微服务--实用篇-笔记大全_给黑马旅游添加排序功能

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。

实用篇

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–11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、性能好；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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

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
2
3
4
5
6
7
8
9
10
11
12
13
14
15

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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

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
2
3
4
5
6
7
8

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
2
3
4
5
6
7
8
9

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
2
3
4
5
6
7
8
9
10
11

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
2
3
4
5
6
7
8

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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

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
2
3
4
5
6
7
8
9
10
11
12
13
14

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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51

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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116

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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66

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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81

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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62

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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

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