我们认识ES，认识到什么程度，会用到什么程度才算真正的认识呢。
我想我们可以从这几个角度去认识es
1.部署的角度
2.dsl，创建json格式，创建mapping，映射
3.springboot兼容es，使用java操作es
4.实际项目中es的具体接口。
1.部署的角度
我们这里要部署三个东西，es，kibana，还有ik分词器。
我这里简单解释一下，讲一下思路，具体的部署步骤，就不说了。
es就是也是一个数据库。就像mysql一样，不过mysql是存表，es是存很多的json。我们使用docker部署一下，让他运行，然后在他的文件夹的插件位置，装一个ik分词器的插件，让这个可以听的懂中文，对中文词组分词。
然后在安装一个kibana，这个就是，相当于mysql的navicat，不然，操作es只能在linux下的命令行沟通。
2.对于索引库和文档的认识
这个就相当于sql语句和mysql的关系
其实我觉得这个认识不是很准确。
我们知道一个json数据，他可以固定下来，当做mysql的表。然后在使用固定的格式，对这个json做一定的限制，可以让json的一些字段，被检索到。
我们看一个简单的demo；
说得对！咱们从零开始，一步一步来。我先纠正一个关键概念：
核心概念纠正
你说“索引库是针对文档（JSON）去处理的” → 不完全对！
更准确的说法：
- 索引库（Index） =数据库的表（Table）
- 文档（Document） =表中的一行记录（Row）
- Mapping=表的字段结构定义（Schema）
完整关系：
索引库（products） ├── Mapping（定义结构） │ ├── 字段1：name（类型：text） │ ├── 字段2：price（类型：float） │ └── ... └── 文档（具体数据） ├── 文档1：{"name":"华为手机", "price":6999} ├── 文档2：{"name":"iPhone", "price":8999} └── ...分步教学：从零创建索引库
第1步：理解你要存什么数据
假设我们要存商品数据：
{"id":"P1001","name":"华为Mate 60 Pro","price":6999.99,"stock":100,"is_online":true,"create_time":"2024-01-15"}第2步：设计Mapping（字段类型）
思考每个字段应该用什么类型：
id：字符串，要精确匹配 →keywordname：字符串，要能搜“华为”、“手机” →text（并用IK分词）price：小数 →floatstock：整数 →integeris_online：是/否 →booleancreate_time：日期 →date
第3步：创建索引库（在Kibana中操作）
打开Kibana→ 左侧菜单 →Dev Tools，输入：
// 创建名为 "products" 的索引库PUT/products{"mappings":{"properties":{"id":{"type":"keyword"},"name":{"type":"text","analyzer":"ik_max_word"},"price":{"type":"float"},"stock":{"type":"integer"},"is_online":{"type":"boolean"},"create_time":{"type":"date","format":"yyyy-MM-dd"}}}}点击右边的三角形执行按钮，看到返回：
{"acknowledged":true,"shards_acknowledged":true,"index":"products"}✅表示创建成功！
第4步：查看刚创建的索引库
// 查看索引库结构GET/products/_mapping返回结果就是你刚才定义的mapping。
第5步：插入第一条数据
// 插入一个商品POST/products/_doc/1// _doc表示文档，1是文档ID{"id":"P1001","name":"华为Mate 60 Pro 智能手机","price":6999.99,"stock":100,"is_online":true,"create_time":"2024-01-15"}返回：
{"_index":"products",// 存入哪个索引库"_id":"1",// 文档ID"result":"created"// 创建成功}第6步：再插入几条数据
POST/products/_doc/2{"id":"P1002","name":"Apple iPhone 15 Pro","price":8999,"stock":50,"is_online":true,"create_time":"2024-01-10"}POST/products/_doc/3{"id":"P1003","name":"小米电视 75英寸","price":3999,"stock":30,"is_online":false,"create_time":"2024-01-05"}第7步：查询数据
简单查询所有：
GET/products/_search{"query":{"match_all":{}}}按名称搜索：
GET/products/_search{"query":{"match":{"name":"华为手机"// IK会自动分成"华为"和"手机"}}}条件过滤：
GET/products/_search{"query":{"bool":{"must":[{"match":{"name":"电视"}}],"filter":[{"range":{"price":{"lte":5000}}},// 价格<=5000{"term":{"is_online":true}}// 已上架]}}}我们进阶一下，创建索引库要有的完善的知识体系：
一、创建索引库的关键字全解
基本结构关键字
PUT/索引名{"settings":{// 索引设置（可选）"number_of_shards":3,// 分片数"number_of_replicas":1// 副本数},"mappings":{// 映射定义（核心）"properties":{// 字段定义开始"字段名":{"type":"字段类型",// 最重要的属性// 其他参数...}}}}二、字段类型大全（最常用14种）
1. 字符串类型
| 类型 | 用途 | 示例 |
|---|---|---|
keyword | 精确匹配（不分词） 用于：ID、状态码、标签 | "status": "published" |
text | 全文搜索（要分词） 用于：文章内容、商品描述 | "content": "这是一篇文章..." |
text+fields | 同时支持分词和精确匹配 | 见下面示例 |
// text 和 keyword 的区别示例"name":{"type":"text",// 可以搜"华为"、"手机""analyzer":"ik_max_word","fields":{"keyword":{// 可以精确匹配"华为Mate 60 Pro""type":"keyword","ignore_above":256// 超过256字符不索引}}}2. 数字类型
| 类型 | 范围 | 用途 |
|---|---|---|
long | -2⁶³ 到 2⁶³-1 | 大整数：ID、数量 |
integer | -2³¹ 到 2³¹-1 | 整数：年龄、库存 |
short | -32768 到 32767 | 小整数：年份、状态码 |
byte | -128 到 127 | 微小整数：性别(0/1) |
double | 双精度浮点 | 高精度小数：科学计算 |
float | 单精度浮点 | 普通小数：价格、评分 |
half_float | 半精度 | 节省空间：0-1的评分 |
scaled_float | 缩放浮点 | 货币：存储123.45存为12345 |
"price":{"type":"float"// 价格用float足够},"population":{"type":"long"// 人口数量用long},"rating":{"type":"half_float"// 评分4.5，节省空间},"salary":{"type":"scaled_float","scaling_factor":100// 存123.45实际存12345}3. 日期类型
"create_time":{"type":"date","format":"yyyy-MM-dd HH:mm:ss||yyyy-MM-dd||epoch_millis"// 支持多种格式，自动识别}常用格式：
"yyyy-MM-dd"→"2024-01-15""yyyy-MM-dd HH:mm:ss"→"2024-01-15 14:30:00""epoch_millis"→ 时间戳1705300200000
4. 布尔类型
"is_online":{"type":"boolean"}// 可接受值：true, false, "true", "false", "on", "off", "yes", "no"5. 二进制类型
"file_data":{"type":"binary"}// 存Base64编码的二进制：图片、文件6. 范围类型
"age_range":{"type":"integer_range"// 还有float_range, date_range等}// 数据：{"gte": 18, "lte": 60}7. 对象类型
// 简单对象"user":{"type":"object","properties":{"first_name":{"type":"text"},"last_name":{"type":"text"},"age":{"type":"integer"}}}// 数据：{"user": {"first_name": "张", "last_name": "三", "age": 25}}8. 嵌套类型（重要！）
"comments":{"type":"nested",// 保持数组内对象的独立性"properties":{"author":{"type":"keyword"},"content":{"type":"text"},"time":{"type":"date"}}}为什么用nested？
// 没有nested时（错误）："comments":[{"author":"张三","content":"好"},{"author":"李四","content":"不好"}]// 搜"author:张三 AND content:不好" 会错误匹配！// 用nested时：每个评论对象独立，不会交叉匹配9. 地理类型
"location":{"type":"geo_point"// 经纬度}// 数据：{"lat": 39.9042, "lon": 116.4074}// 或： "39.9042,116.4074"10. IP类型
"ip_address":{"type":"ip"// IPv4或IPv6}// 数据："192.168.1.1"11. 数组类型
ES没有专门的array类型！任何字段都可以包含多个值：
"tags":{"type":"keyword"// 但可以存数组}// 数据：["手机", "旗舰", "5G"]12. 自动补全类型
"suggest":{"type":"completion"// 搜索建议}13. 分词计数类型
"word_count":{"type":"token_count",// 统计分词数量"analyzer":"standard"}// 统计"hello world" = 2个词14. 附件类型（需要插件）
"attachment":{"type":"attachment"// 需要ingest-attachment插件}// 可以提取PDF、Word内容三、完整的创建索引库示例
PUT/my_complete_index{"settings":{"number_of_shards":3,"number_of_replicas":1,"analysis":{"analyzer":{"my_ik":{"type":"custom","tokenizer":"ik_max_word"}}}},"mappings":{"properties":{// 字符串类"id":{"type":"keyword"},"title":{"type":"text","analyzer":"my_ik","fields":{"raw":{"type":"keyword"}}},// 数字类"price":{"type":"float"},"stock":{"type":"integer"},"rating":{"type":"half_float"},// 日期类"create_time":{"type":"date","format":"yyyy-MM-dd HH:mm:ss"},// 布尔类"is_online":{"type":"boolean"},// 对象类"author":{"type":"object","properties":{"name":{"type":"keyword"},"age":{"type":"byte"}}},// 嵌套类"comments":{"type":"nested","properties":{"user":{"type":"keyword"},"content":{"type":"text"}}},// 地理类"location":{"type":"geo_point"},// IP类"ip":{"type":"ip"},// 数组（用keyword存数组）"tags":{"type":"keyword"},// 范围类"age_range":{"type":"integer_range"},// 补全建议"suggest":{"type":"completion"}}}}四、类型选择的黄金法则
| 场景 | 应该用 | 不要用 |
|---|---|---|
| 用户ID、状态码 | keyword | text |
| 搜索文章内容 | text+ 分词器 | keyword |
| 价格、评分 | float | text |
| 库存、年龄 | integer | float |
| 创建时间 | date | text |
| 是/否开关 | boolean | integer |
| 商品规格数组 | nested | object |
| 用户位置 | geo_point | text |
| IP地址 | ip | keyword |
五、查询不同字段类型的示例
// 1. keyword精确匹配GET/index/_search{"query":{"term":{"status":"published"}// 完全匹配"published"}}// 2. text全文搜索GET/index/_search{"query":{"match":{"content":"华为手机"}// 搜"华为"或"手机"}}// 3. 数字范围查询GET/index/_search{"query":{"range":{"price":{"gte":100,"lte":1000}}}}// 4. 日期范围查询GET/index/_search{"query":{"range":{"create_time":{"gte":"2024-01-01","lte":"2024-01-31"}}}}// 5. 嵌套对象查询GET/index/_search{"query":{"nested":{"path":"comments","query":{"bool":{"must":[{"term":{"comments.user":"张三"}},{"match":{"comments.content":"好评"}}]}}}}}六、快速参考表
| 类别 | 常用类型 | 关键参数 |
|---|---|---|
| 字符串 | text,keyword | analyzer,ignore_above |
| 数字 | integer,float | - |
| 日期 | date | format |
| 布尔 | boolean | - |
| 对象 | object,nested | properties |
| 地理 | geo_point | - |
| IP | ip | - |
| 数组 | 任何类型都可以 | - |
| 补全 | completion | - |
实战练习
在 Kibana 中创建这个索引库：
PUT/practice_index{"mappings":{"properties":{"student_id":{"type":"keyword"},"name":{"type":"text","analyzer":"ik_max_word"},"age":{"type":"integer"},"score":{"type":"float"},"is_graduated":{"type":"boolean"},"birthday":{"type":"date","format":"yyyy-MM-dd"},"courses":{"type":"nested","properties":{"course_name":{"type":"keyword"},"grade":{"type":"float"}}},"hobbies":{"type":"keyword"}}}}然后插入数据、查询试试看！
记住：90%的场景只用前6种类型（text、keyword、integer、float、date、boolean），先掌握这些就够了！
对于es索引的操作，除了创建，还有：
以及有写入粒度，数据的认识：
好的，那么对于基本的部署es
以及操作es我们就有简单的认识和概念了。
感谢博主：https://blog.csdn.net/weixin_39932783/article/details/1390969727的分享
)
