elasticsearch文档-字段的mapping

elasticsearch文档-字段的mapping

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. 附_uid的java源代码
3. publicstaticfinalbyte DELIMITER_BYTE =0x23;
5. publicstaticvoid createUidAsBytes(BytesRef type,BytesRef id,BytesRef spare){
6. spare.copyBytes(type);
7. spare.append(DELIMITER_BYTES);
8. spare.append(id);
9. }

_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term, terms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_id的path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store, term_vector和analyzer(指定index_analyzer和search_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。