Elasticsearch文档mapping介绍

时间:2021-01-01 05:43:52

原文地址:http://www.cnblogs.com/buzzlight/p/elasticsearch_mapping_fields.html

mapping

Mapping是指定义如何将document映射到搜索引擎的过程,比如一个字段是否可以查询以及如何分词等,一个索引可以存储含有不同"mapping types"的documents,ES允许每个mapping type关联多个mapping定义。

显式声明的mapping是定义在index/type级别, 默认不需要显式的定义mapping, 当新的type或者field引入时,ES会自动创建并且注册有合理的默认值的mapping(毫无性能压力), 只有要覆盖默认值时才必须要提供mapping定义。

mapping types

Mapping types是将索引里的documents按逻辑分组的方式, 类似数据中的表, 虽然不同的types之间有些区别, 但他们并不是完全分开的(说到底还是存在相同的Lucene索引里)。

强烈建议跨types的同名field有相同的类型定义以及相同的mapping特征(比如analysis的设置), 这在通过type前缀(my_type.my_field)来选择字段时非常有效, 但这也不一定, 有些地方就不起作用(比如字段的聚合faceting)。

实际上在实践中这个限制从来不是问题, field名通常表明了该field的类型(例如"first_name"总是一个字符串)。 还要注意, 这不适用于跨索引的情况。

mapping api

要创建mapping, 需要用到Put Mapping接口, 或者可以在调用create index接口时附带mapping的定义。

global settings

全局设置index.mapping.ignore_malformed可以在索引级别上设置是否忽略异常内容(异常内容的一个例子是尝试将字符串类型的值作为数字类型索引), 这个设置是跨mapping types的全局设置。

fields

每一个ampping都有一些关联的字段来控制如何索引的document的元数据(例如_all)。

_uid

每个索引的document会关联一个id和一个type, 内部的_uid字段将type和id组合起来作为document的唯一标示(这意味着不同的type可以有相同的id, 组合起来仍然是唯一的)。

在执行基于type的过滤时, 如果_type字段没有被索引,会自动使用_uid字段, 并且不需要_id字段被索引。

 
 
  1. _uidjava源代码
  2. public static final byte DELIMITER_BYTE = 0x23;
  3. public static void createUidAsBytes(BytesRef type, BytesRef id, BytesRef spare) {
  4. spare.copyBytes(type);
  5. spare.append(DELIMITER_BYTES);
  6. spare.append(id);
  7. }

_id

每个索引的document会关联一个id和一个type, _id字段就是用来索引并且存储(可能)id的,默认是不索引(not indexed)并且不存储的(not stored)。

注意, 即使_id是不索引的, 相关的接口仍然起作用(他们会用_uid字段), 比如用termterms或者prefix来根据ids过滤(包括用ids来查询/过滤)。

_id字段也可以启用索引或者存储, 配置如下:

 
 
  1. {
  2. "tweet" : {
  3. "_id" : {"index": "not_analyzed", "store" : "yes"}
  4. }
  5. }

为了维护向后兼容性, 当升级到0.16时可以在节点级别设置index.mapping._id.indexed为true来确保id能被索引, 尽管不建议索引id。

可以设置_idpath属性来从源文档中提取id, 例如下面的mapping:

 
 
  1. {
  2. "tweet" : {
  3. "_id" : {
  4. "path" : "post_id"
  5. }
  6. }
  7. }

如果提交下面的数据

 
 
  1. {
  2. "message" : "You know, for Search",
  3. "post_id" : "1"
  4. }

1会提取出来作为id。

因为要提取id来决定在哪一个shard执行索引,需要在索引时做额外的解析。

_type

每个索引的document会关联一个id和一个type, type在索引时会自动赋给_type字段, 默认_type字段是需要索引的(但不analyzed)并且不存储的, 这就意味着_type字段是可查询的。

_type字段也可以设置为stored, 例如:

 
 
  1. {
  2. "tweet" : {
  3. "_type" : {"store" : "yes"}
  4. }
  5. }

_type字段也可以设置为不索引, 并且此时所有用到_type字段的接口仍然能用。

 
 
  1. {
  2. "tweet" : {
  3. "_type" : {"index" : "no"}
  4. }
  5. }

_source

_source是一个自动生成的字段, 用来存储实际提交的JSON数据, 他是不索引的(不可搜索), 只是用来存储。 在执行"fetch"类的请求时, 比如get或者search, _source字段默认也会返回。

尽管_source非常有用, 但它确实会占用索引的存储空间, 所以也可以禁用。 比如:

 
 
  1. {
  2. "tweet" : {
  3. "_source" : {"enabled" : false}
  4. }
  5. }

compression

从0.90开始, 所有存储的字段(包括_source)总是被压缩的。

0.90之前:

如果要将source字段存储在索引中的话,启用压缩(LZF)会显著减少索引的大小, 还可能提升性能(解压缩比从磁盘上加载一个比较大的source的性能要好)。 代码需要特别注意,只有需要的时候才执行解压缩, 例如直接将数据解压缩到REST的结果流。

要启用压缩的话, 需要将compress选项设置为true, 默认设置是false。 注意可以在已经存在的索引上修改,ES支持压缩和未压缩的数据混合存放。

另外,compress_threshold可以控制压缩source的时机,可以设置为表示字节大小的值(比如100b, 10kb)。 注意compress应该设置为true。

includes / excludes

可以用path属性来包含/排除source中要存储的字段,支持*通配符,例如:

 
 
  1. {
  2. "my_type" : {
  3. "_source" : {
  4. "includes" : ["path1.*", "path2.*"],
  5. "excludes" : ["pat3.*"]
  6. }
  7. }
  8. }

_all

_all字段的设计目的是用来包罗文档的一个或多个字段, 这对一些特定的查询非常有用, 比如我们要查询文档的内容, 但是不确定要具体查询哪一个字段, 这会占用额外的cpu和索引容量。

_all字段可以完全禁止掉, field mapping和object mapping可以声明这个字段是否放到_all中。 默认所有的字段都包含在_all中。

禁用_all字段时, 推荐为index.query.default_field设置一个值(例如, 你的数据有一个"message"字段来存储主要的内容, 就设置为message)。

_all字段一个很有用的特征是可以把字段的boost等级考虑进去, 假设title字段的boost等级比content字段高, _all中的title值也比_all中的content值等级高。

以下是一个配置的例子:

 
 
  1. {
  2. "person" : {
  3. "_all" : {"enabled" : true},
  4. "properties" : {
  5. "name" : {
  6. "type" : "object",
  7. "dynamic" : false,
  8. "properties" : {
  9. "first" : {"type" : "string", "store" : "yes", "include_in_all" : false},
  10. "last" : {"type" : "string", "index" : "not_analyzed"}
  11. }
  12. },
  13. "address" : {
  14. "type" : "object",
  15. "include_in_all" : false,
  16. "properties" : {
  17. "first" : {
  18. "properties" : {
  19. "location" : {"type" : "string", "store" : "yes", "index_name" : "firstLocation"}
  20. }
  21. },
  22. "last" : {
  23. "properties" : {
  24. "location" : {"type" : "string"}
  25. }
  26. }
  27. }
  28. },
  29. "simple1" : {"type" : "long", "include_in_all" : true},
  30. "simple2" : {"type" : "long", "include_in_all" : false}
  31. }
  32. }
  33. }

在这个例子里, _all字段设置了storeterm_vectoranalyzer(指定index_analyzersearch_analyzer)。

highlighting

任何可以highlighting的字段必须既是stored的,又是_source的一部分,默认_all字段不符合这个条件, 所以它的highlighting不会返回任何数据。

尽管可以设置_all为stored, 但_all从根本上说是所有字段的集合, 也就是说会存储多余的数据,它做highlighting可能产生怪怪的结果。

_analyzer

_analyzer mapping可以将document某个字段的值作为索引时所用analyzer的名字,如果一个字段没有显式指定analyzer或者index_analyzer, 索引时就会用这个analyzer。

下面是配置的例子:

 
 
  1. {
  2. "type1" : {
  3. "_analyzer" : {
  4. "path" : "my_field"
  5. }
  6. }
  7. }

上面的配置用my_field字段的值作为analyzer, 比如下面的文档:

 
 
  1. {
  2. "my_field" : "whitespace"
  3. }

会让所有没有指定analyzer的字段用whitespace做索引的analyzer。

path的默认值是_analyzer, 所以可以给_analyzer字段赋值来指定一个analyzer, 如果需要自定义为别的json字段, 需要通过path属性来明确指定。

默认_analyzer字段是可索引的, 可以在mapping中将index设置为no来禁用。

_boost

Boosting是增强文档或者字段关联性的过程,字段级别的mapping可以将boost指定为某个字段。 _boost(应用在root object上)可以指定一个字段,这个字段的内容控制文档的boost级别。 例如下面的mapping:

 
 
  1. {
  2. "tweet" : {
  3. "_boost" : {"name" : "my_boost", "null_value" : 1.0}
  4. }
  5. }

上面的定义指定了一个名为字段my_boost的字段, 如果要索引的JSON文档包括my_boost字段, 字段的值就作为文档的boost值, 比如下面的JSON文档的boost值为2.2:

 
 
  1. {
  2. "my_boost" : 2.2,
  3. "message" : "This is a tweet!"
  4. }

(注:name属性默认是_boost)

_parent

_parent用来定义子类型所关联的父类型, 比如有一个blog类型和一个blog_tag子类型, blog_tag的mapping应该是:

 
 
  1. {
  2. "blog_tag" : {
  3. "_parent" : {
  4. "type" : "blog"
  5. }
  6. }
  7. }

_parent默认是stored以及indexed的, 也就是说可以用_parent来查询。

_routing

routing是索引数据或者需要明确指定路由时routing的设置。

store / index

_routing的mapping默认会存储routing的值(store设置为yes), 之所以这么做是为了可以在routing值来自外部而不是document一部分时仍然可以重建索引。

required

另一方面, 可以在_routing的mapping中设置required属性为true来将它设置为必需的,这在使用routing功能是非常重要, 因为很多接口会用到它。 如果没有提供routing值(或者不能从document获取)的话,索引操作就不会执行,再比如如果_routing是必须的但是没有提供routing值的话,删除操作就会广播到所有的分片(shards)上。

path

routing的值可以在索引时额外提供(并且作为document的一部分存储, 和_source字段存储方式很像), 也可以根据path自动从要索引的document提取, 例如下面的mapping:

 
 
  1. {
  2. "comment" : {
  3. "_routing" : {
  4. "required" : true,
  5. "path" : "blog.post_id"
  6. }
  7. }
  8. }

会使下面的document基于值111222来路由:

 
 
  1. {
  2. "text" : "the comment text"
  3. "blog" : {
  4. "post_id" : "111222"
  5. }
  6. }

注意, 使用path而不是明确提供routing值的话, 索引时需要额外的解析过程(尽管相当快)。

id uniqueness

如果自定义_routing的话, 不保证_id在所有分片(shards)的唯一性。 事实上, 如果document的_id相同而_routing值不同的话, 会被分配到不同分片上。

_index

_index存储一个document属于哪一个索引(index), 该字段默认是禁用的, 如果要启用的话, mapping的定义如下:

 
 
  1. {
  2. "tweet" : {
  3. "_index" : { "enabled" : true }
  4. }
  5. }

_size

_size字段自动存储原始_source的大小, 默认是禁用的, 要启用的话mapping定义如下:

 
 
  1. {
  2. "tweet" : {
  3. "_size" : {"enabled" : true}
  4. }
  5. }

如果还要存储的话, 定义如下:

 
 
  1. {
  2. "tweet" : {
  3. "_size" : {"enabled" : true, "store" : "yes"}
  4. }
  5. }

_timestamp

_timestamp字段允许自动索引一个document的时间戳, 它可以在索引请求时提供, 也可以从_source提取,如果没有提供的话会自动设置为document被处理的时间。

enabled

_timestamp默认是禁用的, 如果要启用, mapping的定义如下所示:

 
 
  1. {
  2. "tweet" : {
  3. "_timestamp" : { "enabled" : true }
  4. }
  5. }

store / index

默认_timestamp字段的store设置为no, index设置为not_analyzed, 它可以当做一个标准的日期字段来查询。

path

_timestamp的值可以在索引请求时额外提供, 也可以根据path自动从document中提取, 例如下面的mapping定义:

 
 
  1. {
  2. "tweet" : {
  3. "_timestamp" : {
  4. "enabled" : true,
  5. "path" : "post_date"
  6. }
  7. }
  8. }

提交的数据为

 
 
  1. {
  2. "message" : "You know, for Search",
  3. "post_date" : "2009-11-15T14:12:12"
  4. }

时间戳的值就是2009-11-15T14:12:12

注意, 如果用path方式而没有明确提供时间戳的值的话, 索引时需要额外的解析操作(尽管相当快)。

format

你可以定义时间戳的格式, 例如:

 
 
  1. {
  2. "tweet" : {
  3. "_timestamp" : {
  4. "enabled" : true,
  5. "path" : "post_date",
  6. "format" : "YYYY-MM-dd"
  7. }
  8. }
  9. }

注意, 默认的格式是dateOptionalTime, 时间戳的值首先作为数字解析, 如果解析失败的话会尝试用定义的格式解析。

_ttl

很多documents有过期时间, 可以设置_ttl(time to live)来自动删除过期的documents。

enabled

_ttl默认是禁用的, 要启用的话, mapping定义如下:

 
 
  1. {
  2. "tweet" : {
  3. "_ttl" : { "enabled" : true }
  4. }
  5. }

store / index

默认_ttl字段的store设置为yes, index设置为not_analyzed, 注意index必须设置为not_analyzed

default

可以为index/type设置默认的_ttl, 比如:

 
 
  1. {
  2. "tweet" : {
  3. "_ttl" : { "enabled" : true, "default" : "1d" }
  4. }
  5. }

这种情况下, 如果你没有明确提供_ttl的值, _source里也没有_ttl的话, 所有的tweets的_ttl会被设置为一天。

如果你没有指定时间的单位,比如d (days), m (minutes), h (hours), ms (milliseconds), (weeks), 默认把毫秒(milliseconds)作为单位。

如果没有设置默认值, 也没有提供_ttl的值, document会有无限的_ttl,即永不过期。

可以用put mapping接口动态更新default的值, 这不会改变已有documents的_ttl, 只会影响新的documents。

note on documents expiration

过期的documents会自动定期删除, 可以根据你的需要来设置indices.ttl.interval, 默认是60s。

删除命令是批量处理的, 可以根据你的需要来设置indices.ttl.bulk_size, 默认是10000。

注意, 删除是根据版本来的, 如果document在收集过期的documents和执行删除操作的时间间隔之间被修改了, document是不会被删除的。