高性能分布式搜索引擎Elasticsearch详解

本文涉及的产品
云数据库 RDS MySQL,集群系列 2核4GB
推荐场景:
搭建个人博客
RDS MySQL Serverless 基础系列,0.5-2RCU 50GB
检索分析服务 Elasticsearch 版,2核4GB开发者规格 1个月
简介: 高性能分布式搜索引擎Elasticsearch详解

 ♥️作者:小宋1021

🤵‍♂️个人主页:小宋1021主页

♥️坚持分析平时学习到的项目以及学习到的软件开发知识,和大家一起努力呀!!!

🎈🎈加油! 加油! 加油! 加油

🎈欢迎评论 💬点赞👍🏻 收藏 📂加关注+!


目录

初识elasticsearch

认识和安装

安装elasticsearch

安装Kibana

倒排索引

正向索引

倒排索引

正向和倒排

基础概念

文档和字段

索引和映射

mysql与elasticsearch

IK分词器

安装IK分词器

使用IK分词器

拓展词典

总结


在我们的项目之中搜索肯定是访问频率最高的页面之一。目前搜索功能是基于数据库的模糊搜索来实现的,存在很多问题。

首先,查询效率较低。

由于数据库模糊查询不走索引,在数据量较大的时候,查询性能很差。表中仅仅有不到9万条数据,基于数据库查询时,搜索接口的表现如图:

image.gif 编辑

改为基于搜索引擎后,查询表现如下:

image.gif 编辑

需要注意的是,数据库模糊查询随着表数据量的增多,查询性能的下降会非常明显,而搜索引擎的性能则不会随着数据增多而下降太多。目前仅10万不到的数据量差距就如此明显,如果数据量达到百万、千万、甚至上亿级别,这个性能差距会非常夸张。

其次,功能单一

数据库的模糊搜索功能单一,匹配条件非常苛刻,必须恰好包含用户搜索的关键字。而在搜索引擎中,用户输入出现个别错字,或者用拼音搜索、同义词搜索都能正确匹配到数据。

综上,在面临海量数据的搜索,或者有一些复杂搜索需求的时候,推荐使用专门的搜索引擎来实现搜索功能。

目前全球的搜索引擎技术排名如下:

image.gif 编辑

排名第一的就是我们今天要学习的elasticsearch.

elasticsearch是一款非常强大的开源搜索引擎,支持的功能非常多,例如:

image.gif 编辑

通过今天的学习大家要达成下列学习目标:

  • 理解倒排索引原理
  • 会使用IK分词器
  • 理解索引库Mapping映射的属性含义
  • 能创建索引库及映射
  • 能实现文档的CRUD

初识elasticsearch

Elasticsearch的官方网站如下:

Elasticsearch:官方分布式搜索和分析引擎 | Elastic

本章我们一起来初步了解一下Elasticsearch的基本原理和一些基础概念。

认识和安装

Elasticsearch是由elastic公司开发的一套搜索引擎技术,它是elastic技术栈中的一部分。完整的技术栈包括:

  • Elasticsearch:用于数据存储、计算和搜索
  • Logstash/Beats:用于数据收集
  • Kibana:用于数据可视化

整套技术栈被称为ELK,经常用来做日志收集、系统监控和状态分析等等:

image.gif 编辑

整套技术栈的核心就是用来存储搜索计算的Elasticsearch,因此我们接下来学习的核心也是Elasticsearch。

我们要安装的内容包含2部分:

  • elasticsearch:存储、搜索和运算
  • kibana:图形化展示

首先Elasticsearch不用多说,是提供核心的数据存储、搜索、分析功能的。

然后是Kibana,Elasticsearch对外提供的是Restful风格的API,任何操作都可以通过发送http请求来完成。不过http请求的方式、路径、还有请求参数的格式都有严格的规范。这些规范我们肯定记不住,因此我们要借助于Kibana这个服务。

Kibana是elastic公司提供的用于操作Elasticsearch的可视化控制台。它的功能非常强大,包括:

  • 对Elasticsearch数据的搜索、展示
  • 对Elasticsearch数据的统计、聚合,并形成图形化报表、图形
  • 对Elasticsearch的集群状态监控
  • 它还提供了一个开发控制台(DevTools),在其中对Elasticsearch的Restful的API接口提供了语法提示

安装elasticsearch

通过下面的Docker命令即可安装单机版本的elasticsearch:

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 hm-net \

 -p 9200:9200 \

 -p 9300:9300 \

 elasticsearch:7.12.1

注意,这里我们采用的是elasticsearch的7.12.1版本,由于8以上版本的JavaAPI变化很大,在企业中应用并不广泛,企业中应用较多的还是8以下的版本。

如果拉取镜像困难,可以直接导入提供的镜像tar包:

image.gif 编辑

安装完成后,访问9200端口,即可看到响应的Elasticsearch服务的基本信息:

image.gif 编辑

安装Kibana

通过下面的Docker命令,即可部署Kibana:

docker run -d \

--name kibana \

-e ELASTICSEARCH_HOSTS=http://es:9200 \

--network=hm-net \

-p 5601:5601  \

kibana:7.12.1

如果拉取镜像困难,可以直接导入资料提供的镜像tar包:

image.gif 编辑

安装完成后,直接访问5601端口,即可看到控制台页面:

image.gif 编辑

选择Explore on my own之后,进入主页面:

image.gif 编辑

然后选中Dev tools,进入开发工具页面:

image.gif 编辑

倒排索引

elasticsearch之所以有如此高性能的搜索表现,正是得益于底层的倒排索引技术。那么什么是倒排索引呢?

倒排索引的概念是基于MySQL这样的正向索引而言的。

正向索引

我们先来回顾一下正向索引。

例如有一张名为tb_goods的表:

id

title

price

1

小米手机

3499

2

华为手机

4999

3

华为小米充电器

49

4

小米手环

49

...

...

...

其中的id字段已经创建了索引,由于索引底层采用了B+树结构,因此我们根据id搜索的速度会非常快。但是其他字段例如title,只在叶子节点上存在。

因此要根据title搜索的时候只能遍历树中的每一个叶子节点,判断title数据是否符合要求。

比如用户的SQL语句为:

select * from tb_goods where title like '%手机%';

那搜索的大概流程如图:

image.gif 编辑

说明:

  • 1)检查到搜索条件为like '%手机%',需要找到title中包含手机的数据
  • 2)逐条遍历每行数据(每个叶子节点),比如第1次拿到id为1的数据
  • 3)判断数据中的title字段值是否符合条件
  • 4)如果符合则放入结果集,不符合则丢弃
  • 5)回到步骤1

综上,根据id精确匹配时,可以走索引,查询效率较高。而当搜索条件为模糊匹配时,由于索引无法生效,导致从索引查询退化为全表扫描,效率很差。

因此,正向索引适合于根据索引字段的精确搜索,不适合基于部分词条的模糊匹配。

而倒排索引恰好解决的就是根据部分词条模糊匹配的问题。

倒排索引

倒排索引中有两个非常重要的概念:

  • 文档(Document):用来搜索的数据,其中的每一条数据就是一个文档。例如一个网页、一个商品信息
  • 词条(Term):对文档数据或用户搜索数据,利用某种算法分词,得到的具备含义的词语就是词条。例如:我是中国人,就可以分为:我、是、中国人、中国、国人这样的几个词条

创建倒排索引是对正向索引的一种特殊处理和应用,流程如下:

  • 将每一个文档的数据利用分词算法根据语义拆分,得到一个个词条
  • 创建表,每行数据包括词条、词条所在文档id、位置等信息
  • 因为词条唯一性,可以给词条创建正向索引

此时形成的这张以词条为索引的表,就是倒排索引表,两者对比如下:

正向索引

id(索引)

title

price

1

小米手机

3499

2

华为手机

4999

3

华为小米充电器

49

4

小米手环

49

...

...

...

倒排索引

词条(索引)

文档id

小米

1,3,4

手机

1,2

华为

2,3

充电器

3

手环

4

倒排索引的搜索流程如下(以搜索"华为手机"为例),如图:

image.gif 编辑

流程描述:

1)用户输入条件"华为手机"进行搜索。

2)对用户输入条件分词,得到词条:华为手机

3)拿着词条在倒排索引中查找(由于词条有索引,查询效率很高),即可得到包含词条的文档id:1、2、3

4)拿着文档id到正向索引中查找具体文档即可(由于id也有索引,查询效率也很高)。

虽然要先查询倒排索引,再查询倒排索引,但是无论是词条、还是文档id都建立了索引,查询速度非常快!无需全表扫描。

正向和倒排

那么为什么一个叫做正向索引,一个叫做倒排索引呢?

  • 正向索引是最传统的,根据id索引的方式。但根据词条查询时,必须先逐条获取每个文档,然后判断文档中是否包含所需要的词条,是根据文档找词条的过程
  • 倒排索引则相反,是先找到用户要搜索的词条,根据词条得到保护词条的文档的id,然后根据id获取文档。是根据词条找文档的过程

是不是恰好反过来了?

那么两者方式的优缺点是什么呢?

正向索引

  • 优点:
  • 可以给多个字段创建索引
  • 根据索引字段搜索、排序速度非常快
  • 缺点:
  • 根据非索引字段,或者索引字段中的部分词条查找时,只能全表扫描。

倒排索引

  • 优点:
  • 根据词条搜索、模糊搜索时,速度非常快
  • 缺点:
  • 只能给词条创建索引,而不是字段
  • 无法根据字段做排序

基础概念

elasticsearch中有很多独有的概念,与mysql中略有差别,但也有相似之处。

文档和字段

elasticsearch是面向文档(Document)存储的,可以是数据库中的一条商品数据,一个订单信息。文档数据会被序列化为json格式后存储在elasticsearch中:

image.gif 编辑

{

   "id": 1,

   "title": "小米手机",

   "price": 3499

}

{

   "id": 2,

   "title": "华为手机",

   "price": 4999

}

{

   "id": 3,

   "title": "华为小米充电器",

   "price": 49

}

{

   "id": 4,

   "title": "小米手环",

   "price": 299

}

 

因此,原本数据库中的一行数据就是ES中的一个JSON文档;而数据库中每行数据都包含很多列,这些列就转换为JSON文档中的字段(Field)

索引和映射

随着业务发展,需要在es中存储的文档也会越来越多,比如有商品的文档、用户的文档、订单文档等等:

image.gif 编辑

所有文档都散乱存放显然非常混乱,也不方便管理。

因此,我们要将类型相同的文档集中在一起管理,称为索引(Index)。例如:

商品索引

{

   "id": 1,

   "title": "小米手机",

   "price": 3499

}

{

   "id": 2,

   "title": "华为手机",

   "price": 4999

}

{

   "id": 3,

   "title": "三星手机",

   "price": 3999

}

用户索引

{

   "id": 101,

   "name": "张三",

   "age": 21

}

{

   "id": 102,

   "name": "李四",

   "age": 24

}

{

   "id": 103,

   "name": "麻子",

   "age": 18

}

订单索引

{

   "id": 10,

   "userId": 101,

   "goodsId": 1,

   "totalFee": 294

}

{

   "id": 11,

   "userId": 102,

   "goodsId": 2,

   "totalFee": 328

}

 

  • 所有用户文档,就可以组织在一起,称为用户的索引;
  • 所有商品的文档,可以组织在一起,称为商品的索引;
  • 所有订单的文档,可以组织在一起,称为订单的索引;

因此,我们可以把索引当做是数据库中的表。

数据库的表会有约束信息,用来定义表的结构、字段的名称、类型等信息。因此,索引库中就有映射(mapping),是索引中文档的字段约束信息,类似表的结构约束。

mysql与elasticsearch

我们统一的把mysql与elasticsearch的概念做一下对比:

MySQL

Elasticsearch

说明

Table

Index

索引(index),就是文档的集合,类似数据库的表(table)

Row

Document

文档(Document),就是一条条的数据,类似数据库中的行(Row),文档都是JSON格式

Column

Field

字段(Field),就是JSON文档中的字段,类似数据库中的列(Column)

Schema

Mapping

Mapping(映射)是索引中文档的约束,例如字段类型约束。类似数据库的表结构(Schema)

SQL

DSL

DSL是elasticsearch提供的JSON风格的请求语句,用来操作elasticsearch,实现CRUD

如图:

image.gif 编辑

那是不是说,我们学习了elasticsearch就不再需要mysql了呢?

并不是如此,两者各自有自己的擅长之处:

  • Mysql:擅长事务类型操作,可以确保数据的安全和一致性
  • Elasticsearch:擅长海量数据的搜索、分析、计算

因此在企业中,往往是两者结合使用:

  • 对安全性要求较高的写操作,使用mysql实现
  • 对查询性能要求较高的搜索需求,使用elasticsearch实现
  • 两者再基于某种方式,实现数据的同步,保证一致性

image.gif 编辑

IK分词器

Elasticsearch的关键就是倒排索引,而倒排索引依赖于对文档内容的分词,而分词则需要高效、精准的分词算法,IK分词器就是这样一个中文分词算法。

安装IK分词器

方案一:在线安装

运行一个命令即可:

docker exec -it es ./bin/elasticsearch-plugin  install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.12.1/elasticsearch-analysis-ik-7.12.1.zip

然后重启es容器:

docker restart es

方案二:离线安装

如果网速较差,也可以选择离线安装。

首先,查看之前安装的Elasticsearch容器的plugins数据卷目录:

docker volume inspect es-plugins

结果如下:

[

   {

       "CreatedAt": "2024-11-06T10:06:34+08:00",

       "Driver": "local",

       "Labels": null,

       "Mountpoint": "/var/lib/docker/volumes/es-plugins/_data",

       "Name": "es-plugins",

       "Options": null,

       "Scope": "local"

   }

]

可以看到elasticsearch的插件挂载到了/var/lib/docker/volumes/es-plugins/_data这个目录。我们需要把IK分词器上传至这个目录。

找到课前资料提供的ik分词器插件,课前资料提供了7.12.1版本的ik分词器压缩文件,你需要对其解压:

image.gif 编辑

然后上传至虚拟机的/var/lib/docker/volumes/es-plugins/_data这个目录:

image.gif 编辑

最后,重启es容器:

docker restart es

使用IK分词器

IK分词器包含两种模式:

  • ik_smart:智能语义切分
  • ik_max_word:最细粒度切分

我们在Kibana的DevTools上来测试分词器,首先测试Elasticsearch官方提供的标准分词器:

POST /_analyze

{

 "analyzer": "standard",

 "text": "程序员学习java太棒了"

}

结果如下:

{

 "tokens" : [

   {

     "token" : "程",

     "start_offset" : 2,

     "end_offset" : 3,

     "type" : "<IDEOGRAPHIC>",

     "position" : 2

   },

   {

     "token" : "序",

     "start_offset" : 3,

     "end_offset" : 4,

     "type" : "<IDEOGRAPHIC>",

     "position" : 3

   },

   {

     "token" : "员",

     "start_offset" : 4,

     "end_offset" : 5,

     "type" : "<IDEOGRAPHIC>",

     "position" : 4

   },

   {

     "token" : "学",

     "start_offset" : 5,

     "end_offset" : 6,

     "type" : "<IDEOGRAPHIC>",

     "position" : 5

   },

   {

     "token" : "习",

     "start_offset" : 6,

     "end_offset" : 7,

     "type" : "<IDEOGRAPHIC>",

     "position" : 6

   },

   {

     "token" : "java",

     "start_offset" : 7,

     "end_offset" : 11,

     "type" : "<ALPHANUM>",

     "position" : 7

   },

   {

     "token" : "太",

     "start_offset" : 11,

     "end_offset" : 12,

     "type" : "<IDEOGRAPHIC>",

     "position" : 8

   },

   {

     "token" : "棒",

     "start_offset" : 12,

     "end_offset" : 13,

     "type" : "<IDEOGRAPHIC>",

     "position" : 9

   },

   {

     "token" : "了",

     "start_offset" : 13,

     "end_offset" : 14,

     "type" : "<IDEOGRAPHIC>",

     "position" : 10

   }

 ]

}

 

可以看到,标准分词器智能1字1词条,无法正确对中文做分词。

我们再测试IK分词器:

POST /_analyze

{

 "analyzer": "ik_smart",

 "text": "程序员学习java太棒了"

}

执行结果如下:

{

 "tokens" : [

   {

     "token" : "程序员",

     "start_offset" : 2,

     "end_offset" : 5,

     "type" : "CN_WORD",

     "position" : 1

   },

   {

     "token" : "学习",

     "start_offset" : 5,

     "end_offset" : 7,

     "type" : "CN_WORD",

     "position" : 2

   },

   {

     "token" : "java",

     "start_offset" : 7,

     "end_offset" : 11,

     "type" : "ENGLISH",

     "position" : 3

   },

   {

     "token" : "太棒了",

     "start_offset" : 11,

     "end_offset" : 14,

     "type" : "CN_WORD",

     "position" : 4

   }

 ]

}

 

拓展词典

随着互联网的发展,“造词运动”也越发的频繁。出现了很多新的词语,在原有的词汇列表中并不存在。比如:“泰裤辣”,“传智播客” 等。

IK分词器无法对这些词汇分词,测试一下:

POST /_analyze

{

 "analyzer": "ik_max_word",

 "text": "传智播客开设大学,真的泰裤辣!"

}

结果:

{

 "tokens" : [

   {

     "token" : "传",

     "start_offset" : 0,

     "end_offset" : 1,

     "type" : "CN_CHAR",

     "position" : 0

   },

   {

     "token" : "智",

     "start_offset" : 1,

     "end_offset" : 2,

     "type" : "CN_CHAR",

     "position" : 1

   },

   {

     "token" : "播",

     "start_offset" : 2,

     "end_offset" : 3,

     "type" : "CN_CHAR",

     "position" : 2

   },

   {

     "token" : "客",

     "start_offset" : 3,

     "end_offset" : 4,

     "type" : "CN_CHAR",

     "position" : 3

   },

   {

     "token" : "开设",

     "start_offset" : 4,

     "end_offset" : 6,

     "type" : "CN_WORD",

     "position" : 4

   },

   {

     "token" : "大学",

     "start_offset" : 6,

     "end_offset" : 8,

     "type" : "CN_WORD",

     "position" : 5

   },

   {

     "token" : "真的",

     "start_offset" : 9,

     "end_offset" : 11,

     "type" : "CN_WORD",

     "position" : 6

   },

   {

     "token" : "泰",

     "start_offset" : 11,

     "end_offset" : 12,

     "type" : "CN_CHAR",

     "position" : 7

   },

   {

     "token" : "裤",

     "start_offset" : 12,

     "end_offset" : 13,

     "type" : "CN_CHAR",

     "position" : 8

   },

   {

     "token" : "辣",

     "start_offset" : 13,

     "end_offset" : 14,

     "type" : "CN_CHAR",

     "position" : 9

   }

 ]

}

 

可以看到,传智播客泰裤辣都无法正确分词。

所以要想正确分词,IK分词器的词库也需要不断的更新,IK分词器提供了扩展词汇的功能。

1)打开IK分词器config目录:

image.gif 编辑

注意,如果采用在线安装的通过,默认是没有config目录的,需要把课前资料提供的ik下的config上传至对应目录。

2)在IKAnalyzer.cfg.xml配置文件内容添加:

<?xml version="1.0" encoding="UTF-8"?>

<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">

<properties>

       <comment>IK Analyzer 扩展配置</comment>

       <!--用户可以在这里配置自己的扩展字典 *** 添加扩展词典-->

       <entry key="ext_dict">ext.dic</entry>

</properties>

3)在IK分词器的config目录新建一个 ext.dic,可以参考config目录下复制一个配置文件进行修改

传智播客

泰裤辣

4)重启elasticsearch

docker restart es

# 查看 日志

docker logs -f elasticsearch

再次测试,可以发现传智播客泰裤辣都正确分词了:

{

 "tokens" : [

   {

     "token" : "传智播客",

     "start_offset" : 0,

     "end_offset" : 4,

     "type" : "CN_WORD",

     "position" : 0

   },

   {

     "token" : "开设",

     "start_offset" : 4,

     "end_offset" : 6,

     "type" : "CN_WORD",

     "position" : 1

   },

   {

     "token" : "大学",

     "start_offset" : 6,

     "end_offset" : 8,

     "type" : "CN_WORD",

     "position" : 2

   },

   {

     "token" : "真的",

     "start_offset" : 9,

     "end_offset" : 11,

     "type" : "CN_WORD",

     "position" : 3

   },

   {

     "token" : "泰裤辣",

     "start_offset" : 11,

     "end_offset" : 14,

     "type" : "CN_WORD",

     "position" : 4

   }

 ]

}

总结

分词器的作用是什么?

  • 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

IK分词器有几种模式?

  • ik_smart:智能切分,粗粒度
  • ik_max_word:最细切分,细粒度

IK分词器如何拓展词条?如何停用词条?

  • 利用config目录的IkAnalyzer.cfg.xml文件添加拓展词典和停用词典
  • 在词典中添加拓展词条或者停用词条


相关实践学习
使用阿里云Elasticsearch体验信息检索加速
通过创建登录阿里云Elasticsearch集群,使用DataWorks将MySQL数据同步至Elasticsearch,体验多条件检索效果,简单展示数据同步和信息检索加速的过程和操作。
ElasticSearch 入门精讲
ElasticSearch是一个开源的、基于Lucene的、分布式、高扩展、高实时的搜索与数据分析引擎。根据DB-Engines的排名显示,Elasticsearch是最受欢迎的企业搜索引擎,其次是Apache Solr(也是基于Lucene)。 ElasticSearch的实现原理主要分为以下几个步骤: 用户将数据提交到Elastic Search 数据库中 通过分词控制器去将对应的语句分词,将其权重和分词结果一并存入数据 当用户搜索数据时候,再根据权重将结果排名、打分 将返回结果呈现给用户 Elasticsearch可以用于搜索各种文档。它提供可扩展的搜索,具有接近实时的搜索,并支持多租户。
目录
相关文章
|
3月前
|
SQL JSON 大数据
ElasticSearch的简单介绍与使用【进阶检索】 实时搜索 | 分布式搜索 | 全文搜索 | 大数据处理 | 搜索过滤 | 搜索排序
这篇文章是Elasticsearch的进阶使用指南,涵盖了Search API的两种检索方式、Query DSL的基本语法和多种查询示例,包括全文检索、短语匹配、多字段匹配、复合查询、结果过滤、聚合操作以及Mapping的概念和操作,还讨论了Elasticsearch 7.x和8.x版本中type概念的变更和数据迁移的方法。
ElasticSearch的简单介绍与使用【进阶检索】 实时搜索 | 分布式搜索 | 全文搜索 | 大数据处理 | 搜索过滤 | 搜索排序
|
2月前
|
存储 JSON 数据库
Elasticsearch 分布式架构解析
【9月更文第2天】Elasticsearch 是一个分布式的搜索和分析引擎,以其高可扩展性和实时性著称。它基于 Lucene 开发,但提供了更高级别的抽象,使得开发者能够轻松地构建复杂的搜索应用。本文将深入探讨 Elasticsearch 的分布式存储和检索机制,解释其背后的原理及其优势。
171 5
|
3月前
|
存储 监控 负载均衡
检索服务elasticsearch分布式结构
【8月更文挑战第22天】
43 3
|
7天前
|
监控 算法 网络协议
|
24天前
|
自然语言处理 搜索推荐 关系型数据库
elasticsearch学习六:学习 全文搜索引擎 elasticsearch的语法,使用kibana进行模拟测试(持续更新学习)
这篇文章是关于Elasticsearch全文搜索引擎的学习指南,涵盖了基本概念、命令风格、索引操作、分词器使用,以及数据的增加、修改、删除和查询等操作。
17 0
elasticsearch学习六:学习 全文搜索引擎 elasticsearch的语法,使用kibana进行模拟测试(持续更新学习)
|
24天前
|
开发框架 监控 搜索推荐
GoFly快速开发框架集成ZincSearch全文搜索引擎 - Elasticsearch轻量级替代为ZincSearch全文搜索引擎
本文介绍了在项目开发中使用ZincSearch作为全文搜索引擎的优势,包括其轻量级、易于安装和使用、资源占用低等特点,以及如何在GoFly快速开发框架中集成和使用ZincSearch,提供了详细的开发文档和实例代码,帮助开发者高效地实现搜索功能。
103 0
|
1月前
|
自然语言处理 搜索推荐 Java
SpringBoot 搜索引擎 海量数据 Elasticsearch-7 es上手指南 毫秒级查询 包括 版本选型、操作内容、结果截图(一)
SpringBoot 搜索引擎 海量数据 Elasticsearch-7 es上手指南 毫秒级查询 包括 版本选型、操作内容、结果截图
45 0
|
1月前
|
存储 自然语言处理 搜索推荐
SpringBoot 搜索引擎 海量数据 Elasticsearch-7 es上手指南 毫秒级查询 包括 版本选型、操作内容、结果截图(二)
SpringBoot 搜索引擎 海量数据 Elasticsearch-7 es上手指南 毫秒级查询 包括 版本选型、操作内容、结果截图(二)
29 0
因为一个问题、我新学了一门技术 ElasticSearch 分布式搜索
这篇文章讲述了作者因为一个检索问题而学习了ElasticSearch技术,并分享了排查和解决ElasticSearch检索结果与页面展示不符的过程。
因为一个问题、我新学了一门技术 ElasticSearch 分布式搜索
|
20天前
|
NoSQL Java Redis
太惨痛: Redis 分布式锁 5个大坑,又大又深, 如何才能 避开 ?
Redis分布式锁在高并发场景下是重要的技术手段,但其实现过程中常遇到五大深坑:**原子性问题**、**连接耗尽问题**、**锁过期问题**、**锁失效问题**以及**锁分段问题**。这些问题不仅影响系统的稳定性和性能,还可能导致数据不一致。尼恩在实际项目中总结了这些坑,并提供了详细的解决方案,包括使用Lua脚本保证原子性、设置合理的锁过期时间和使用看门狗机制、以及通过锁分段提升性能。这些经验和技巧对面试和实际开发都有很大帮助,值得深入学习和实践。
太惨痛: Redis 分布式锁 5个大坑,又大又深, 如何才能 避开 ?

热门文章

最新文章