服务项目
黑马- SpringCloud微服务技术栈实用篇完成时间2023-3-22。
项目涉及技术
1.知识点是按照集数依次整理，方便日后回来查找。
2.考虑到不是固定的联网方式，时而WiFi，时而热点，配置静态IP会导致每次网络变更后都需要重新配置，所以虚拟机使用的动态路由，当需要运行相关程序时，IP变化，需要修改yml文件 || test测试类 || 启动类里的配置即可。
3.将代码路径列举主要是为后续审查。
4.自己编写代码路径E:\微服务\实用篇\day01-SpringCloud01\资料\cloud-demo。
5.打包上传到Linux实现集群部署路径E:\微服务\实用篇\day03-Docker\资料\cloud-demo。
6.mq的代码路径E:\微服务\实用篇\day04-MQ\资料\mq-demo。
7.RestClient操作酒店索引库的代码路径E:\微服务\实用篇\day05-Elasticsearch01\资料\hotel-demo。
8.操作数据库+mq实现数据同步的代码路径E:\微服务\实用篇\day07-Elasticsearch03\资料\hotel-admin。
用篇
背景
1.微服务技术栈导学。
2.微服务的架构，背景，技术对比等。
3.服务拆分–微服务调用方式。
注册中心
1.Eureka注册中心–服务原理、搭建、注册、发现->（p9）。
2.Ribbon负载均衡规则–原理、轮询与随机均衡策略、饥饿加载->（p14）。
3.Nacos注册中心–安装、注册、发现、服务分级存储（分地域集群）、NacosRule负载均衡策略、权重控制、环境隔离-namespace->（P17）。
4.Nacos与eureka的共同点、区别。
5.Nacos启动–在bin目录进入cmd，输入startup.cmd -m standalone。
配置中心
1.Nacos配置管理（ps: 视频p26 – 命名空间是否正确)）。
2.Nacos实现热更新–（1）@Value + RefreshScope来刷新。 （2）@ConfigurationProperties注入，自动刷新。
3.多服务共享配置–优先级：nacos中的配置（服务名-profile.yaml > 服务名称.yaml） > 本地配置。
4.nacos集群搭建–（1）搭建MySQL集群并初始化数据库表。（2）下载解压nacos、修改集群配置、数据库配置。（3）分别启动多个nacos节点。（4）nginx反向代理。
远程调用
1.http客户端Feign–定义和使用步骤->（p30）。
2.Feign与RestTemplate的区别与代替。
3.自定义Feign的配置–修改日志级别-配置文件&&java代码配置（一般需要配置，详解）、响应结果的解析器、请求参数编码、支持的注解格式、失败重试机制。
4.Feign的性能优化–默认-URLConnection：默认实现，不支持连接池；Apache HttpClient：支持连接池；OKHttp：支持连接池。
5.优化–日志尽量用basic；使用连接池。
6.Feign最佳实践–controller和FeignClient继承同一接口；将FeignClient、POJO、Feign的默认配置都定义到一个项目中，供消费者使用（抽取）。
7.抽取Feign–这里自动注解UserClient报错，是由于扫不到包，下面视频有解决办法-两种导包的方式。
服务网关
1.统一网关Gateway–作用：身份认证、权限校验、负载均衡、限流。（p35）
2.网关搭建、路由配置–路由id、路由目标（uri）、路由断言（predicates）、路由过滤器（filters）。
3.路由断言工厂–1种基本的断言（使用时去Spring Cloud Gateway官方文档中介绍及使用样例）、作用：读取用户定义的断言条件，对请求做出判断。
4.路由过滤器–31种过滤规则；过滤器的作用：对路由的请求或响应做加工处理、配置在路由下的过滤器只对当前路由请求生效；defaultFilters默认路由的作用：对所有路由都生效的过滤器。
5.全局过滤器–作用：对所有路由都生效的过滤器，并且可以自定义处理逻辑；实现步骤：实现GlobalFilter接口，添加@Order注解或实现Ordered接口，编写处理逻辑。
6.过滤器执行顺序–order值越小，优先级越高；当order值一样时，顺序是defaultFilter最先，然后局部的路由过滤器，最后全局过滤器。
7.CORS跨域–配置参数：允许哪些域名、请求头、请求方式、是否允许使用永久cookie、有效期多久。
项目部署
1.Docker解决不同组件依赖的兼容性问题–将应用的Libs（函数库）、Deps（依赖）、配置与应用一起打包，形成可移植镜像；将每一个应用放到隔离的容器上运行，使用沙箱机制，相互隔离。（P42）
2.Docker解决开发、测试、生产环境的差异问题–Docker镜像中包含完整运行环境，包括系统函数库，仅依赖Linux系统的内核，因此可以在任意Linux操作系统上运行。
3.Docker是一个快速交付应用、运行应用的技术–启动、移除都可以通过一行命令完成，方便快捷。
4.Docker和虚拟机的差异–docker是一个系统进程；虚拟机是在操作系统中的操作系统；docker体积小、启动速度快、性能；虚拟机体积大、启动速度慢、性能一般。
5.镜像：将应用程序及其依赖、环境、配置打包在一起。
6.容器：镜像运行起来就是容器，一个镜像可以运行多个容器。
7.Docker结构–服务端：接受命令或远程请求，操作镜像或容器；客户端：发送命令或请求到Docker服务端。
8.DockerHub：一个镜像托管的服务器，类似的还有阿里云镜像服务，统称为DockerRegistry。
9.linux卸载、安装、启动docker，配置镜像，Docker应用需要用到各种端口，逐一去修改防火墙设置。非常麻烦，所以启动前需要临时关闭防火墙。
# 关闭 systemctl stop firewalld # 禁止开机启动防火墙 systemctl disable firewalld #查询防火墙状态 systemctl status firewalld # 启动docker服务 systemctl start docker # 查询docker服务状态 systemctl status docker # 查看版本 docker -v # 停止docker服务 systemctl stop docker # 重启docker服务 systemctl restart docker
1.Docker基本操作–镜像命令(p47)
2.docker--help查看帮助文档；如：docker images --help-查看所有的镜像，里面有解释和参数的使用说明。
3.依次装nginx、redis。
4.下方是一些镜像命令，不需要记住，用时查帮助文档即可。
#查看帮助文档 docker--help #拉取nginx的命令 docker pull nginx #查看镜像 docker images #查询帮助文档 docker save --help #导出镜像到磁盘 -o 导出后的名称 名称:版本 docker save -o nginx.tar nginx:latest #删除镜像 rmi 名称:版本 或者 rmi 镜像id docker rmi nginx:latest #导入镜像 docker load -i nginx.tar
1.docker基本操作–容器命令（p49）
# 运行docker docker run #docker run:运行容器 --name:起名字 -p:宿主机端口（可变）:容器端口（不可变） -d:后台运行容器 nginx:是镜像名称 docker run --name name -p 80:80 -d nginx #redis docker run --name mr -p 6379:6379 -d redis redis-server --appendonly yes # 暂停 docker pause 容器名字 # 从暂停到运行 docker unpause 容器名字 # 停止 docker stop 容器名字 # 从停止到运行 docker start 容器名字 # 查看所有运行的容器及状态 docker ps # 查看容器运行日志 docker logs 容器名字 # 持续查看输出日志 docker logs -f 容器名字 # 进入容器执行命令 docker exec # docker exec:进入容器内部执行命令 -it:给当前进入的容器创建一个标准输入、输出终端，允许我们与容器交互 name:容器名称 bash:进入容器后执行的命令，bash是一个Linux终端的交互命令 docker exec -it name bash # 删除指定容器 docker rm 容器名字
- 1.docker基本操作–数据卷(p53)
- 2.数据卷（volume）是一个虚拟目录，指向宿主机系统中的某一个目录。
- 3.数据卷作用：将容器与数据分离，解耦合，方便操作容器内数据，保证数据安全。
- 4.数据卷基本的命令。
# 数据卷基本语法 docker volume [command] # 下方是根据命令的command create # 创建一个volumn + 名称 inspect # 显示一个或多个volumn的信息 + 名称 ls # 列出所有的volume prune # 删除未使用的volume rm # 删除一个或多个指定的volumn + 名称
1.docker基本操作–挂载数据卷(P54)
2.如果容器运行时volume不存在，会自动被创建出来。
3.数据卷挂载耦合度低，由docker来管理目录，但是目录较深，不好找。
4.目录挂载耦合度高，需要我们自己管理，目录容易找。
# docker run的命令中通过 -v 参数挂载文件或目录到容器中： # （1）-v volume名称:容器内目录 # （2）-v 宿主机文件:容器内文件 # （3）-v 宿主机目录:容器内目录 # docker run:运行容器 --name:起名字 -v volumename:/targetContainerPath -p 8080:80：把宿主机的8080端口映射到容器内的80端口 -d：挂载到后台 nginx：镜像名称 docker run --name mn -v html:/root/html -p 8080:80 -d nginx # mysql docker run --name mysql -e MYSQL_ROOT_PASSWORD=123456 -p 3306:3306 -v /tmp/mysql/conf/hmy.cnf:/etc/mysql/conf.d/hmy.cnf -v /tmp/mysql/data:/var/lib/mysql -d mysql:5.7.25
1.Dockerfile–自定义镜像（P56）
2.镜像是分层结构，每一层称为一个Layer。BaseImage层：包含基本的系统函数库、环境变量、文件系统；Entrypoint：入口，镜像中应用启动的命令；其它：在BaseImage基础上添加依赖、安装程序、完成整个应用的安装和配置。
3.Dockerfile是一个文本文件，其中包含一个个指令，用指令来说明要执行什么操作来构建镜像。
4.Dockerfile的第一行必须是FROM，从一个基础镜像来构建（可以是基本的操作系统，也可以是其它人制作好的镜像）。
5.一些常用指令介绍如下：
# 每一个指令都会形成一层Layer FROM # 指定基础镜像 ENV # 设置环境变量，可在后面指令使用 COPY # 拷贝本地文件到镜像的指定目录 RUN # 执行Linux的shell命令，一般是安装过程的命令 EXPOSE # 指定容器运行时监听的端口 ENTRYPOINT # 镜像中应用的启动命令，容器运行时调用 # 利用dockerfile来构建镜像 指令后的.是指DockerFile在当前目录下 docker build -t javaweb:1.0 . # 将生成的镜像跑起来 docker run --name web -p 8090:8090 -d javaweb:1.0
1.DockerCompose–微服务集群部署（P58）。
2.DockerCompose基于Compose文件快速部署分布式应用，无需手动一个个创建和运行容器。
3.Compose文件是一个文本文件，通过指令定义集群中的每一个容器如何运行（等价于4.转换docker的各种参数来定义，还有运行容器和构建镜像）。
4.CentOS7安装DockerCompose。
5.使用DockerCompose将前面的项目集群部署到Linux上。（ps：使用xshell不可以直接传输文件夹，可以先压缩上传到Linux，然后解压）
6.由于nacos部署比较慢，其它微服务需要依赖到它，所以会导致部分运行时出现错误。解决：先对nacos进行部署，再部署其它微服务。
# 查看DockerCompose的帮助文档 docker-compose --help # 查看创建的容器 docker ps # 查看日志 最后可以加微服务名称，查询一个启动的日志 docker-compose logs -f # 解决nacos部署慢，重启其它微服务 docker-compose restart gateway userservice orderservice
1.Docker–镜像仓库（P60）
2.搭建镜像仓库–使用DockerCompose部署带有图象界面的DockerRegistry的镜像仓库，需要先配置Docker信任地址。
3.在私有镜像仓库推送或拉取镜像，推送镜像到私有镜像服务必须先tag。
# 打开要修改的文件 vi /etc/docker/daemon.json # 添加内容： "insecure-registries":["http://192.168.226.134:8080"] # 重加载 systemctl daemon-reload # 重启docker systemctl restart docker # 创建DockerCompose部署带有图象界面的DockerRegistry的yaml文件 version: '3.0' services: registry: image: registry volumes: - ./registry-data:/var/lib/registry ui: image: joxit/docker-registry-ui:static ports: - 8080:80 environment: - REGISTRY_TITLE=传智教育私有仓库 - REGISTRY_URL=http://registry:5000 depends_on: - registry # 后台运行 docker-compose up -d # 查看现有镜像 docker images # 重新tag本地镜像，名称前缀为私有仓库地址 docker tag nginx:latest 192.168.226.134:8080/nginx:1.0 # 推送镜像 docker push 192.168.226.134:8080/nginx:1.0 # 删除镜像 docker rmi 192.168.226.134:8080/nginx:1.0 # 拉取镜像 docker pull 192.168.226.134:8080/nginx:1.0
异步通信
1.MQ–RabbitMQ–SpringAMQP（P61）
2.同步调用–优点：时效性较强，可以立即得到结果；缺点：耦合度高、性能和吞吐能力下降、有额外的资源消耗、有级联失败问题。
3.异步调用的实现-事件驱动优势，事件驱动架构-Broker。
4.异步通信–优点：耦合度低、吞吐量提升、故障隔离、流量削峰；缺点：依赖于Broker的可靠性、安全性、吞吐能力、架构复杂了，业务没有明显的流程线，不好追踪管理。
5.MQ（MessageQueue）：消息队列，存放消息的队列。
6.RabbitMQ、ActiveMQ、RocketMQ、Kafka的对比分析。（P64）
7.RabbitMQ–部署安装、页面介绍、结构和概念。
# 在线拉取 docker pull rabbitmq:3-management # 上传好tar包，命令加载镜像 docker load -i mq.tar # 运行MQ容器 docker run \ -e RABBITMQ_DEFAULT_USER=itcast \ -e RABBITMQ_DEFAULT_PASS=123321 \ --name mq \ --hostname mq1 \ -p 15672:15672 \ -p 5672:5672 \ -d \ rabbitmq:3-management # 查看全部容器 docker ps -a # 重启后重启mq容器 docker start mq
1.RabbitMQ部署成功后页面元素分析–channel：操作MQ的工具、exchange：路由消息到队列、queue：缓存消息、virtual host：虚拟主机，是对queue、exchange等资源的逻辑分组。
2.RabbitMQ入门案例–简单队列模型。官方文档-入门案例-publisher：消息发布者，将消息发送到队列；queue：消息队列，负责接收并缓存消息；consumer：订阅队列，处理队列中的消息。
3.基本消息队列的消息发送流程和基本消息队列的消息接收流程。（P67）
4.SpringAMQP–基于AMQP协议定义的一套API规范，提供模板来发送和接受消息；AMQP介绍–应用间消息通信的一种协议，与语言和平台无关。
5.简单队列模型–利用SpringAMQP实现HelloWorld的基础消息队列功能–引入amqp的starter依赖；配置RabbitMQ地址；利用RabbitTemplate的convertAndSend方法来发送消息。（P67）
6.Work queue–工作队列，可以提高消息处理速度，避免队列消息堆积-默认为：消息预取。
7.Work模型–多个消费者绑定到一个队列，同一条消息只会被一个消费者处理；通过设置prefetch来控制消费者预取的消息数量。（P71）
8.发布、订阅模型–允许将同一消息发送给多个消费者。实现方式是加入了exchange（交换机）；exchange类型-Fanout：广播、Direct：路由、Topic：话题。（P72）
9.exchange（交换机）作用–接收publisher发送的消息；将消息按照规则路由到与之绑定的队列；负责消息路由，而不是存储，路由失败则消息丢失。
10.Fanout Exchange–将接收到的消息路由到每一个跟其绑定的queue。
11.Direct Exchange–路由模式会将接收到的消息根据规则路由到指定的Queue（每一个Queue都与Exchange设置一个BindingKey）；发布者发送消息时，指定消息的RoutingKey；Exchange将消息路由到BindingKey与消息RoutingKey一致的队列。（P74）
12.TopicExchange–与Direct Exchange类似，区别在于routingKey必须是多个单词的列表，并且以 . 分割；Queue与Exchange指定BindingKey时可以使用通配符：#-代指0个或多个单词；*：代指一个单词。
13.消息转换器–SpringAMQP中消息的反序列化和反序列化-利用MessageConverter实现的，默认是JDK的序列化；注意发送方与接收方必须使用相同的MessageConverter。
分布式搜索
1.ES==elasticsearch–开源分布式搜索引擎。（P77）
2.elasticsearch：用来实现搜索、日志统计、分析、系统监控等功能。
3.elasticsearch+kibana、Logstash、Beats == elastic stack（ELK）。
4.elasticsearch–核心-存储、计算、搜索数据；可替换组件–kibana - 数据可视化；可替换组件–Logstash、Beats - 数据抓取。
5.Lucene–Apache的搜索引擎类库-易扩展、高性能、基于倒排索引-提供搜索引擎核心API-仅支持Java语言。
6.数据库表–文档：每一条数据就是一个文档；词条：对文档中的内容分词，得到的词语就是词条。
7.正向索引–基于文档id创建索引；查询词条时必须先找到文档，然后判断是否包含词条 - 数据库的模糊查询-逐条查询判断。
8.倒排索引–对文档内容分词，对词条创建索引，并记录词条所在文档的id；查询是先根据词条查询文档id，而后获取文档。
9.ES–存储-面向文档存储的，文档数据会被序列化为JSON格式；索引-相同类型的文档的集合；映射-索引中文档的字段约束信息，类似表的结构约束。
10.MySQL与elasticsearch的概念对比、架构分析、关系。（P80）
11.安装部署es、kibana，需要先让es和kibana容器互联，部署单点es或kibana都是运行上传的tar包将数据导入，再运行docker命令，即可访问，具体的命令整理如下，外加注释，清晰明了。
# 创建网络 docker network create es-net # 关闭虚拟机后，查看局域网络（已配置过，重启后不影响） docker network ls # 导入数据 docker load -i es.tar # 运行docker命令，部署单点es docker run -d \ --name es \ -e "ES_JAVA_OPTS=-Xms512m -Xmx512m" \ -e "discovery.type=single-node" \ -v es-data:/usr/share/elasticsearch/data \ -v es-plugins:/usr/share/elasticsearch/plugins \ --privileged \ --network es-net \ -p 9200:9200 \ -p 9300:9300 \ elasticsearch:7.12.1 # 重启后，重启容器 docker start es # 输入地址加端口即可访问es http://192.168.226.139:9200 # 导入数据 docker load -i kibana.tar # 运行docker命令，部署kibana docker run -d \ --name kibana \ -e ELASTICSEARCH_HOSTS=http://es:9200 \ --network=es-net \ -p 5601:5601 \ kibana:7.12.1 # 重启后重启容器 docker start kibana # 输入地址加端口即可访问kibana http://192.168.226.139:5601
ps：（1）重启后只需要重启容器即可；（2）如果没有删除容器，重新运行docker命令部署会报名字重复错误；（3）如果不删除容器，想修改名称创建容器的话，需要在ess和kibana中的请求连接要同步，否则会报Kibana server is not ready yet的问题。
1.分词器的作用–创建倒排索引时对文档分词、用户搜索时，对输入的内容分词。（P83）
2.测试分词器、安装IK分词器。
# 在kibana中测试分词器 # english-默认分词器、standard-标准分词器 POST /_analyze { "text": "好好学习，天天向上", "analyzer": "english" } # 安装ik分词器 # 查看数据卷elasticsearch的plugins目录位置 docker volume inspect es-plugins # 到这个目录下 cd /var/lib/docker/volumes/es-plugins/_data # 上传elasticsearch-analysis-ik-7.12.1.zip,然后解压 unzip elasticsearch-analysis-ik-7.12.1.zip # 不太建议上面的方式，我试过发现启动会报错，后面改了很久都是报错，不知道哪里的配置文件被修改了，然后恢复快照重新来过 # 使用FileZillar直接传输Windows下解压的文件夹，结果是成功的 # 重启es容器 docker restart es # 查看es日志 docker logs -f es # 测试ik分词器 # IK分词器包含两种模式 # ik_smart：最少切分 -- 被搜索的概论低-粗粒度 # ik_max_word：最细切分 -- 内存占用高-细粒度 GET /_analyze { "analyzer": "ik_max_word", "text": "好好学习天天向上，奥利给，噢噢点赞" }
1.ik分词器-扩展词库、停用词库。
注意当前文件的编码必须是 UTF-8 格式，严禁使用Windows记事本编辑
# 打开IK分词器config目录,在IKAnalyzer.cfg.xml配置文件内容添加 # 用户可以在这里配置自己的扩展字典 <entry key="ext_dict">ext.dic</entry> #用户可以在这里配置自己的扩展停止词字典 *** 添加停用词词典 <entry key="ext_stopwords">stopword.dic</entry> # 新建一个 ext.dic，可以参考config目录下复制一个配置文件进行修改 奥利给 # 在 stopword.dic 添加停用词 噢噢 # 修改过看效果，重启es容器即可 docker restart es # 查看 日志 docker logs -f es
1.索引库操作（P85）
2.mapping属性–mapping是对索引库中文档的约束。
3.mapping属性包括：type：字段数据类型、index：是后创建索引-默认为true；analyzer：使用哪种分词器；properties：该字段的子字段。
4.type简单类型–字符串：text（可分词的文本）、keyword（精确值）；数值：long、integer、short、byte、double、float；布尔：boolean；日期：date；对象：object。
5.创建索引库、查看索引库、删除索引库、禁止修改索引库。（P86）
# DSL语法 # 创建索引库名 PUT /索引库名 # 创建索引库的DSL语法例子 PUT /a { "mappings": { "properties": { "info": { "type": "text", "analyzer": "ik_smart" }, "name":{ "type": "object", "properties": { "firstName": { "type": "keyword", "index": false } } } } } } # 查看索引库 GET /索引库名 # 删除索引库 DELETE /索引库名 # 索引库和mapping一旦创建就无法修改，但是可以添加新的字段 PUT /索引库名/_mapping { "properties":{ "新字段名":{ "type":"integer" } } }
1.文档操作–插入文档、查看文档、删除文档（P88）
2.修改文档–全量修改，会删除旧文档，添加新文档；局部修改，修改指定字段值。
# 插入文档 POST /索引库名/_doc/文档id # 查看文档 GET /索引库名/_doc/文档id # 删除文档 DELETE /索引库名/_doc/文档id # 插入的DSL语法例子 -- 索引库名与上方创建相同 POST /a/_doc/1 { "info": "好好学习天天向上", "name": { "firstName": "小", "lastName": "盈" } } # 修改文档 -- 全量修改，会删除旧文档，添加新文档 PUT /索引库名/_doc/文档id PUT /a/_doc/1 { "info": "好好学习天天向上", "email": "45543563.qq.com", "name": { "firstName": "小", "lastName": "盈" } } # 局部修改，修改指定字段值 -- 只能修改一个指段 POST /索引库名/_update/文档id POST /a/_update/1 { "doc":{ "email": "xiaoying@qq.com" } }
1.RestClient操作索引库（P90）
2.导入hotel-demo，分析hotel的mapping数据结构-字段名、数据类型、是否参与搜索、是否分词、分词器。
3.tip：ES中支持两种地理坐标数据类型–geo_point：由维度和经度确定的一个点；geo_shape：有多个geo_point组成的复杂几何图形。
4.字段拷贝可以使用copy_to属性将当前字段拷贝到指定字段。
5.创建索引库、删除索引库、判断索引库是否存在。
6.索引库操作基本步骤：初始化RestHighLevelClient；创建XxxIndexRequest。xxx是Create、Get、Delete；准备DSL（Crete时需要）；发送请求，调用RestHighLevelClient#indices().xxx()方法。
# 酒店的mapping PUT /hotel { "mappings":{ "properties":{ "id":{ "type": "keyword" }, "name":{ "type": "text", "analyzer": "ik_max_word", "copy_to": "all" }, "address":{ "type": "keyword", "index": false }, "price":{ "type": "integer" }, "score":{ "type": "integer" }, "brand":{ "type": "keyword", "copy_to": "all" }, "city":{ "type": "keyword" }, "starName":{ "type": "keyword" }, "business":{ "type": "keyword", "copy_to": "all" }, "location":{ "type": "geo_point" }, "pic":{ "type": "keyword", "index": false }, "all":{ "type": "text", "analyzer": "ik_max_word" } } } }
1.RestClient操作文档–利用JavaRestClient实现文档的CRUD。（P95）
2.在数据库查询酒店数据，导入到hotel索引库，实现酒店数据的CRUD。
3.新增文档-index、根据id查询文档-get、根据id修改文档-update、根据id删除文档-delete。
4.文档操作的基本步骤：初始化RestHighLevelClient；创建XxxRequest；准备参数（Index和Update时需要）；发送请求，调用RestHighLevelClient#.xxx()方法；解析结果（Get时需要）。
5.利用JavaRestClient批量导入酒店数据到ES。
DSL语法
1.DSL查询语法（P101）
2.查询所有：查询出所有数据，一般测试用。例如：match_all。
3.全文检索（full text)查询：利用分词器对用户输入内容分词，然后去倒排索引库中匹配。例如:match、multi_match；两者区别match根据一个字段查询，multi_match根据多个字段查询；参与查询的字段越多，查询性能越差。
4.精确查询：根据精确词条值查找数据，一般是查找keyword、数值、日期、boolean等类型字段。例如：ids、range、term；
5.地理(geo）查询:根据经纬度查询。例如：geo_distance、geo_bounding_box。
6.复合(compound)查询：复合查询可以将上述各种查询条件组合起来，合并查询条件。例如：Boolean Query、function_score。
7.相关性打分算法(P105)
8.TF-IDF：在elasticsearch5.0之前，会随着词频增加而越来越大
9.BM25：在elasticsearch5.0之后，会随着词频增加而增大，但增长曲线会趋于水平。
# 查询所有 GET /hotel/_search { "query": { "match_all": {} } } # 全文检索 -- match查询（效率高） GET /hotel/_search { "query": { "match": { "all": "外滩如家" } } } # 全文检索 -- multi_match GET /hotel/_search { "query": { "multi_match": { "query": "外滩如家", "fields": ["brand", "name", "business"] } } } # 精确查询 -- term查询 精确匹配 GET /hotel/_search { "query": { "term": { "city": { "value": "上海" } } } } # 精确查询 -- range查询 范围过滤 GET /hotel/_search { "query": { "range": { "price": { "gte": 100, "lte": 300 } } } } # 地理查询 -- distance查询 GET /hotel/_search { "query": { "geo_distance": { "distance": "2km", "location": "31.21, 121.5" } } } # 复合查询 -- function_score 参加打分 # 给“如家”这个品牌的酒店靠前一点 GET /hotel/_search { "query": { "function_score": { "query": { "match": { "all": "外滩" } }, "functions": [ //算分函数 { "filter": { //条件 "term": { "brand": "如家" } }, "weight": 10 //算分权重 } ], "boost_mode": "sum" //加权分式 } } } # 复合查询 -- Boolean Query # must:必须匹配的条件，可以理解为“与” # should:选择性匹配的条件，可以理解为“或” # must_not:必须不匹配的条件，不参与打分 - 提高效率 # filter:必须匹配的条件，不参与打分 - 提高效率 # 搜索名字包含“如家”，价格不高于400，在坐标31.21，121.5周围10km范围内的酒店 GET /hotel/_search { "query": { "bool": { "must": [ {"match":{"name": "如家"}} ], "must_not": [ {"range":{"price":{"gt": 400}}} ], "filter":[ {"geo_distance": { "distance": "20km", "location": { "lat": 31.21, "lon": 121.5 } }} ] } } }
1.搜索结果处理（P108）
2.排序 – 经过排序就不做相关性打分，提高查询效率。
3.分页–文档全部查询，然后截取当前文档的位置+显示的文档数；默认top10，查询更多修改参数-from、size。
4.深度分页问题–ES集群处理的时候，是将所有节点的结果聚合，在内存中排序，在选中相应的文档；搜索页数过深，或结果集（from+size）越大，对内存和CPU的消耗也越高。
5.es设定结果集上限为10000。
6.分页方式(P109)
7.from + size–优点：支持随机翻页；缺点：深度分页问题。场景：百度、谷歌、京东等的随机翻页搜索。
8.after search–优点：没有查询上限（单词查询的size不超过10000），缺点：只能向后逐页查询，不支持随机翻页。场景：没有随机翻页需求的搜索，例如手机向下翻页。
9.scroll：优点：没有查询上限（单词查询的size不超过10000），缺点：会额外消耗内存，搜索结果是非实时的，场景：海量数据的获取和迁移。（已弃用）
10.高亮–将搜索结果中把搜索关键字突出显示。
# 对酒店数据按照用户评价降序排序，评价相同的按照价格升序排序 GET /hotel/_search { "query": { "match_all": {} }, "sort": [ { "score": "desc" }, { "price": "asc" } ] } # 对酒店数据数据按照你的位置坐标的距离升序排序 GET /hotel/_search { "query": { "match_all": {} }, "sort": [ { "_geo_distance": { "location": { "lat": 31.034661, "lon": 121.612282 }, "order": "asc", "unit": "km" } } ] } # 分页查询 -- from-分页当前的位置 size-显示文档的总数 GET /hotel/_search { "query": { "match_all": {} }, "sort":[ { "price": "asc" } ], "from": 0, "size": 10 } # 高亮查询，默认情况下，ES搜索字段必须与高亮字段一致，可以将"require_field_match":"false"-关闭搜索字段和高亮字段匹配 GET /hotel/_search { "query": { "match": { "all": "如家" } }, "highlight":{ "fields":{ "name":{ "require_field_match":"false" } } } }
1.RestClient查询文档–利用JavaRestClient查询文档。（P111）
2.基本步骤–创建SearchRequest对象-准备Request.source()，其中QueryBuilders来构建查询条件，再传入query()方法-发送请求，得到结果-解析结果（参考JSON结果，从外到内，逐层解析）。
3.全文检索 – 要构建条件只需要QueryBuilders。
4.高亮–高亮结果解析是参考JSON结果，逐层解析。
数据聚合
1.聚合–对文档数据的统计、分析、计算。（P120）
2.聚合的常见种类
3.Bucket（桶聚合）：对文档数据分组；TermAggregation：按照文档字段分组；Date Histogram：按日期阶梯分组，如一周或一月为一组。
4.Metric（度量聚合或嵌套聚合）：对文档数据做计算，例如avg、min、max、status（同时求sum、min等）等；
5.Pipeline（管道聚合）：基于其它聚合结果再做聚合。
6.参与聚合的字段类型必须为：keyword、数值、日期、布尔。
7.DSL实现Bucket聚合（P121）
8.aggs代表聚合，与query同级；query的作用：限定聚合的的文档范围。
9.聚合必须的三要素：聚合名称、聚合类型、聚合字段。
10.聚合可配置属性有：size：指定聚合结果数量；order：指定聚合结果排序方式；field：指定聚合字段。
11.DSL实现Metrics聚合（P122）
12.ResrClient实现聚合（P123）
# 统计所有数据中的酒店品牌有几种，此时可以根据酒店品牌的名称做聚合 # size-设置size为0，结果中不包含文档，只包含聚合结果 # aggs-定义聚合 brandAgg-给聚合起个名字 # terms-聚合的类型，按照品牌值聚合，所以选择 # field-参与聚合的字段 size- 希望获取的聚合结果数量 GET /hotel/_search { "size": 0, "aggs": { "brandAgg": { "terms": { "field":"brand", "size": 10 } } } } # Bucket聚合会统计Bucket内的文档数量，记为_count，并且按照_count降序排序 GET /hotel/_search { "size": 0, "aggs": { "brandAgg": { "terms": { "field":"brand", "size": 10, "order": { "_count": "asc" } } } } } # Bucket聚合是对索引库的所有文档做聚合，我们可以限定要聚合的文档范围，只要添加query条件 GET /hotel/_search { "query": { "range": { "price": { "lte": 200 } } }, "size": 0, "aggs": { "brandAgg": { "terms": { "field":"brand", "size": 10 } } } } # 获取每个品牌的用户评分的min、max、avg等值. # aggs-brands聚合的子聚合，也就是分组后对每组分别计算 # scoreAgg-聚合名称 # stats-聚合类型，这里stats可以计算min、max、avg等 # field-聚合字段，这里是score GET /hotel/_search { "size": 0, "aggs": { "brandAgg": { "terms": { "field":"brand", "size": 10, "order": { "scoreAgg.avg": "desc" } }, "aggs": { "scoreAgg": { "stats": { "field": "score" } } } } } }
1.自动补全（P126）
2.安装拼音分词器，测试。
3.自定义分词器–elasticsearch中分词器（analyzer）的组成包含三部分：
4.character filters：在tokenizer之前对文本进行处理。例如删除字符、替换字符。
5.tokenizer：将文本按照一定的规则切割成词条（term）。例如keyword，就是不分词；还有ik_smart。
6.tokenizer filter：将tokenizer输出的词条做进一步处理。例如大小写转换、同义词处理、拼音处理等。
# 安装pinyin分词器 # 查看数据卷elasticsearch的plugins目录位置 docker volume inspect es-plugins # 到这个目录下 cd /var/lib/docker/volumes/es-plugins/_data # 使用FileZillar直接传输Windows下解压的pinyin分词器的文件夹，结果是成功的 # 重启es容器 docker restart es # 查看es日志 docker logs -f es # 测试拼音分词器 GET /_analyze { "text": ["如家酒店还不错"], "analyzer": "pinyin" } # 删除索引库 DELETE /test # 自定义拼音分词器,创建索引库时，通过settings来配置自定义的analyzer（分词器）;拼音分词器适合在创建倒排索引的时候使用，但不能在搜索的时候使用。--导致多音字都被搜出来 # 创建倒排索引时应该用my_analyzer分词器 -- analyzer； # 字段在搜索时应该使用ik_smart分词器 -- search_analyzer; PUT /test { "settings": { "analysis": { "analyzer": { "my_analyzer": { "tokenizer": "ik_max_word", "filter": "py" } }, "filter": { "py": { "type": "pinyin", "keep_full_pinyin": false, "keep_joined_full_pinyin": true, "keep_original": true, "limit_first_letter_length": 16, "remove_duplicated_term": true, "none_chinese_pinyin_tokenize": false } } } }, "mappings":{ "properties":{ "name": { "type": "text", "analyzer": "my_analyzer", "search_analyzer": "ik_smart" } } } } # 测试自定义分词器 GET /test/_analyze { "text": ["如家酒店还不错"], "analyzer": "pinyin" }
- 1.自动补全–
completion suggester查询-实现自动补全功能。（P128） - 2.自动补全对字段的要求：类型是
completion类型；字段值是多词条的数组。 - 3.案例：酒店数据自动补全–实现hotel索引库的自动补全、拼音搜索功能。（P130）
# 自动补全的索引库 PUT test1 { "mappings":{ "properties":{ "title": { "type": "completion" } } } } # 示例数据 POST test1/_doc { "title":["Sony", "WH-1000XM3"] } POST test1/_doc { "title":["SK-II", "PITERA"] } POST test1/_doc { "title":["Nintendo", "switch"] } # 自动补全查询 POST /test1/_search { "suggest": { "title_suggest": { "text": "s", # 关键字 "completion": { "field": "title", # 补全字段 "skip_duplicates": true, # 跳过重复的 "size": 10 # 获取前10条结果 } } } }
1.数据同步–elasticsearch与mysql之间的数据同步（P132）
2.问题：微服务中，负责酒店管理（操作mysql ）的业务与负责酒店搜索（操作elasticsearch ）的业务可能在两个不同的微服务上，数据同步该如何实现呢？ 解决办法：
3.方式一：同步调用；优点：实现简单，粗暴；缺点：业务耦合度高。
4.方式二：异步通知；优点：低耦合，实现难度一般；缺点：依赖mq的可靠性。
5.方式三：监听binlog；优点：完全解除服务间耦合；缺点：开启binlog增加数据库负担、实现复杂度高。–使用canal中间件。
6.ES集群结构(P138)
7.单机的elasticsearch做数据存储，必然面临两个问题：
8.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。
9.单点故障问题–将分片数据在不同节点备份（replica ）。
10.每个索引库的分片数量、副本数量都是在创建索引库时指定的，并且分片数量一旦设置以后无法修改。
11.elasticsearch中集群节点有不同的职责:
12.master eligi（主节点）–备选主节点：主节点可以管理和记录集群状态、决定分片在哪个节点、处理创建和删除索引库的请求。
13.data（数据节点）–数据节点：存储数据、搜索、聚合、CRUD。
14.ingest–数据存储之前的预处理。
15.coordinating（协调节点）–路由请求到其它节点合并其它节点处理的结果，返回给用户。
16.ES集群的脑裂–当主节点与其他节点网络故障时，可能发生脑裂问题。
17.协调节点的作用
18..分布式新增如何确定分片–coordinating node根据id做hash运算，得到结果对shard数量取余，余数就是对应的分片。
19.分布式查询的两个阶段。
20.分散阶段： coordinating node将查询请求分发给不同分片。
21.收集阶段：将查询结果汇总到coordinating node ，整理并返回给用户。
22.故障转移–master宕机后，EligibleMaster选举为新的主节点；master节点监控分片、节点状态，将故障节点上的分片转移到正常节点，确保数据安全。
黑马旅游
- 1.黑马旅游案例。
- 2.基本搜索和分页–案例1：实现黑马旅游的酒店搜索功能，完成关键字搜索和分页。（P115）
- 3.条件过滤–案例2：添加品牌、城市、星级、价格等过滤功能。
- 4.附近的酒店–案例3：我附近的酒店。
- 5.广告置顶–案例4：让指定的酒店在搜索结果中排名置顶。
- 6.排序–给黑马旅游添加排序功能。
- 7.高亮显示–给黑马旅游添加搜索关键字高亮效果。
- 8.聚合-RestClient–在IUserService中定义方法，实现对品牌、城市、星级的聚合。(P124)
- 9.酒店搜索页面自动补全–实现酒店搜索页面输入框的自动补全。（P131）
- 10.消息同步–利用MQ实现mysql与elasticsearch数据同步。（P133）
->微服务技术栈课程视频
https://www.bilibili.com/video/BV1LQ4y127n4?p=1
<-
记录每一个学习瞬间
