ElasticSearch 适用场景
- 日志可视化 --ELK组合，方便查询定位业务问题
- 存储非结构化数据，有些场景存储复杂嵌套的关系类型，使用关系型数据库联合查询将会很繁琐，并且影响性能，这时ElasticSearch是个不错的选择。
- 全文搜索引擎，对于海量数据的准实时搜索场景，ES是个不错的选择
ElasticSearch的搜索过程
1、当索引一片文档时发生了什么
首先根据文档ID散列值选择一个主分片，并将文档发送给主分片，然后文档被发送到该主分片的所有副本进行索引，使得副本分片和主分片保持同步，副本分片可以服务于搜索请求，并在原主分片不可用时，升级为主分片。
2、搜索索引时发生了什么
搜索时，在索引的所有分片中进行查找，这些分片可以是主分片，也可以是副本分片，负载均衡，提升性能。接受请求的节点将请求转发到一组包含所有数据的分片，ES使用round-robin的轮询机制选择可用分片（主或副本分片），并将请求转发出去，然后从这些分片收集结果，然后将结果聚集在一起返回。
什么是分片
一个分片是lucence的索引，一个包含倒排索引的文件目录，倒排索引使得ES在不扫描所有文档的情况下，就能告诉你哪些文档包含特定的词条。
注：
1、也就是说一个ES 索引，包含多个分片，每个分片又是一个单独的Lucence索引
2、副本分片可以动态的增加和删除，主分片不可以
什么是倒排索引
Elasticsearch 使用一种称为 倒排索引 的结构，它适用于快速的全文搜索。一个倒排索引由文档中所有不重复词的列表构成，对于其中每个词，有一个包含它的文档列表。
例如，假设我们有两个文档，每个文档的 content 域包含如下内容：
1.The quick brown fox jumped over the lazy dog
2.Quick brown foxes leap over lazy dogs in summer
为了创建倒排索引，我们首先将每个文档的 content 域拆分成单独的 词（我们称它为 词条 或 tokens ），创建一个包含所有不重复词条的排序列表，然后列出每个词条出现在哪个文档。结果如下所示：
现在，如果我们想搜索 quick brown ，我们只需要查找包含每个词条的文档：
两个文档都匹配，但是第一个文档比第二个匹配度更高。如果我们使用仅计算匹配词条数量的简单 相似性算法 ，那么，我们可以说，对于我们查询的相关性来讲，第一个文档比第二个文档更佳。
但是，我们目前的倒排索引有一些问题：
- Quick 和 quick 以独立的词条出现，然而用户可能认为它们是相同的词。
- fox 和 foxes 非常相似, 就像 dog 和 dogs ；他们有相同的词根。
- jumped 和 leap, 尽管没有相同的词根，但他们的意思很相近。他们是同义词。
使用前面的索引搜索 +Quick +fox 不会得到任何匹配文档。（记住，+ 前缀表明这个词必须存在。）只有同时出现 Quick 和 fox 的文档才满足这个查询条件，但是第一个文档包含 quick fox ，第二个文档包含 Quick foxes 。
我们的用户可以合理的期望两个文档与查询匹配。我们可以做的更好。
如果我们将词条规范为标准模式，那么我们可以找到与用户搜索的词条不完全一致，但具有足够相关性的文档。例如：
- Quick 可以小写化为 quick 。
- foxes 可以 词干提取 --变为词根的格式-- 为 fox 。类似的， dogs 可以为提取为 dog 。
- jumped 和 leap 是同义词，可以索引为相同的单词 jump 。
现在索引看上去像这样：
这还远远不够。我们搜索 +Quick +fox 仍然 会失败，因为在我们的索引中，已经没有 Quick 了。但是，如果我们对搜索的字符串使用与 content 域相同的标准化规则，会变成查询 +quick +fox ，这样两个文档都会匹配！
这非常重要。你只能搜索在索引中出现的词条，所以索引文本和查询字符串必须标准化为相同的格式。
分词和标准化的过程称为 分析。
