chuige2013的博客

它最初由 Shay Banon 于 2010 年开发，是开源的，并且是 Elastic Stack（通常称为 ELK Stack）的核心组成部分，另外组成部分是 Logstash、Beats（用于数据收集和处理）和 Kibana（用于数据可视化）。倒排索引建立了一张从词汇到文档的映射表，即对于每个词，记录它在哪些文档中出现，以及在这些文档中的位置。在 Elasticsearch 中，索引库的某些设置是可以在创建后修改的，但有些设置（如 number_of_shards）则不能更改。示例 3：获取所有文档。

1、集群的介绍：1、集群的介绍：1.1、单机的elasticsearch做数据存储必然面临两个问题：海量数据存储问题、单点故障问题。海量数据存储问题：将索引库从逻辑上拆分为N个分片（shard），存储到多个节点。从逻辑上，将索引库上面的数据，拆分成N份，每一份叫做分片，也就是将索引库上面的数据拆分N个分片，从而存储到多个节点上面。那么从存储能力就是多个节点能力之和。从而理论上讲，节点越多，存储容量越大。单点故障问题：将分片数据在不同节点备份（replica ）主分片和副分片，不能放在统一节点上面。

mac下输入命令：terminalmac本地文件目录创建创建配置文件（config）在config目录下分别创建es1.yml、es2.yml、es3.yml文件es1.yml示例如下：重点关注node.name,http.port,transport.tcp.portes2.yml示例：es3.yml示例：创建持久层数据文件（data）

ES统计分析概念ES中的聚合查询，类似SQL的SUM/AVG/COUNT/GROUP BY分组查询，主要用于统计分析场景。下面先介绍ES聚合查询的核心流程和核心概念。

面试官：想了解你对基础概念的认知。通俗解释一下就可以。传统的我们的检索是通过文章，逐个遍历找到对应关键词的位置。而倒排索引，是通过分词策略，形成了词和文章的映射关系表，这种词典+映射表即为倒排索引。有了倒排索引，就能实现o（1）时间复杂度的效率检索文章了，极大的提高了检索效率。学术的解答方式：倒排索引，相反于一篇文章包含了哪些词，它从词出发，记载了这个词在哪些文档中出现过，由两部分组成——词典和倒排表。

近期在公司做了一次 Elasticsearch 的分享，所以本篇主要是做一个总结，希望通过这篇文章能让读者大致了解 Elasticsearch 是做什么的以及它的使用和基本原理。生活中的数据搜索引擎是对数据的检索，所以我们先从生活中的数据说起。我们生活中的数据总体分为两种：结构化数据非结构化数据结构化数据： 也称作行数据，是由二维表结构来逻辑表达和实现的数据，严格地遵循数据格式与长度规范，主要通过关系型数据库进行存储和管理。指具有固定格式或有限长度的数据，如数据库，元数据等。

MySQL：关系型数据库，主要面向OLTP，支持事务，支持二级索引，支持sql，支持主从、Group Replication架构模型（本文全部以Innodb为例，不涉及别的存储引擎）。HBase：基于HDFS，支持海量数据读写（尤其是写），支持上亿行、上百万列的，面向列的分布式NoSql数据库。天然分布式，主从架构，不支持事务，不支持二级索引，不支持sql。

这也许是你全网你能找到的最详细的倒排索引的底层解读。博主把倒排索引的讲解划分为以下七个部分，理解难度递增，可根据自身需要选择依次阅读或者针对性阅读。通常来说，应付一般的面试，理解第一部分即可。如果需要面试搜索相关业务的岗位，需要深层次理解倒排索引，可根据自身情况选择阅读。