的短视频
- 携程app搜索附近酒店
- 大众点评搜索附近饭店
- 搜索附近空闲的共享单车
- 出租车叫车服务，查看车子到哪里了
- 物流app找车找货
GET /friends/_doc/_search
{
"query": {
"geo_distance": {
"distance": "50m/1km/10km",
"geo": {
"lon": 118.795739,
"lat": 32.026973
}
}
}
}
9. 搜索区间范围内的好友个数
常用于主动的推荐：
- 比如主动推荐说在一定范文内有多少个朋友你可能认识
- 比如主动推荐一定距离范文内有多少车源或者货源
用于统计距离某个点位置100米，500米，2公里范围内的坐标数量。
单位：一般用km或m
- distance_type：
- arc：最高精度
- plane：最高效率，精度略模糊
GET /friends/_doc/_search
{
"size": 0,
"aggs": {
"tongji": {
"geo_distance": {
"distance_type": "plane",
"field": "geo",
"origin": {
"lon": 118.79549,
"lat": 32.027042
},
"unit": "km",
"ranges": [
{
"from": 0,
"to": 1
},
{
"from": 1,
"to": 5
},
{
"from": 5,
"to": 100
}
]
}
}
}
}
共同学习，写下你的评论
评论加载中...
作者其他优质文章
相关文章推荐
