kibana安装成功后
需要在 config -> kibana.yml 文件中修改Elasticsearch的地址。
为索引库名。
请求方式为请求，参数为数据（指含有3个分片和2个副本）。
发送请求方式为。
发送请求后创建成功，如下图所示：
由于上方的数据参数比较难写，所以借助 工具（因为 工具中有提示）。
访问路径：
相当于是省去了 的服务器地址
而且还有语法提示，非常舒服。
语法
Get请求可以帮我们查看索引信息，格式：
或者，我们可以使用*来查询所有索引库配置：
删除索引使用DELETE请求
语法
示例
再次查看 test00：
当然，我们也可以用HEAD请求，查看索引是否存在：
索引有了，接下来肯定是添加数据。但是，在添加数据之前必须定义映射。
映射是定义文档的过程，文档包含哪些字段，这些字段是否保存，是否索引，是否分词等
只有配置清楚，Elasticsearch才会帮我们进行索引库的创建（不一定）
语法
请求方式依然是PUT
类型名称：就是前面将的type的概念，类似于数据库中的不同表
字段名：任意填写 ，可以指定许多属性，例如：type：类型，可以是text、long、short、date、integer、object等index：是否索引，默认为truestore：是否存储，默认为falseanalyzer：分词器，这里的即使用ik分词器
示例
发起请求：
响应结果：
语法：
示例：
响应：
5.3.1. type
Elasticsearch中支持的数据类型非常丰富：
String类型，又分两种：
text：可分词，不可参与聚合keyword：不可分词，数据会作为完整字段进行匹配，可以参与聚合
Numerical：数值类型，分两类
7大基本数据类型：byte、short、interger、long、float、double、half_float浮点数的高精度类型：scaled_float
需要指定一个精度因子，比如10或100。elasticsearch会把真实值乘以这个因子后存储，取出时再还原。
Date：日期类型
elasticsearch可以对日期格式化为字符串存储，但是建议我们存储为毫秒值，存储为long，节省空间。
5.3.2. index
index影响字段的索引情况。
true：字段会被索引，则可以用来进行搜索。默认值就是truefalse：字段不会被索引，不能用来搜索
index的默认值就是true，也就是说你不进行任何配置，所有字段都会被索引。
但是有些字段是我们不希望被索引的，比如商品的图片信息，就需要手动设置index为false。
5.3.3. store
是否将数据进行额外存储。
在学习 和 时，我们知道如果一个字段的 设置为 ，那么在文档列表中就不会有这个字段的值，用户的搜索结果中不会显示出来。
但是在Elasticsearch中，即便store设置为false，也可以搜索到结果。
原因是Elasticsearch在创建文档索引时，会将文档中的原始数据备份，保存到一个叫做的属性中。而且我们可以通过过滤来选择哪些要显示，哪些不显示。
而如果设置store为true，就会在以外额外存储一份数据，多余，因此一般我们都会将store设置为false，事实上，store的默认值就是false。
通过POST请求，可以向一个已经存在的索引库中添加数据。
语法：
示例：
响应：
通过 查看数据：
：源文档信息，所有的数据都在里面。：这条文档的唯一标示，与文档自己的id字段没有关联
如果我们想要自己新增的时候指定id，可以这么做：
示例：
得到的数据：
Elasticsearch非常智能，不需要给索引库设置任何mapping映射，它也可以根据你输入的数据来判断类型，动态添加数据映射。
测试一下：
我们额外添加了stock库存，和saleable是否上架两个字段。
来看结果：
在看下索引库的映射关系:
stock和saleable都被成功映射了。
把刚才新增的请求方式改为PUT，就是修改了。不过修改必须指定id，
id对应文档存在，则修改id对应文档不存在，则新增
比如，我们把id为3的数据进行修改：
结果：
删除使用DELETE请求，同样，需要根据id进行删除：
语法
示例：
wps的的官网最新下载地方
基本查询过滤结果过滤高级查询排序
基本语法
这里的query代表一个查询对象，里面可以有不同的查询属性
查询类型：
例如：， ， ， 等等 查询条件：查询条件会根据类型的不同，写法也有差异，后面详细讲解
9.1.1 查询所有（match_all)
示例：
：代表查询对象：代表查询所有
结果：
took：查询花费时间，单位是毫秒time_out：是否超时_shards：分片信息hits：搜索结果总览对象
total：搜索到的总条数max_score：所有结果中文档得分的最高分hits：搜索结果的文档对象数组，每个元素是一条搜索到的文档信息
_index：索引库_type：文档类型_id：文档id_score：文档得分_source：文档的源数据
9.1.2 匹配查询（match）
我们先加入一条数据，便于测试：
现在，索引库中有1部手机，1台电视：
or关系
类型查询，会把查询条件进行分词，然后进行查询,多个词条之间是or的关系
结果：
在上面的案例中，不仅会查询到电视，而且与小米相关的都会查询到，多个词之间是的关系。
and关系
某些情况下，我们需要更精确查找，我们希望这个关系变成，可以这样做：
结果：
本例中，只有同时包含和的词条才会被搜索到。
or和and之间？
在 与 间二选一有点过于非黑即白。 如果用户给定的条件分词后有 5 个查询词项，想查找只包含其中 4 个词的文档，该如何处理？将 operator 操作符参数设置成 只会将此文档排除。
有时候这正是我们期望的，但在全文搜索的大多数应用场景下，我们既想包含那些可能相关的文档，同时又排除那些不太相关的。换句话说，我们想要处于中间某种结果。
查询支持 最小匹配参数， 这让我们可以指定必须匹配的词项数用来表示一个文档是否相关。我们可以将其设置为某个具体数字，更常用的做法是将其设置为一个，因为我们无法控制用户搜索时输入的单词数量：
本例中，搜索语句可以分为3个词，如果使用and关系，需要同时满足3个词才会被搜索到。这里我们采用最小品牌数：75%，那么也就是说只要匹配到总词条数量的75%即可，这里3*75% 约等于2。所以只要包含2个词条就算满足条件了。
9.1.3 多字段查询（multi_match）
与类似，不同的是它可以在多个字段中查询
本例中，我们会在title字段和subtitle字段中查询这个词
9.1.4 词条匹配(term)
查询被用于 精确值匹配，这些精确值可能是数字、时间、布尔或者那些 未分词 的字符串
结果：
9.1.5 多词条精确匹配(terms)
查询和 term 查询一样，但它允许你指定多值进行匹配。如果这个字段包含了指定值中的任何一个值，那么这个文档满足条件：
结果：
默认情况下，elasticsearch在搜索的结果中，会把文档中保存在的所有字段都返回。
如果我们只想获取其中的部分字段，我们可以添加的过滤
9.2.1.直接指定字段
示例：
返回的结果：
9.2.2.指定 includes 和 excludes
我们也可以通过：
includes：来指定想要显示的字段excludes：来指定不想要显示的字段
二者都是可选的。
示例：
与下面的结果将是一样的：
9.3.1 布尔组合（bool)
把各种其它查询通过（与）、（非）、（或）的方式进行组合
结果：
9.3.2 范围查询(range)
查询找出那些落在指定区间内的数字或者时间
查询允许以下字符：
操作符说明gt大于gte大于等于lt小于lte小于等于
9.3.3 模糊查询(fuzzy)
wps的官网最新的下载的方法在哪里
我们新增一个商品：
查询是 查询的模糊等价。它允许用户搜索词条与实际词条的拼写出现偏差，但是偏差的编辑距离不得超过2：
上面的查询，也能查询到apple手机
我们可以通过来指定允许的编辑距离：
条件查询中进行过滤
所有的查询都会影响到文档的评分及排名。如果需要在查询结果中进行过滤，并且不希望过滤条件影响评分，那么就不要把过滤条件作为查询条件来用。而是使用方式：
注意：中还可以再次进行组合条件过滤。
无查询条件，直接过滤
如果一次查询只有过滤，没有查询条件，不希望进行评分，我们可以使用取代只有 filter 语句的 bool 查询。在性能上是完全相同的，但对于提高查询简洁性和清晰度有很大帮助。
9.5.1 单字段排序
可以让我们按照不同的字段进行排序，并且通过指定排序的方式
9.5.2 多字段排序
假定要结合使用 和 （得分） 进行查询，并且匹配的结果首先按照价格排序，然后按照相关性得分排序：
聚合可以极其方便的实现对数据的统计、分析。
例如：
什么品牌的手机最受欢迎？这些手机的平均价格、最高价格、最低价格？这些手机每月的销售情况如何？
实现这些统计功能的比数据库的sql要方便的多，而且查询速度非常快，可以实现实时搜索效果。
Elasticsearch中的聚合，包含多种类型，最常用的两种，一个叫，一个叫：
桶（bucket）
桶的作用，是按照某种方式对数据进行分组，每一组数据在ES中称为一个，例如我们根据国籍对人划分，可以得到、，……或者我们按照年龄段对人进行划分：0~10 , 10~20 , 20~30, 30~40等。
Elasticsearch中提供的划分桶的方式有很多：
Date Histogram Aggregation：根据日期阶梯分组，例如给定阶梯为周，会自动每周分为一组Histogram Aggregation：根据数值阶梯分组，与日期类似Terms Aggregation：根据词条内容分组，词条内容完全匹配的为一组Range Aggregation：数值和日期的范围分组，指定开始和结束，然后按段分组……
bucket aggregations 只负责对数据进行分组，并不进行计算，因此往往bucket中往往会嵌套另一种聚合：metrics aggregations即度量
度量（metrics）
分组完成以后，我们一般会对组中的数据进行聚合运算，例如求平均值、最大、最小、求和等，这些在ES中称为
比较常用的一些度量聚合方式：
Avg Aggregation：求平均值Max Aggregation：求最大值Min Aggregation：求最小值Percentiles Aggregation：求百分比Stats Aggregation：同时返回avgwps office的免费版下载网址怎么找(wps官网下载视频插件)、max、min、sum、count等Sum Aggregation：求和Top hits Aggregation：求前几Value Count Aggregation：求总数……
为了测试聚合，我们先批量导入一些数据
创建索引：
注意：在ES中，需要进行的字段其处理方式比较特殊，因此不能被分词。这里我们将color和make这两个文字类型的字段设置为keyword类型，这个类型不会被分词，将来就可以参与聚合
导入数据
首先，我们按照 汽车的颜色 来划分
size： 查询条数，这里设置为0，因为我们不关心搜索到的数据，只关心聚合结果，提高效率aggs：声明这是一个聚合查询，是aggregations的缩写
popular_colors：给这次聚合起一个名字，任意。
terms：划分桶的方式，这里是根据词条划分
field：划分桶的字段
结果：
hits：查询结果为空，因为我们设置了size为0aggregations：聚合的结果popular_colors：我们定义的聚合名称buckets：查找到的桶，每个不同的color字段值都会形成一个桶
key：这个桶对应的color字段的值doc_count：这个桶中的文档数量
通过聚合的结果我们发现，目前红色的小车比较畅销！
前面的例子告诉我们每个桶里面的文档数量，这很有用。 但通常，我们的应用需要提供更复杂的文档度量wps的电脑版的下载的地址是多少。 例如，每种颜色汽车的平均价格是多少？
因此，我们需要告诉Elasticsearch，进行运算，这些信息要嵌套在内，的运算会基于内的文档进行
现在，我们为刚刚的聚合结果添加 求价格平均值的度量：
aggs：我们在上一个aggs(popular_colors)中添加新的aggs。可见也是一个聚合avg_price：聚合的名称avg：度量的类型，这里是求平均值field：度量运算的字段
结果：
可以看到每个桶中都有自己的字段，这是度量聚合的结果
刚刚的案例中，我们在桶内嵌套度量运算。事实上桶不仅可以嵌套运算， 还可以再嵌套其它桶wps的的官网最新的下载的网站怎么找(wps官网最新在哪)。也就是说在每个分组中，再分更多组。
比如：统计每种颜色的汽车中，分别属于哪个制造商，按照字段再进行分桶
原来的color桶和avg计算我们不变maker：在嵌套的aggs下新添一个桶，叫做makerterms：桶的划分类型依然是词条filed：这里根据make字段进行划分
部分结果：
我们可以看到，新的聚合被嵌套在原来每一个的桶中。每个颜色下面都根据 字段进行了分组我们能读取到的信息：
红色车共有4辆红色车的平均售价是 $32，500 美元。其中3辆是 Honda 本田制造，1辆是 BMW 宝马制造。
前面讲了，划分桶的方式有很多，例如：
WPS office的电脑版的下载的地址在哪里
Date Histogram Aggregation：根据日期阶梯分组，例如给定阶梯为周，会自动每周分为一组Histogram Aggregation：根据数值阶梯分组，与日期类似Terms Aggregation：根据词条内容分组，词条内容完全匹配的为一组Range Aggregation：数值和日期的范围分组，指定开始和结束，然后按段分组
刚刚的案例中，我们采用的是Terms Aggregation，即根据词条划分桶。
接下来，我们再学习几个比较实用的：
10.5.1.阶梯分桶Histogram（“histogram”: { “field”: “price”, “interval”: 5000 }）
原理：
histogram是把数值类型的字段，按照一定的阶梯大小进行分组。你需要指定一个阶梯值（interval）来划分阶梯大小。
举例：
比如你有价格字段，如果你设定 的值为200，那么阶梯就会是这样的：
0，200，400，600，…
上面列出的是每个阶梯的key，也是区间的启点。
如果一件商品的价格是 450 ，会落入哪个阶梯区间呢？计算公式如下：
：就是当前数据的值，本例中是450
：起始偏移量，默认为0
：阶梯间隔，比如200
因此你得到的：key = Math.floor((450 – 0) / 200) * 200 + 0 = 400
操作一下：
比如，我们对汽车的价格进行分组，指定间隔 为 5000：
结果：
你会发现，中间有大量的文档数量为0 的桶，看起来很丑。
我们可以增加一个参数 为1，来约束最少文档数量为1，这样文档数量为0的桶会被过滤
示例：
结果：
完美，！
如果你用kibana将结果变为柱形图，会更好看：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Ts4jThSy-1583400408766)(assets/1531752558505.png)]
10.5.2.范围分桶range
范围分桶与阶梯分桶类似，也是把数字按照阶段进行分组，只不过range方式需要你自己指定每一组的起始和结束大小。