1.ElasticSearch简介
1.1ElasticSearch（简称ES）
Elasticsearch是用Java开发并且是当前最流行的开源的企业级搜索引擎。能够达到实时搜索，稳定，可靠，快速，安装使用方便。
客户端支持Java、.NET（C#）、PHP、Python、Ruby等多种语言。
官方网站：www.elastic.co
创始人: Shay Banon（谢巴农）
应用场景
1.2ElasticSearch与Lucene的关系
Lucene可以被认为是迄今为止最先进、性能最好的、功能最全的搜索引擎库（框架）
但是想要使用Lucene，必须使用Java来作为开发语言并将其直接集成到你的应用 中，并且Lucene的配置及使用非常复杂，你需要深入了解检索的相关知识来理解它是如何工作的。
Lucene缺点：
1）只能在Java项目中使用,并且要以jar包的方式直接集成项目中.
2）使用非常复杂-创建索引和搜索索引代码繁杂
3）不支持集群环境-索引数据不同步（不支持大型项目）
4）索引数据如果太多就不行，索引库和应用所在同一个服务器,共同占用硬盘.共用空间少.
上述Lucene框架中的缺点,ES全部都能解决.
1.3哪些公司在使用Elasticsearch
国内公司：
1. 京东 2. 携程 3. 去哪儿 4. 58同城 5. 滴滴 6. 今日头条 7. 小米 8. 哔哩哔哩 9. 联想
1.4ES vs Solr比较
1.4.1ES vs Solr 检索速度
当单纯的对已有数据进行搜索时，Solr更快。
当实时建立索引时, Solr会产生io阻塞，查询性能较差, Elasticsearch具有明显的优势。
大型互联网公司，实际生产环境测试，将搜索引擎从Solr转到 Elasticsearch以后的平均查询速度有了50倍的提升。
总结：
二者安装都很简单。
1、Solr 利用 Zookeeper 进行分布式管理，而Elasticsearch 自身带有分布式协调管理功能。
2、Solr 支持更多格式的数据，比如JSON、XML、CSV，而 Elasticsearch 仅支持json文件格式。
3、Solr 在传统的搜索应用中表现好于 Elasticsearch，但在处理实时搜索应用时效率明显低于 Elasticsearch。
4、Solr 是传统搜索应用的有力解决方案，但 Elasticsearch更适用于新兴的实时搜索应用。
1.4.2ES vs 关系型数据库
Elasticsearch VS RDBMS
| RDBMS | Database | Table | Row | Column | Schema | SQL |
| Elasticsearch | Index | Index(Type) | Document | Filed | Mapping | DSL |
说明：
- 在 7.0 之前， 一个 index 可以设置多个 types
- 目前 type 已经被 Deprecated, 7.0 开始，一个索引只能创建一个 Type -> "_doc"
- 传统关系型数据库和 Elasticesarch 的区别
- Elasticsearch- Schemaless / 相关性 / 高性能全文检索
- RDMS - 事务性 / Join
2.Lucene全文检索框架
2.1什么是全文检索
全文检索是指：
通过一个程序扫描文本中的每一个单词，针对单词建立索引，并保存该单词在文本中的位置、以及出现的次数
用户查询时，通过之前建立好的索引来查询，将索引中单词对应的文本位置、出现的次数返回给用户，因为有了具体文本的位置，所以就可以将具体内容读取出来了
2.2分词原理之倒排索引
传统线性查找一个 10 MB 的 word ，查找关键字如果在文档的最后，大约需要 3 秒钟
倒排索引：记录每个词条出现在哪些文档，以及文档中的位置，可以根据词条快速定位到包含这些词条的文档以及文档的位置
- 文档 （Document）：索引库中每一条原始护具，例如一个网页信息，一件商品信息
- 词条：原始数据按照算法进行分词，得到每一个词
创建倒排索引，分为以下几步：
1）创建文档列表：
l lucene首先对原始文档数据进行编号（DocID），形成列表，就是一个文档列表
2）创建倒排索引列表
l 然后对文档中数据进行分词，得到词条。对词条进行编号，以词条创建索引。然后记录下包含该词条的所有文档编号（及其它信息）。
谷歌之父--> 谷歌、之父
倒排索引创建索引的流程：
1） 首先把所有的原始数据进行编号，形成文档列表
2） 把文档数据进行分词，得到很多的词条，以词条为索引。保存包含这些词条的文档的编号信息。
搜索的过程：
当用户输入任意的词条时，首先对用户输入的数据进行分词，得到用户要搜索的所有词条，然后拿着这些词条去倒排索引列表中进行匹配。找到这些词条就能找到包含这些词条的所有文档的编号。
然后根据这些编号去文档列表中找到文档
