内容概述
本文内容主要集中在应用层，通过下面几个部分介绍当前最流行的搜索工具：Elasticsearch，了解这些内容后，可以快速开始使用它。
什么是Elasticsearch，为什么要使用它？
基础概念：节点，索引，类型映射和文档
本地环境搭建，创建第一个index
常用RESTful Api示例
什么是Elasticsearch，为什么要使用它？Elasticsearch 是一个分布式、RESTful 风格的搜索和数据分析引擎。
它基于Lunece实现，使用java语言编写。Lunece是一个优秀的搜索引擎库，但它使用起来非常复杂。
Elasticsearch通过对 Lunece的封装，隐藏了复杂性，提供了使用简单的RESTful Api。
同时也实现了分布式集群特性，具有存储数据大，查询性能好，扩展方便等特点。
为什么要使用它在业务开发中，基于ES的特性，通常有下面这些场景需要使用它：
存储大量数据。通过在使用mysql存储的时候，数据的单位是G。使用ES的时候，数据的单位是T。由此可以看出ES使用于大数据量的存储场景，基于分布式特性，它也支持备份和容灾，并且可以很容易水平扩展容量。
分词搜索引擎。ES具有强大的分词能力，可以支持高性能的实时搜索。
高效数据分析。ES提供的聚合分析功能，可实现对保存的大量数据的近实时统计分析。
基础概念简介要使用ES，需要了解几个最基本的概念，节点(node)，索引(index)，类型映射(mapping)和文档(doc)。
节点(node)节点是组成ES集群的基本单位，每个节点是一个运行的ES实例。每个物理机器上可以有多个节点，使用不同的端口和节点名称。
节点按主要功能可以分为三种：主节点(Master Node)，协调节点(Coordianting Node)和数据节点(Data Node)。下面简单介绍下：
主节点：处理创建，删除索引等请求，维护集群状态信息。可以设置一个节点不承担主节点角色
协调节点：负责处理请求。默认情况下，每个节点都可以是协调节点。
数据节点：用来保存数据。可以设置一个节点不承担数据节点角色
索引(index)索引是ES中的逻辑概念，是文档的容器。对ES的操作，基本都是对索引操作，一个ES集群中，可以创建多个索引。
索引定义了一组文档的数据模型和处理方法。每个索引可以有多个主分片和副本分片，分别保存在不同的节点。
主分片的作用是对索引的扩容，使一个索引的容量可以突破单机的限制。
副本分片是对数据的保护，每个主分片对应一个或多个副本分片，当主分片所在节点宕机时，副本分片会被提升为对应的主分片使用。
一个主分片和它的副本分片，不会分配到同一个节点上。
一个索引的分片数在创建时指定，如果要修改需要重建索引，代价很高。
类型映射(mapping)mapping定义了一个索引中，文档保存的每个字段的数据类型。根据数据类型的不同，在添加文档时对每个字段的处理也不同。
例如，对text类型的字段，会先使用分词器分词，生成倒排索引，用于之后的搜索。对keyword类型的字段，不会分词，搜索时只能精确查找。
一个简单的mapping示例如下：
{ "javalogs": { //索引名称 "mappings": { "properties": { "log_content": { //text类型，分词，用于之后的分词索引 "type": "text" }, "date": {//时间类型 "type": "date" }, "log_level": { //keyword类型，不分词 "type": "keyword" }, "ip": { "type": "keyword" } } } } }在6.x版本中，每个索引中还可以有多个type，区分不同的mapping。在7.x中，type被取消，每个索引只有一个type:_doc
文档(doc)
文档是Elasticsearch中的最小单位，每个索引都是有数量众多的文档组成的。
文档中包含多个字段，每个字段的类型由mapping定义。
在一个索引中每个文档都有一个唯一id，可以在添加时指定，也可以自动生成。
下面通过一张图来描述，节点(node)，索引(index)和文档(doc)之间的关系。
一切知识都要通过实践掌握，所以在了解基本的概念和逻辑后，下面就进入实践环节。
这里推荐使用docker来搭建本地开发环境，docker对应windows和mac系统都有桌面版本，使用非常方便。因为网络限制，直接使用docker官方仓库拉取镜像会很慢，所以在安装完成后，需要在设置中将仓库的地址替换为国内源，这里推荐https://docker.mirrors.ustc.edu.cn，速度很快，设置如下：
{ "registry-mirrors": [ "https://docker.mirrors.ustc.edu.cn" ] }
下面我们使用docker安装Elasticsearch和kibana镜像，kibana是es官方配套的可视化分析工具，使用它的页面dev tools可以很方便的通过api操作es。