詳解windows 環境下搭建electricSearch+kibana

GET _search
{
  "query": {
    "match_all": {}
  }
}

### 查看集群健康信息
GET /_cat/health?v

### 幫助
GET /_cat/health?help

### 查看集群中節點信息
GET /_cat/nodes?v

### 查看集群中索引信息
GET /_cat/indices?v

### 精簡信息
GET /_cat/indices?v&h=health,status,index

### 創建索引
PUT /baizhi

### 刪除索引
DELETE /baizhi

### 創建類型mapping
POST /baizhi/user
{
  "user": {
      "properties": { 
        "id":    { "type": "text"  },
        "name":     { "type": "text"  }, 
        "age":      { "type": "integer" },  
        "created":  {
          "type":   "date",
          "format": "strict_date_optional_time || epoch_millis"
        }
      }
  }
}

### 查看類型mapping
GET /baizhi/_mapping

### 新增單個文檔
PUT /baizhi/user/1
{
  "name":"zs",
  "title":"張三",
  "age":18,
  "created":"2018-12-25"
}

### 查詢所有文檔
GET /zpark/user/_search

### 指定id查詢單個文檔
GET /baizhi/user/1

### 修改單個文檔
PUT /baizhi/user/1
{
  "name": "lxs",
  "title": "李小四"
}

### 刪除單個文檔
DELETE /baizhi/user/1

### 批量新增
POST /baizhi/user/_bulk
{"index":{}}
{"name":"ww","title":"王五","age":18,"created":"2018-12-27"}
{"index":{}}
{"name":"zl","title":"趙六","age":25,"created":"2018-12-27"}

### 批量刪除
POST /baizhi/user/_bulk
{"update":{"_id":"K38E728BJ1QbWBSobMEC"}}  
{"doc":{"title":"王小五"}}
{"delete":{"_id":"LH8E728BJ1QbWBSobMEC"}}  

##############進階##############

########### 查詢(Query)

# 批量插入測試數據
POST /zpark/user/_bulk
{"index":{"_id":1}}
{"name":"zs","realname":"張三","age":18,"birthday":"2018-12-27","salary":1000.0,"address":"北京市昌平區沙陽路55號"}
{"index":{"_id":2}}
{"name":"ls","realname":"李四","age":20,"birthday":"2017-10-20","salary":5000.0,"address":"北京市朝陽區三裡屯街道21號"}
{"index":{"_id":3}}
{"name":"ww","realname":"王五","age":25,"birthday":"2016-03-15","salary":4300.0,"address":"北京市海淀區中關村大街新中關商城2樓511室"}
{"index":{"_id":4}}
{"name":"zl","realname":"趙六","age":20,"birthday":"2003-04-19","salary":12300.0,"address":"北京市海淀區中關村軟件園9號樓211室"}
{"index":{"_id":5}}
{"name":"tq","realname":"田七","age":35,"birthday":"2001-08-11","salary":1403.0,"address":"北京市海淀區西二旗地鐵輝煌國際大廈負一樓"}


### 查看所有並按照年齡降序排列
GET /zpark/user/_search
{
  "query": {
    "match_all": {}
  },
  "sort": {
    "age": "desc"
  }
}


### 查詢第2頁的用戶（每頁顯示2條）
GET /zpark/user/_search
{
  "query": {
    "match_all": {}
  },
  "sort": {
    "age": "desc"
  },
  "from": 2,
  "size": 2 
}

### 查詢address在海淀區的所有用戶，並高亮
GET /zpark/user/_search
{
  "query": {
    "match": {  
      "address": {
        "analyzer": "ik_max_word",
        "query": "海淀區"
      }
    }
  },
  "highlight": {
    "fields": {        
      "address": {}   
    }
  }
}

### 設置索引分詞器
PUT /zpark
{
    "settings" : {
        "index" : {
            "analysis.analyzer.default.type": "ik_smart"
        }
    }
}

### 查詢name是zs關鍵字的用戶
GET /zpark/user/_search
{
  "query":{
    "term": {
      "name": {
        "value": "zs"
      }
    }
  }
}

### 查詢年齡在20~30歲之間的用戶
GET /zpark/user/_search
{
  "query": {
    "range": {
      "age": {
        "gte": 20,
        "lte": 30  
      }
    }
  }
}

### 查詢真實姓名以李開頭的用戶
GET /zpark/user/_search
{
  "query": {
    "prefix": {
      "realname": {
        "value": "李"
      }
    }
  }
}

### 查詢名字以s結尾的用戶
GET /zpark/user/_search
{
  "query": {
    "wildcard": {
      "name": {
        "value": "*s"
      }
    }
  }
}

### 查詢id為1，2，3的用戶
GET /zpark/user/_search
{
  "query": {
    "ids": {
      "values": [1,2,3]
    }
  }
}

### 模糊查詢realname中包含張關鍵字的用戶
GET /zpark/user/_search
{
  "query": {
    "wildcard": {
      "realname": {"value": "*張*"}
    }
  }
}


### 查詢age在15-30歲之間並且name必須通配z*
GET /zpark/user/_search
{
  "query": {
    "bool": {
      "must": [      
        {
          "range": {
            "age": {
              "gte": 15,
              "lte": 30
            }
          }
        },
        {
          "wildcard": {
            "name": {
              "value": "z*"
            }
          }
        }
      ],
      "must_not": [
        {
          "regexp": {
            "name": ".*s"
          }
        }
      ] 
    }
  }
}

############# 過濾器（Filter）
### 其實準確來說，ES中的查詢操作分為2種：查詢（query）和過濾（filter）。查詢即是之前提到的query查詢，它（查詢）默認會計算每個返回文檔的得分，然後根據得分排序。而過濾（filter）隻會篩選出符合的文檔，並不計算得分，且它可以緩存文檔。所以，單從性能考慮，過濾比查詢更快。

### 換句話說，過濾適合在大范圍篩選數據，而查詢則適合精確匹配數據。一般應用時，應先使用過濾操作過濾數據，然後使用查詢匹配數據。

### 過濾器使用 ranage filter
GET /zpark/user/_search
{
   "query":{
      "bool": {
        "must": [
          {"match_all": {}}
        ],
        "filter": {        
          "range": {
            "age": {
              "gte": 25
            }
          }
        }
      }
   }
}

### term、terms Filter   term、terms的含義與查詢時一致。term用於精確匹配、terms用於多詞條匹配
GET /zpark/user/_search
{
   "query":{
      "bool": {
        "must": [
          {"match_all": {}}
        ],
        "filter": {
          "terms": {
            "name": [
              "zs",
              "ls"
            ]
          }
        }
      }
   }
}

### exists filter exists過濾指定字段沒有值的文檔
GET /zpark/user/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "match_all": {}
        }
      ],
      "filter": {   
        "exists": {
          "field": "salary"
        }
      }
    }
  },
  "sort": [
    {
      "_id": {
        "order": "asc"
      }
    }
  ]
}


### ids filter  需要過濾出若幹指定_id的文檔，可使用標識符過濾器(ids)
GET /zpark/user/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "address": "昌平區"
          }
        }
      ],
      "filter": {
        "ids": {   
          "values": [
            1,
            2,
            3
          ]
        }
      }
    }
  },"highlight": {
    "fields": {
      "address": {}
    }
  }
}

#############聚合（Aggregations）
### 度量（metric）聚合
POST /zpark/user/_search
{
  "aggs": {
    "age_avg": {
      "avg": {"field": "age"}
    }
  }
}

### 先過濾，再進行統計，如：
POST /zpark/user/_search
{ "query": {
    "ids": {
      "values":[1,2,3]
    }
  }, 
  "aggs": {
    "age_avg": {
      "avg": {"field": "age"}
    }
  }
}

### 最大值查詢。如：查詢員工的最高工資
POST /zpark/user/_search
{
  "aggs": {
    "max_salary": {
      "max": {
        "field": "salary"
      }
    }
  }
}

### 統計查詢，一次性統計出某個字段上的常用統計值
POST /zpark/user/_search
{
  "aggs": {
    "max_salary": {
      "stats": {
        "field": "salary"
      }
    }
  }
}

### 桶（bucketing）聚合 自定義區間范圍的聚合，我們可以自己手動地劃分區間，ES會根據劃分出來的區間將數據分配不同的區間上去。
###  統計0-20歲，20-35歲，35~60歲用戶人數
POST /zpark/user/_search
{
  "aggs": {
    "age_ranges": {
      "range": {
        "field": "age",
        "ranges": [
          {
            "from": 0,
            "to": 20
          },
          {
            "from": 20,
            "to": 35
          },
          {
            "from": 35,
            "to": 60
          }
        ]
      }
    }
  }
}

### 根據年齡分組，統計相同年齡的用戶
POST /zpark/user/_search
{
  "aggs": {
    "age_counts":{
      "terms": {
        "field": "age",
        "size": 2  
      }
    }
  }
}

### 時間區間聚合專門針對date類型的字段，它與Range Aggregation的主要區別是其可以使用時間運算表達式。

### now+10y：表示從現在開始的第10年。
### now+10M：表示從現在開始的第10個月。
### 1990-01-10||+20y：表示從1990-01-01開始後的第20年，即2010-01-01。
### now/y：表示在年位上做舍入運算。
### 統計生日在2018年、2017年、2016年的用戶
POST /zpark/user/_search
{
  "aggs": {
    "date_counts": {
      "date_range": {
        "field": "birthday",
        "format": "yyyy-MM-dd", 
        "ranges": [
          {
            "from": "now/y",  
            "to": "now"       
          },
          {
            "from": "now/y-1y",  
            "to":"now/y"         
          },
          {
            "from": "now/y-2y",  
            "to":"now/y-1y"
          }
        ]
      }
    }
  }
}

### 嵌套使用
### 聚合操作是可以嵌套使用的。通過嵌套，可以使得metric類型的聚合操作作用在每一bucket上。我們可以使用ES的嵌套聚合操作來完成稍微復雜一點的統計功能。

### 如：統計每年中用戶的最高工資
POST /zpark/user/_search
{
  "aggs": {
    "date_histogram": {            
      "date_histogram": {
        "field": "birthday",
        "interval": "year",
        "format": "yyyy-MM-dd"
      },
      "aggs": {
        "salary_max": {
          "max": {                
            "field": "salary"
          }
        }
      }
    }
  }
}