ElasticSearch
Elastcisearch 是分布式的文档存储。它能以实时的方式存储和检索复杂的数据结构——序列化成为JSON 文档。换句话说，一旦一个文档被存储在 Elasticsearch 中，它就是可以被集群中的任意节点检索到。
尽管现存的 NoSQL 解决方案允许我们以文档的形式存储对象，但是他们仍旧需要我们思考如何查询我们的数据，以及确定哪些字段需要被索引以加快数据检索。在 Elasticsearch 中， 每个字段的所有数据都是默认被索引的 。 即每个字段都有为了快速检索设置的专用倒排索引。而且，不像其他多数的数据库，它能在 同一个查询中 使用所有这些倒排索引，并以惊人的速度返回结果。
ES 的底层是开源库 Lucene，ES 是对 Lucene 的封装，对外提供了REST API的操作接口，外部调用就是向 ES 发送请求即可，做到开箱即用。
注意！！！ES7.x 已经移除 types(类似于 MySQL 中的表)的支持，8.x 将不再支持
注意 kibana、ES、IK 分词插件版本要对应，本文使用版本均为 6.8.4
一、基础概念
1、Index（索引）
动词：相当于 MySQL 中的 insert
名词：相当于 MySQL 中的 database
2、Type（类型）
在 Index（索引中），可以定义一个或多个类型。
类似于 MySQL 中的 Table，每一种类型的数据放在一起
3、Document（文档）
保存在某个索引（Index）下，某种类型（Type）的一个数据（Document）。ES 中每条记录是以 JSON 文档的格式存储的，相当于 MySQL 中的一条记录
4、倒排索引
就是每个分词对应于哪些文档的 id
插入一条记录，就会将该数据进行分词，然后每个分词都有对应一个记录，该记录记下该分词出现在哪些文档中
查询时也会将查询的语句进行分词，然后统计哪些记录命中的分词数多计算相关性得分，返回评分的结果列表。
二、Docker 安装
1、下载镜像文件
docker pull elasticsearch:7.4.2 # 存储和检索数据
docker pull kibana:7.4.2 # 可视化界面：方便可视化检索数据
2、创建 ES 实例
# 将docker中ES容器文件挂在到外部
mkdir -p /mydata/elasticsearch/config
mkdir -p /mydata/elasticsearch/data
mkdir -p /mydata/elasticsearch/plugins
chmod -R 777 /mydata
# 将ES配置为可以被远程的任何机器访问
echo "http.host: 0.0.0.0" >> /mydata/elasticsearch/config/elasticsearch.yml
# 9200端口为外面向ES发送REST API端口，9300为ES集群间相互通信端口
# discovery.type=single-node ES以单节点运行
# -Xms64m -Xmx128m 非常重要，不设置初始堆和最大堆的大小，ES会默认抢占所有内存，会造成卡死
# -v 将ES容器的文件关联到外面文件下，实现外面修改容器里面也同时修改，plugins实现以后在外面安装插件重启就可以了
docker run --name elasticsearch -p 9200:9200 -p 9300:9300 \
-e "discovery.type=single-node" \
-e ES_JAVA_OPTS="-Xms64m -Xmx512m" \
-v /mydata/elasticsearch/config/elasticsearch.yml:/usr/share/elasticsearch/config/elasticsearch.yml \
-v /mydata/elasticsearch/data:/usr/share/elasticsearch/data \
-v /mydata/elasticsearch/plugins:/usr/share/elasticsearch/plugins \
-d elasticsearch:6.8.4
# 服务如果没启动，查看启动日志
docker logs -f -t --tail 20 elasticsearch
# 如果是Caused by: java.nio.file.AccessDeniedException: /usr/share/elasticsearch/data/nodes
# 则使用以下语句授权
chmod 777 -R /mydata/elasticsearch/
# 自动重启
docker update elasticsearch --restart=always
浏览器访问虚拟机 IP+9200 端口出现以下界面即成功
3、安装 Kibana 实例（可视化界面）
# 这里的ip填写为虚拟机的ip 192.168.2.200，端口为前面ES容器内9200映射到宿主机的端口（前提是虚拟机关闭了防火墙，并且配置了桥接网络）
docker run --name kibana -e ELASTICSEARCH_HOSTS=http://192.168.2.200:9200 -p 5601:5601 -d kibana:6.8.4
docker update kibana --restart=always
浏览器访问http://192.168.2.200:5601（这里为虚拟机的ip）
三、ES 实践
ES 是以 REST API 提供服务，外界向接口发送请求即可
下面的地址默认前缀都为http://**192.168.2.200:9200**
1、查看结点信息
- GET /_cat/nodes 查看 ES 集群所有结点信息
- GET /_cat/health 查看 ES 集群健康
- GET /_cat/master 查看 ES 集群的主节点信息
- GET /_cat/indices 查看 ES 集群的所有索引信息（相当于 MySQL 中的 show databases）
2、索引一个文档（保存）
保存一个数据：保存在哪个索引的哪个类型下，指定用哪一个唯一标识，对应的数据以 JSON 形式放置在请求 Body。
请求方法：PUT 或 POST 都可以，PUT 时需要指定唯一标识（否则出错），POST 时可以指定唯一标识也可以不指定（ES 会分配一个唯一标识）
- PUT customer/external/1
{
"name": "John Doe"
}
响应：
{
"_index": "customer", // 索引：对应MySQL中的数据库
"_type": "external", // 类型：对应MySQL中的表
"_id": "1", // 标识
"_version": 1, // 版本号：发送多次则是一个更新操作，版本号会逐渐加1递增
"result": "created", // 结果：第一次发送为created，第二次及以后则是更新updated，与Map相似
"_shards": {
// 分片：集群时会用到
"total": 2,
"successful": 1,
"failed": 0
},
"_seq_no": 0,
"_primary_term": 1
}
| 保存/更新 | 携带 id | 不携带 id |
|---|---|---|
| PUT | 必须项，更新保存二合一 | 报错 |
| POST | 非必须，更新保存二合一 | 新增操作 |
3、查询数据
GET /customer/external/1
响应：
{
"_index": "customer",
"_type": "external",
"_id": "1",
"_version": 5,
"_seq_no": 5, //并发控制字段，序列号（每次更新自动加1），与_primary_term搭配可以作为乐观锁
"_primary_term": 1, // 主分片，主分片重新分配，如重启，就会变化
"found": true,
"_source": {
// 数据真正内容在_source中
"name": "John Doe"
}
}
更新操作（乐观锁）携带上 ?if_seq_no=#{当前的版本号}&if_primary_term=1
乐观锁(CAS)举例：
例如两个线程多时发起 PUT 操作同一个文档，两个请求都先发起查询，发现当前文档版本号_seq_no 为 5，故同时发起 PUT 请求，仅在版本号为 1 时才 PUT 更新。
当第一个请求先达到 ES，发现版本号为 5 与自己预料的是正确的的，则将 name 修改为了 1，此时版本号_seq_no 会自动加一个随机数，改为了 8；
第二个请求后随后到达，准备将 name 修改 2，但是发现此时的版本号为 8 与自己预料的版本号 5 对不上，则该 PUT 操作就不会执行，会显示 409 错误码。
- PUT customer/external/1?if_seq_no=5&if_primary_term=1 {“name”:”1”}
- PUT customer/external/1?if_seq_no=5&if_primary_term=1 {“name”:”2”}
4、更新数据
- POST customer/external/1/_update
请求体为：
{
“doc”:{
“name”: “John”
}
}
- POST customer/external/1
请求体为：
{
“name”: “John”
}
PUT customer/external/1
请求体为{
“name”: “John”
}
不同点：
1.POST 发送请求携带上 update，请求体需要“doc”字段，doc 下才是文档数据
2.POST 发送请求携带上 update，会对比要更新的数据，如果不存在则会将请求体数据创建
如果存在
- 对比数据相同：则什么也不做，version、seq_no 都不会发生变化
- 对比数据不相同：发生更新操作，此时版本号才会发生变化（只有对比更新的数据有不同，才会进行更新）
3.POST 不携带 update 和 PUT 请求，原来数据存在的话，都会发生更新，不会去进行对比，不存在就会创建
共同点： 1.都可以在原来的基础上，更新增加属性
5、删除文档&索引
ES 中没有直接删除类型 Type
- DELETE /customer/external/1 删除文档
- DELETE /customer 删除索引
6、bulk 批量 API
在 kibana 中批量操作形式为：
- 其中 action 可选为 index/create/update/delete
- 其中 metadata 可选为_index,_type,_id
- 其中 requestbody 为数据
create 和 index 的区别：
如果数据存在，使用 create 操作失败，会提示文档已经存在，使用 index 则可以执行成功，如果存在会进行覆盖
bulk 批量操作，一个操作失败不会影响后续的操作
{"action": {metedta}}
{requestbody}
{"action": {metedta}}
{requestbody}
举例：
- POST customer/external/_bulk
{"index": {"_id": 1}}
{"name": "1"}
{"index": {"_id": 2}}
{"name": "2"}
- POST _bulk
{"delete": {"_index":"website", "_type":"blog","_id":"123"}} // 删除数据，初次会提示404，但不影响后续的操作
{"create": {"_index":"website", "_type":"blog","_id":123}} // 创建数据
{"title":"My first blog post"}
{"index": {"_index":"website","_type":"blog"}} // 插入数据
{"title": "My second blog post"}
{"update":{"_index":"website", "_type":"blog","_id":"123"}} // 更新数据
{"doc":{"title":"My updated blog post"}}
四、复杂检索
首先批量导入数据 POST /bank/account/_bulk
https://raw.githubusercontent.com/elastic/elasticsearch/master/docs/src/test/resources/accounts.json
支持两种方式：
- 将请求检索参数防止在 GET 请求路径背后 例如：
- GET /bank/_search?q=*&sort=account_number:sort
- 将请求检索参数放置在请求体中
- GET bank/_search
{
"query": {
"match_all":{}
},
"sort":[
{
"account_number": "asc"
}
]
}
1）基本语法格式
ES 提供了一个可以执行查询的 json 风格的 DSL（domain-specific language 领域特定语言），也被称为 Query DSL。
1、全记录分页排序查询
# 分页查询 from和size相当于MySQL中的limit
GET bank/_search
{
"query": {
"match_all":{}
},
"sort": [
{
"balance": {
"order": "desc"
}
}
],
"from": 0,
"size": 5
}
2、特定字段分页排序查询
# 查询特定字段的分页查询，_source指定查询字段
GET bank/_search
{
"query": {
"match_all":{}
},
"sort": [
{
"balance": {
"order": "desc"
}
}
],
"from": 0,
"size": 5,
"_source": ["balance","firstname"]
}
3、match 查询、term 查询
term 查询，和 match 一样匹配某个属性的值，区别在于：
- term 查询只能用于查询非文本字段，查询文本字段会始终显示结果数为 0；或者 term 与 keyword 搭配，查询全量字符串
- 文本字段全文检索字段用 match
官方推荐：term 用于查询非文本字段，match 用于查询文本字段
# match用在字段为数字上相当于精确查询
GET bank/_search
{
"query": {
"match": {
"account_number": 20
}
}
}
# match模糊检索，会对检索条件进行分词匹配，不指定排序的话，结果会按照评分进行排序
GET bank/_search
{
"query": {
"match": {
"address": "mill lane"
}
}
}
# match全文检索，指定了排序则会按照排序字段进行排序
GET bank/_search
{
"query": {
"match": {
"address": "mill lane"
}
},
"sort": [
{
"balance": {
"order": "desc"
}
}
]
}
# term查询，和match一样匹配某个属性的值
# 只能用于查询非文本字段，查询文本字段会始终显示结果数为0
# 全文检索字段用match，其他非text字段用term
# 官方推荐：term用于查询非文本字段，match用于查询文本字段
GET bank/_search
{
"query": {
"term": {
"balance": 32838
}
}
}
# 或者term与keyword搭配，查询全量字符串
GET bank/_search
{
"query": {
"term": {
"lastname.keyword": "Bates"
}
}
}
4、match_phrase 短语匹配查询、keyword 全量精确查询
match_phrase 和 keyword 区别
- match_phrase 是将查询词不可拆分进行查询，只有完整包含了这个短语就可以得到匹配
- keyword 则是精确查询，要求查询字段只能是该短语，而不是仅仅的包含关系
# match_pharse 短语匹配，将查询条件当成不可分割的短语进行匹配查询
# 包含了完成的短语mill lane会检索出来
GET bank/_search
{
"query": {
"match_phrase": {
"address": "789 Madison"
}
}
}
# 对于有一条记录为"address" : "789 Madison Street"
# match_phrase可以查到一条记录，而keyword差不到该条记录，是精确查询
# keyword全量精确匹配
GET bank/_search
{
"query": {
"match": {
"address.keyword" : "789 Madison"
}
}
}
5、multi_match 多字段匹配查询
# multi_match 多字段查询，query的词也会进行分词，两个字段有任意一个字段包含分的词检索出来，是or关系
GET /bank/_search
{
"query": {
"multi_match": {
"query": "mill lane",
"fields": ["state", "address"]
}
}
}
6、bool 多重条件复合查询
bool 多重查询可以用上的条件交并集：must、must_not、should、filter
must 和 filter 配合 range 都可以进行过滤，区别在于：must 会贡献评分，但是 filter 不会贡献评分
- must：数组内的条件必须都满足
# bool中可以有多个查询条件，这里的must含义就是must数组中的条件都必须满足
GET bank/_search
{
"query": {
"bool": {
"must": [
{"match":
{
"gender": "F"
}
},
{
"match": {
"address": "mill"
}
}
]
}
}
}
- must_not：数组内的条件必须都不满足
# 复合查询，must：必须满足，must_not：必须不满足
# 查找出gender为M，address中有mill且age不是38的记录
GET bank/_search
{
"query": {
"bool": {
"must": [
{"match":
{
"gender": "M"
}
},
{
"match": {
"address": "mill"
}
}
],
"must_not": [
{
"match":
{
"age": 38
}
}
]
}
}
}
- should：数组内的条件最好满足，满足会有匹配度加分
# 复合查询，其中的should表示满足最好，不满足也可以，是加分项，满足了评分会更高
GET bank/_search
{
"query": {
"bool": {
"must": [
{"match":
{
"gender": "M"
}
},
{
"match": {
"address": "mill"
}
}
],
"must_not": [
{
"match":
{
"age": 18
}
}
],
"should": [
{
"match":
{
"lastname": "Wallace"
}
}
]
}
}
}
- filter：过滤
# must和filter配合range都可以进行过滤
# 区别在于：must会贡献评分，但是filter不会贡献评分
GET bank/_search
{
"query": {
"bool": {
"must": [
{
"range": {
"age": {
"gte": 18,
"lte": 30
}
}
}
]
}
}
}
GET bank/_search
{
"query": {
"bool": {
"filter": {
"range": {
"age": {
"gte": 18,
"lte": 30
}
}
}
}
}
}
7、aggragations 聚合查询
聚合提供了从数据中分组和提取数据的能力，最简单的聚合方法大致等于 SQL 中的 group by 和 SQL 聚合函数。ES 中，您有执行搜索返回 hits（命中结果），并且同时返回聚合结果，将一个响应中的所有 hits（命中结果）隔开的能力，可以执行查询和多个聚合，并且在一次使用中得到各自的返回结果，使用一次简洁和简化的 API 来避免网络往返
聚合语法：
"aggregations" : {
"<aggregation_name>" : { # 这次聚合的名字，自定义方便展示在结果集中
"<aggregation_type>" : { # 聚合类型
<aggregation_body> # 聚合体
}
[,"meta" : { [<meta_data_body>] } ]?
[,"aggregations" : { [<sub_aggregation>]+ } ]? # 聚合内嵌套子聚合，是在第一个查询的结果集上再次进行子聚合查询
}
[,"<aggregation_name_2>" : { ... } ]* # 第二个聚合，和第一聚合是相互独立的
}
1.搜索address中包含mill的所有人的年龄分布以及平均年龄
GET bank/_search
{
"query": {
"match": {
"address": "mill"
}
},
"aggs": {
"aggAge": {
"terms": { # terms相当于SQL中的count + group by，这里是先年龄分组计算每个分组总数
"field": "age",
"size": 10
}
},
"ageAvg":{
"avg": { # 第二个聚合：计算平均年龄
"field": "age"
}
}
}
}
2.按照年龄聚合，并且请求这些年龄段这些人的平均薪资
# 子查询，类似于MySQL中group by 然后avg
GET bank/_search
{
"query": {
"match_all": {}
},
"aggs": {
"aggAge": {
"terms": {
"field": "age",
"size": 10
},
"aggs": { # 子查询，在上一次聚合的结果中再次查询
"aggAvg": {
"avg": {
"field": "balance"
}
}
}
}
}
}
3.查出所有年龄分布，并且这些年龄中的性别为M的平均薪资和F的平均薪资以及这个年龄段的总体平均薪资
GET bank/_search
{
"query": {
"match_all": {}
},
"aggs": {
"aggAge": {
"terms": {
"field": "age", # 首先按照年龄进行聚合，terms计算count
"size": 100
},
"aggs": {
"avgGender": {
"terms": {
"field": "gender.keyword" # 在年龄聚合的桶内再用性别进行聚合
},
"aggs": {
"aggBalance": {
"avg": {
"field": "balance" # 在性别聚合的桶内在计算桶内的平均薪资
}
}
}
},
"avgBalanceOnAge":{
"avg": {
"field": "balance" # 在年龄聚合的桶内计算平均薪资
}
}
}
}
}
}
2）Mapping 映射
Mapping 是一个定义文档和所包含的字段如何保存和索引的，举例，使用 mapping 可以用来定义：
- 哪个字符串字段应该被当成全文检索字段（full text fields）
- 哪个字段包含数字、日期、或者地理标志
- 日期的格式
- 自定义映射规则来执行动态添加属性
1.查询映射关系
PUT /my_index
{
"mappings": {
"properties": {
"age": {"type": "Long"},
"email": {"type": "keyword"},
"name": {"type": "text"}
}
}
}
2.建立索引的mapping映射
# ES7.x不再支持Types（类似MySQL中的表），所以这里没有在my_index在指定Types
# keyword会进行精确匹配，而不再分词全文匹配
PUT /my_index/_mapping
{
"properties": {
"employee_id": {
"type": "keyword",
"index": false
}
}
}
3.修改指定索引的映射
3.1 增加新的字段
PUT /my_index/_mapping
{
"properties": {
"employee_id": {
"type": "keyword",
"index": false # index表示employee_id不再可以被查询。（Fields that are not indexed are not queryable.）
}
}
}
3.2 修改已有的字段映射
建立了映射后只能新增字段，而不能修改以前的字段属性，因为修改已存在的字段会让已经存在的数据失效。
如果你确实需要修改某个字段的映射，你需要重新建立一个映射关系的索引，然后将你的数据reindex到你新建的索引中
3.3 数据迁移到新的索引
3.3.1 首先建立新的索引mapping关系
PUT /newbank
{
"mappings": {
"properties": {
"account_number": {
"type": "long"
},
"address": {
"type": "text"
},
"age": {
"type": "integer"
},
"balance": {
"type": "long"
},
"city": {
"type": "keyword"
},
"email": {
"type": "keyword"
},
"employer": {
"type": "keyword"
},
"firstname": {
"type": "text"
},
"gender": {
"type": "keyword"
},
"lastname": {
"type": "text"
},
"state": {
"type": "keyword"
}
}
}
}
3.3.2 数据迁移reindex
【固定写法】对于没有建立类型的索引之间相互迁移数据
POST _reindex
{
"source": {
"index": "twitter"
},
"dest": {
"index": "tweet "
}
}
将旧索引的types下的数据进行迁移
因为我们旧索引建立了accout类型，索引迁移需要将索引和类型指定迁移到哪个索引下
POST _reindex
{
"source": {
"index": "bank",
"type": "account"
},
"dest": {
"index": "newbank"
}
}
# 可以看到数据迁移了过来，并且没有了type
# 以后都不用type，老的数据都可以通过reindex迁移过来
GET newbank/_search
五、分词
一个 tokenizer(分词器)接受一个字符流，将之分隔为独立的 tokens（词元，通常是独立的单词），然后输出 tokens 流。
例如：whitespace tokenizer 遇到空白字符时分隔文本，它会将文本”Quick brown fox!”分隔为【Quick，brown，fox！】
该 tokenizer（分词器）还负责记录各个 term（词条）的顺序或 position 位置（用于 phrase 短语和 word proximity 词近邻查询），以及 term（词条）所代表的原始 word（单词）的 start（起始）和 end（结束）的 character offsets（字符偏移量）用于高亮显示搜索的内容，ElasticSearch 提供了很多内置的分词器，可以用来构建 custom analyzers（自定义分词器）
# 使用标准特定的分词器来进行分词
POST _analyze
{
"analyzer": "standard",
"text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}
1、安装 ik 分词器
# 进入容器挂载到外部的目录或未挂载进入容器内的目录
cd /mydata/elasticsearch/plugins
mkdir ik
cd ik
# 下载对应ES版本的ik分词器，这里选择7.4.2版本
wget https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.4.2/elasticsearch-analysis-ik-7.4.2.zip
unzip elasticsearch-analysis-ik-6.8.4.zip
cd ../..
chmod -R 777 plugins/
docker exec -it elasticsearch /bin/bash
cd /usr/share/elasticsearch/plugins/
# 查看安装好的插件
elasticsearch-plugin
# 重启让插件生效
docker restart elasticsearch
2、测试 ik 分词器
ik 分词器提供两种:ik_smart 和 ik_max_word
ik_smart：智能分词，将输入词进行拆分
ik_max_word：保留所有可能搭配的词组组合
POST _analyze
{
"analyzer": "ik_smart",
"text": "我是中国人"
}
3、自定义词库
ik 分词器有很多网络热词无法进行分词，所以这里我们可以自定义词库
我们可以指定一个远程的词库，让 ik 分词器可以去远程拉取最新的单词作为新的词元进行分解，这里建立远程的词库有两种方式：
- 写一个项目来处理 ik 发送的请求，来返回新的单词
- 安装 Nginx，让 ik 分词器给 Nginx 发送请求，Ngix 将这个静态资源返回
更改 ES 栈大小，之前是-Xmx128m，有点小，这里改为 512m，方法为将之前的 ES 容器删掉，因为之前是将容器内的数据挂载到了 centos 下的目录，所以数据不会丢失，新建一个 ES 容器再次挂载到这些目录即可
docker rm -f elasticsearch
docker run --name elasticsearch -p 9200:9200 -p 9300:9300 \
-e "discovery.type=single-node" \
-e ES_JAVA_OPTS="-Xms64m -Xmx512m" \
-v /mydata/elasticsearch/config/elasticsearch.yml:/usr/share/elasticsearch/config/elasticsearch.yml \
-v /mydata/elasticsearch/data:/usr/share/elasticsearch/data \
-v /mydata/elasticsearch/plugins:/usr/share/elasticsearch/plugins \
-d elasticsearch:7.4.2
4、安装 Ngnix
# 首先随便创建一个nginx实例，主要是将其中的配置复制出来
cd /mydata
mkdir nginx
docker pull nginx:1.10
docker run -p 80:80 --name nginx -d nginx:1.10
# 将nginx中的配置复制出来
docker container cp nginx:/etc/nginx .
cd nginx
ls # 就可以查看复制出来的文件
cd ..
mv nginx conf # 将nginx配置移动到conf文件夹下
mkdir nginx # 新建nginx文件夹
mv conf nginx/ # 将整个conf文件夹移动到nginx下
docker run -p 80:80 --name nginx \
-v /mydata/nginx/html:/usr/share/nginx/html \
-v /mydata/nginx/logs:/var/log/nginx \
-v /mydata/nginx/conf:/etc/nginx \
-d nginx:1.10
浏览器访问虚拟机 ip 地址http://192.168.2.200/即成功
cd /ngnix/html
echo '<h1>hello nginx</h1>' >> index.html
5、在 Nginx 下自定义静态资源词库
# 在html下创建es文件夹，这里放入自定义分词器的词库内容
mkdir es
cd es
vi fenci.txt
# 输入你的词元，例如以下
# 修改ik分词器请求分词词库地址
cd elasticsearch/plugins/ik
cd config
vi IKAnalyzer.cfg.xml
填充上 nginx 代理的静态资源地址（如果设置了 centos 的 ip 地址为宿主机 ip 地址同一个网段，则可以填写 centos 的地址，这里填写 192.168.2.200）
# 让分词器生效
docker restart elasticsearch
docker update nginx --restart=always
地址栏访问 kibana，可以看到尚硅谷成为了一个词元，没有再被拆开为【尚，硅，谷】，说明自定义词库已经生效
（kibana 显示 not ready yet 的，注意因为我们新建了 ES 容器，对应容器的 ip 地址也发生了变化，所以新建 kibana 容器，指定好新的 ES 地址就可以访问了，上面步骤也都是有的）
五、java 操作 ES
java 操作 ES 有多重选择
1）9300：TCP
- spring-data-elasticsearch:transport-api.jar
- springboot 版本不同，transport-api.jar 不同，不能适配 es 高版本
- 7.x 已经不建议使用，8 以后就要废弃
- spring-boot-starter-data-elasticsearch
请注意 springboot 版本以及 elasticsearch 版本，是对官方 restClient 更简化的封装，推荐
2）9200：HTTP
- JestClient：非官方，更新慢
- RestTemplate：模拟发送 HTTP 请求，ES 很多 DSL 都要自己封装，麻烦
- HttpClient：同上
- Ok-Http：同上
- Elasticsearch-Rest-Client：官方 RestClient，封装了 ES 操作，上手比较繁琐
本作品采用 知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议 (CC BY-NC-ND 4.0) 进行许可。