Elasticsearch核心概念

Lucene

Elasticsearch使用Lucene作为其底层的搜索引擎，关于Lucene的介绍，可以参考官方网站。

Lucene关键概念：

• Document：用来索引和搜索的主要数据源，包含一个或者多个Field，而这些Field则包含我们跟Lucene交互的数据。
• Field：Document的一个组成部分，有两个部分组成，name和value。
• Term：不可分割的词语，搜索里面最小单元。
• Token：一个Term呈现方式，包含这个Term的文字，在文档中的起始位置，以及类型。

Lucene使用Inverted index来存储term在document中位置的映射关系。 譬如如下文档：

• Elasticsearch Server 1.0 （document 1）
• Mastring Elasticsearch （document 2）
• Apache Solr 4 Cookbook （document 3）

使用inverted index存储，一个简单地映射关系：

TermCountDocuemnt1.01<1>41<3>Apache1<3>Cookbook1<3>Elasticsearch2<1>.<2>Mastering1<2>Server1<1>Solr1<3>

在上面的例子中，我们首先将文档切分成一个一个term，也就是用空格分割，然后映射表里面记录该term总的出现次数以及在哪个document里面。

Input data analysis

Document里面的数据如何生成inverted index？查询语句如何切分成terms并允许搜索？相关的东西我们叫做analysis。

Analysis通过analyzer实现，主要包括tokenizer，token filters以及character mappers。

• Tokenizer：也就是通常说的词法分析，将一个文本切分成tokens。词法分析结束之后，结果我们叫做token stream。
• Token filter：用来在token stream里面处理token，filter是依次运行的。一些filter例子：
  • Lowercase filter
  • Synonyms filter
  • Multiple language stemming filters
• Character mappers: 用于处理不可直接解析的文本，在tokenizer之前使用，譬如对于一个html文件移除相关html的tag。

Scoring and query relevance

Score: 用来表示一个document跟查询语句的匹配程度，score越高，表明越匹配。

Lucene使用**TF/IDF**这套计算得分算法。

Elasticsearch基本概念

Data:

• Index：Elasticsearch用来存储数据的逻辑区域，它类似于关系型数据库中的database 概念。一个index可以在一个或者多个shard上面，同时一个shard也可能会有多个replicas。
• Document：Elasticsearch里面存储的实体数据，类似于关系数据中一个table里面的一行数据。 document由多个field组成，不同的document里面同名的field一定具有相同的类型。document里面field可以重复出现，也就是一个field会有多个值，即multivalued。
• Document type：为了查询需要，一个index可能会有多种document，也就是document type. 它类似于关系型数据库中的 table 概念。但需要注意，不同document里面同名的field一定要是相同类型的。
• Mapping：它类似于关系型数据库中的 schema 定义概念。存储field的相关映射信息，不同document type会有不同的mapping。

下图是 ElasticSearch 和 关系型数据库的一些术语比较。

Server:

• Node: 一个server实例
• Cluster：多个node组成cluster
• Shard：数据分片，一个index可能会有多个shards，不同shards可能在不同nodes
• Replica：shard的备份，有一个primary shard，其余的叫做replica shards

• Gateway：管理cluster状态信息

转自：https://github.com/siddontang/elasticsearch-note/blob/master/base.md#lucene