新闻详情

新闻详情

首页 / 资讯中心 / 详情

es笔记,总结记录

发布时间:2026/11/22 2:33:23来源:尧图网络
es笔记,总结记录
查询一、客户端选型简单场景Spring Data Elasticsearch分为ElasticsearchRepository、RestHighLevelClient、ElasticsearchOperations。ElasticsearchRepository接口通过方法名自动生成查询零手写 DSL 就能完成 CRUD、基础分页、关键词检索开发效率拉满。RestHighLevelClient遗留系统维护Spring Boot 2.x ES 7.xSpring Boot 3 要求构建和运行环境都是 JDK 17。ElasticsearchOperations要求 Spring Boot 3SDE 标准做法平衡了易用性和性能支持对象映射。复杂场景Elasticsearch Java API Client原生 ElasticsearchClient。直接注入 Spring 自动装配好的原生 ElasticsearchClient可以直接调用 ES 所有原生 API支持自定义复杂聚合、脚本排序、BulkIngester 高性能批量写入等高级操作没有封装层的能力阉割性能和直接调用原生客户端完全一致。二、查询语法1. 查询关键词所在上下文query-bool 下must下match、match_phrase、multi_matchfilter下term、terms、range、existsshould下同mustmust_not下同filter2. 各子句语义must必须匹配会打分AND Score。filter必须匹配不打分AND No Score Cachable。should可选匹配加分项OR Score。must_not必须不匹配不打分NOT No Score Cachable。bool逻辑容器组合以上。3. 形象化理解must should“会打分的裁判”。它们根据查询词在文档中的匹配程度如出现频率、字段权重等给出一个相关性分数_score最终文档按此分数排序。filter must_not“不记分的筛选器”。它们只做是/否的二元判断匹配/不匹配不产生任何分数。ES 会自动缓存这些查询结果因此速度更快适合频繁执行的过滤条件。must filter像漏斗不断缩小结果集。should像加分项不改变结果集但改变排序。must_not像筛子从结果中剔除特定文档。4. 完整示例GET /products/_search { query: { bool: { // 1. 全文搜索部分参与评分决定排序 must: [ { multi_match: { query: 华为 智能手机 5G, fields: [ name^3, // 名称字段权重为3 description^2, // 描述字段权重为2 tags // 标签字段权重为1 ], type: best_fields // 取最高分字段的分数 } } ], // 2. 精确过滤部分不参与评分可缓存性能高 filter: [ { term: { status: active } }, // 只显示在售商品 { range: { price: { gte: 1000, lte: 5000 } } }, // 价格范围 { terms: { brand: [huawei, honor] } } // 品牌是华为或荣耀 ], // 3. 排除部分不参与评分可缓存 must_not: [ { term: { category: refurbished } }, // 排除翻新机 { term: { seller_rating: low } } // 排除低评级卖家 ], // 4. 可选加权部分参与评分提升特定商品的排名 should: [ { term: { is_premium: true } }, // 优先展示高级商品 { term: { is_free_shipping: true } }, // 优先展示包邮商品 { range: { sales_count: { gte: 1000 } } } // 优先展示销量高的商品 ], // 5. 控制should匹配数量即使没有匹配任何should子句文档也能被返回 minimum_should_match: 0 } }, sort: [ { _score: { order: desc } }, // 首先按相关度评分排序 { sales_count: { order: desc } } // 评分相同时按销量降序 ], from: 0, size: 10 }三、聚合1. 聚合模板aggs: { 聚合名称: { 聚合类型: { 聚合参数: {} } } }聚合名称自定义聚合类型terms聚合参数field: xxx.keyword2. 例子GET /bank/_search { size: 0, aggs: { group_by_state: { terms: { field: state.keyword } } } }
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/21 14:14:45

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/21 14:14:26

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/21 21:08:55

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/22 1:51:41

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/21 19:02:25

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/21 14:13:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉