ElasticSearch复习指南：从零搭建一个商品搜索案例
前言：为什么我们需要ElasticSearch？
想象一下，你正在开发一个电商网站，商品数量达到百万级别。用户需要能够快速搜索商品，并且希望支持模糊匹配、按价格筛选、按分类过滤等功能。
如果使用传统的数据库（如MySQL）来实现，你可能会写出这样的查询：
SELECT * FROM products
WHERE name LIKE '%手机%'
AND price BETWEEN 1000 AND 5000
AND category_id = 1
ORDER BY create_time DESC
LIMIT 20 OFFSET 0;随着数据量增加，这种查询会变得越来越慢，而且无法很好地支持模糊搜索和相关度排序。这就是ElasticSearch的用武之地。
一、ElasticSearch核心概念快速回顾
1.1 倒排索引：为什么ES这么快？
传统数据库使用"正排索引"：文档→关键词
文档1：我爱学习ElasticSearch
文档2：ElasticSearch真强大而ElasticSearch使用"倒排索引"：关键词→文档
我： [文档1]
爱： [文档1]
学习： [文档1]
ElasticSearch: [文档1, 文档2]
真： [文档2]
强大： [文档2]这样搜索"ElasticSearch"时，直接就能找到文档1和文档2，无需扫描所有文档。
1.2 基本概念对照表
| ElasticSearch术语 | 传统数据库类比 | 说明 |
|---|---|---|
| Index（索引） | Database（数据库） | 数据容器 |
| Type（类型） | Table（表） | ES7+已废弃 |
| Document（文档） | Row（行） | 基本数据单位 |
| Field（字段） | Column（列） | 数据字段 |
| Mapping（映射） | Schema（模式） | 数据结构定义 |
二、实战案例：搭建商品搜索系统
让我们通过一个真实案例来复习ElasticSearch的使用。
2.1 环境准备
首先使用Docker启动ElasticSearch和Kibana：
# 启动ElasticSearch
docker run -d --name elasticsearch -p 9200:9200 -p 9300:9300 -e "discovery.type=single-node" elasticsearch:7.17.0# 启动Kibana（Web管理界面）
docker run -d --name kibana --link elasticsearch:elasticsearch -p 5601:5601 kibana:7.17.02.2 创建商品索引
假设我们的商品有以下字段：
- id：商品ID
- name：商品名称
- price：价格
- category：分类
- description：描述
- tags：标签数组
PUT /products
{"mappings": {"properties": {"id": { "type": "integer" },"name": { "type": "text","analyzer": "ik_max_word", // 使用中文分词器"search_analyzer": "ik_smart"},"price": { "type": "float" },"category": { "type": "keyword" },"description": { "type": "text","analyzer": "ik_max_word"},"tags": { "type": "keyword" },"created_at": { "type": "date" }}}
}2.3 插入测试数据
POST /products/_bulk
{"index":{"_id":1}}
{"id":1,"name":"Apple iPhone 13","price":5999,"category":"手机","description":"新一代iPhone，A15芯片，超视网膜XDR显示屏","tags":["苹果","智能手机","5G"],"created_at":"2022-01-01"}
{"index":{"_id":2}}
{"id":2,"name":"华为Mate 50","price":5499,"category":"手机","description":"华为旗舰手机，鸿蒙系统，超强拍照","tags":["华为","智能手机","5G"],"created_at":"2022-02-01"}
{"index":{"_id":3}}
{"id":3,"name":"小米手环7","price":249,"category":"智能穿戴","description":"1.62英寸AMOLED屏，120种运动模式","tags":["小米","智能手环","健康监测"],"created_at":"2022-03-01"}2.4 实现复杂搜索功能
案例1：基本搜索 - 查找商品名称或描述中包含"手机"的商品
GET /products/_search
{"query": {"multi_match": {"query": "手机","fields": ["name", "description"]}}
}案例2：多条件过滤 - 搜索手机分类中，价格在5000-6000之间的商品
GET /products/_search
{"query": {"bool": {"must": [{ "match": { "category": "手机" } }],"filter": [{ "range": { "price": { "gte": 5000, "lte": 6000 } } }]}}
}案例3：模糊搜索与评分 - 搜索"华为"（用户输入错误）
GET /products/_search
{"query": {"fuzzy": {"name": {"value": "华为","fuzziness": "AUTO"}}}
}案例4：聚合分析 - 统计每个分类的商品数量和平均价格
GET /products/_search
{"size": 0,"aggs": {"categories": {"terms": {"field": "category"},"aggs": {"avg_price": {"avg": {"field": "price"}}}}}
}三、性能优化技巧
3.1 索引设计优化
合理使用字段类型：
- 精确匹配用
keyword - 文本搜索用
text+适当的分词器
- 精确匹配用
索引分片策略：
PUT /products {"settings": {"number_of_shards": 3, // 主分片数，一旦设置不能修改"number_of_replicas": 1 // 副本分片数，可随时调整} }
3.2 查询优化
- 避免深度分页：使用
search_after代替from/size - 使用过滤器上下文：filter不计算评分，性能更好
- 合理使用索引别名：实现零停机重建索引
// 1. 创建新索引
PUT /products_new// 2. 将数据从旧索引迁移到新索引
POST _reindex
{"source": { "index": "products" },"dest": { "index": "products_new" }
}// 3. 原子操作切换别名
POST _aliases
{"actions": [{ "remove": { "index": "products", "alias": "products_alias" } },{ "add": { "index": "products_new", "alias": "products_alias" } }]
}四、常见问题与解决方案
4.1 数据同步问题：如何保证数据库与ES数据一致？
推荐使用两种方案：
双写模式：应用代码中同时写入数据库和ES
- 优点：简单直接
- 缺点：可能存在数据不一致
日志订阅模式：通过CDC工具（如Canal、Debezium）捕获数据库变更
- 优点：解耦，保证最终一致性
- 缺点：架构复杂
4.2 中文分词问题
ES默认的中文分词效果不好，推荐使用IK分词器：
PUT /products
{"settings": {"analysis": {"analyzer": {"ik_smart_custom": {"type": "custom","tokenizer": "ik_smart"}}}}
}五、总结
通过这个商品搜索案例，我们复习了ElasticSearch的核心概念和实际应用：
- 倒排索引是ES高性能搜索的基石
- 合理的Mapping设计对搜索性能和准确性至关重要
- 复合查询可以满足复杂的业务需求
- 聚合分析提供了强大的数据分析能力
- 性能优化需要从索引设计和查询两方面入手