一、常见的NoSQL解决方案
1、redis
Redis是一个基于内存的 key-value 结构数据库。Redis是一款采用key-value数据存储格式的内存级NoSQL数据库，重点关注数据存储格式，是key-value格式，也就是键值对的存储形式。与MySQL数据库不同，MySQL数据库有表、有字段、有记录，Redis没有这些东西，就是一个名称对应一个值，并且数据以存储在内存中使用为主。redis的基本使用
2、mongodb
- MongoDB可以在内存中存储类似对象的数据并实现数据的快速访问。
- 使用Redis技术可以有效的提高数据访问速度，但是由于Redis的数据格式单一性，无法操作结构化数据，当操作对象型的数据时，Redis就显得捉襟见肘。在保障访问速度的情况下，如果想操作结构化数据，看来Redis无法满足要求了，此时需要使用全新的数据存储结束来解决此问题，即MongoDB技术。mongodb的基本使用
3、ES（Elasticsearch）
- ES（Elasticsearch）是一个分布式全文搜索引擎，重点是全文搜索。
二、ES的使用
ES简介
- es是由Apache开源的一个兼有搜索引擎和NoSQL数据库功能的系统，其特点主要如下。
-
- 基于Java/Lucene构建，支持全文搜索、结构化搜索（应用于加速数据的查询）
-
- 低延迟，支持实时搜索
-
- 分布式部署，可横向集群扩展
-
- 支持百万级数据
-
- 支持多条件复杂查询，如聚合查询
-
- 高可用性，数据可以进行切片备份
-
- 支持Restful风格的api调用
-
全文搜索
-
全文搜索的理解：
比如用户要在淘宝上买一本书（Java开发），那么他就可以以Java为关键字进行搜索，不管是书名中还是书的介绍中，甚至是书的作者名字，只要包含java就作为查询结果返回给用户查看。这就可以理解为全文搜索。- 搜索的条件不再是仅用于对某一个字段进行比对，而是在一条数据中使用搜索条件去比对更多的字段，只要能匹配上就列入查询结果，这就是全文搜索的目的。而ES技术就是一种可以实现上述效果的技术。
-
全文搜索的实现：
要实现全文搜索的效果，不可能使用数据库中like操作去进行比对，这种效率太低了。ES设计了一种全新的思想，来实现全文搜索。具体操作过程如下：-
- 将被查询的字段的数据全部文本信息进行拆分，分成若干个词
- 例如“中华人民共和国”就会被拆分成三个词，分别是“中华”、“人民”、“共和国”，此过程有专业术语叫做分词。分词的策略不同，分出的效果不一样，不同的分词策略称为分词器。
-
- 将分词得到的结果存储起来，对应每条数据的id
- 例如id为1的数据中名称这一项的值是“中华人民共和国”，那么分词结束后，就会出现“中华”对应id为1，“人民”对应id为1，“共和国”对应id为1
- 例如id为2的数据中名称这一项的值是“人民代表大会“，那么分词结束后，就会出现“人民”对应id为2，“代表”对应id为2，“大会”对应id为2
- 此时就会出现如下对应结果，按照上述形式可以对所有文档进行分词。需要注意分词的过程不是仅对一个字段进行，而是对每一个参与查询的字段都执行，最终结果汇总到一个表格中
分词结果关键字 对应id 中华 1 人民 1,2 共和国 1 代表 2 大会 2 -
- 当进行查询时，如果输入“人民”作为查询条件，可以通过上述表格数据进行比对，得到id值1,2，然后根据id值就可以得到查询的结果数据了。
-
-
上述过程中分词结果关键字内容每一个都不相同，作用有点类似于数据库中的索引，是用来加速数据查询的。
- 但是数据库中的索引是对某一个字段进行添加索引，而这里的分词结果关键字不是一个完整的字段值，只是一个字段中的其中的一部分内容。并且索引使用时是根据索引内容查找整条数据，全文搜索中的分词结果关键字查询后得到的并不是整条的数据，而是数据的id，要想获得具体数据还要再次查询，因此这里为这种分词结果关键字起了一个全新的名称，叫做倒排索引。
ES的应用场景
- ES作为全文检索的搜索引擎，在以下几个方面都存在着相应的应用：
-
- 监控。针对日志类数据进行存储、分析、可视化。针对日志数据，ES给出了ELK的解决方案。其中logstash采集日志，ES进行复杂的数据分析，kibana进行可视化展示。
-
- 电商网站。用于商品信息检索。
-
- Json文档数据库。用于存放json格式的文档
-
- 维基百科。提供全文搜索并高亮关键字
-
Es的windows版安装
-
windows版安装包下载地址：https://www.elastic.co/cn/downloads/elasticsearch
- 下载zip文件，然后直接解压即可，解压完的目录如下：（data目录，是使用了数据库后自己给你创建的，里面的存放的就是你ES数据库的文件）
- 下载zip文件，然后直接解压即可，解压完的目录如下：（data目录，是使用了数据库后自己给你创建的，里面的存放的就是你ES数据库的文件）
-
ES的运行：在bin目录下，双击elasticserach.bat文件。（默认端口号：9200）
然后访问：http://localhost:9200/，看到下面的json数据后，表示es已经启动成功。
ES的基础操作
ES的基础操作-----索引操作
- 对于mysql数据库，我们一般需要创建数据库之后才能继续操作，而ES则需要创建索引之后才能继续操作。
- 对于es的操作，我们只需要发web请求就可以了。要操作ES可以通过Rest风格的请求来进行（因为它支持rest风格，可以使用postman进行操作），也就是说发送一个请求就可以执行一个操作。比如新建索引，删除索引这些操作都可以使用发送请求的形式来进行。
- ES中保存的数据，只是格式和数据库存储的数据格式 与我们的mysql等数据库不同而已。
- 在ES中我们要先创建倒排索引，这个索引的功能又有点类似于数据库的表。
- 然后将数据添加到倒排索引中，添加的数据称为文档。
- 所以要进行ES的操作要先创建索引，再添加文档，这样才能进行后续的查询操作。
不具备分词效果的索引的创建（没有指定分词器）
创建索引：注意这里使用的请求方式是put而不是post
获取索引
获取无分词器的索引返回的信息：
{
"book": {
"aliases": {},
"mappings": {},
"settings": {
"index": {
"routing": {
"allocation": {
"include": {
"_tier_preference": "data_content"
}
}
},
"number_of_shards": "1",
"provided_name": "book",
"creation_date": "1704103713618",
"number_of_replicas": "1",
"uuid": "1mabgD9eR7WvHVZeCBfVqw",
"version": {
"created": "7160299"
}
}
}
}
}
删除索引
利用分词器进行创建索引（创建索引并指定分词器）
- 我们在创建索引时，可以添加请求参数，设置分词器。
- ik分词器的下载：https://github.com/medcl/elasticsearch-analysis-ik/releases
- 分词器下载后解压到ES安装目录的plugins目录中即可，安装分词器后需要重新启动ES服务器。使用IK分词器创建索引格式：
创建带分词器的索引：创建索引并指定规则
参数数据如下：
{
"mappings":{ //mapping表示：定义mappings属性，替换创建索引时对应的mappings属性
"properties":{ // properties表示：定义索引中包含的属性设置（属性是自定义的）
"id":{ // 设置索引中包含id属性（相当于数据库表中创建一个id字段）
"type":"keyword" //设置当前属性为关键字，可以被直接搜索
},
"name":{ // 设置索引中包含name属性
"type":"text", //设置当前属性是文本信息，参与分词
"analyzer":"ik_max_word", //选择当前属性的分词策略，这里表示使用IK分词器进行分词
"copy_to":"all" // 表示把分词结果拷贝到all属性中，即all属性中也有name属性同样的作用
},
"type":{
"type":"keyword"
},
"description":{
"type":"text",
"analyzer":"ik_max_word",
"copy_to":"all"
},
"all":{ //all是一个定义属性（虚拟的属性，数据库中不存在的属性），用来描述多个字段的分词结果集合，当前属性可以参与查询
"type":"text",
"analyzer":"ik_max_word"
}
}
}
}
查询带分词器的索引
返回值：（与前面的查询不带分词器的相比，会发现mappings里面多了很多数据信息）
{
"books": {
"aliases": {},
"mappings": { //mappings属性已经被替换
"properties": {
"all": {
"type": "text",
"analyzer": "ik_max_word"
},
"description": {
"type": "text",
"copy_to": [
"all"
],
"analyzer": "ik_max_word"
},
"id": {
"type": "keyword"
},
"name": {
"type": "text",
"copy_to": [
"all"
],
"analyzer": "ik_max_word"
},
"type": {
"type": "keyword"
}
}
},
"settings": {
"index": {
"routing": {
"allocation": {
"include": {
"_tier_preference": "data_content"
}
}
},
"number_of_shards": "1",
"provided_name": "books",
"creation_date": "1704103876876",
"number_of_replicas": "1",
"uuid": "nQ2Jmml6QSOGwOI2cswwJw",
"version": {
"created": "7160299"
}
}
}
}
}
ES的基础操作-----文档操作
- 前面我们已经创建了索引了，但是索引中还没有数据，所以要先添加数据，ES中称数据为文档，下面进行文档操作。
添加文档：
- 添加文档有三种方式：创建books索引下的文档
POST请求 http://localhost:9200/books/_doc #使用系统生成id（自动帮你创建）
POST请求 http://localhost:9200/books/_doc/1 #使用指定id，不存在创建，存在更新（版本递增）
POST请求 http://localhost:9200/books/_create/1 #使用指定id（必须指定id）
传参数据一般不使用id属性：因为指定了也不会生效，要么默认帮你创建，要么在请求路径上进行指定
参数的使用：
{
"id": 1, //一般不使用这一行
"name": "springboot1",
"type": "book",
"desctiption": "an book"
}
第一种请求方式：
返回结果：
{
"_index": "books",
"_type": "_doc",
"_id": "MgeZxIwB35gR6M6IUssu",
"_version": 1,
"result": "created",
"_shards": {
"total": 2,
"successful": 1,
"failed": 0
},
"_seq_no": 1,
"_primary_term": 1
}
第二种请求方式：
返回结果：
{
"_index": "books",
"_type": "_doc",
"_id": "55",
"_version": 1,
"result": "created",
"_shards": {
"total": 2,
"successful": 1,
"failed": 0
},
"_seq_no": 2,
"_primary_term": 1
}
第三种请求方式：
返回结果：
{
"_index": "books",
"_type": "_doc",
"_id": "1",
"_version": 1,
"result": "created",
"_shards": {
"total": 2,
"successful": 1,
"failed": 0
},
"_seq_no": 0,
"_primary_term": 1
}
获取文档
- 根据id获取某个索引的文档：http://localhost:9200/books/_doc/1
- 获取某个索引的所有的文档：GET请求 http://localhost:9200/books/_search
3. 根据指定条件获取某个索引的所有的文档：
GET请求 http://localhost:9200/books/_search?q=name:springboot
# q=查询属性名:查询属性值
删除文档
- 根据id进行删除：DELETE请求 http://localhost:9200/books/_doc/1
修改文档（分为全量更新和部分更新）
全量更新（注意这里是put请求，以及_doc）
- PUT请求 http://localhost:9200/books/_doc/1：根据指定id进行修改，传入的数据就是修改后的数据。
//文档通过请求参数传递，数据格式json
{
"name":"springboot",
"type":"springboot",
"description":"springboot"
}
修改文档（部分更新）注意：这里是post请求，以及_update
- POST请求 http://localhost:9200/books/_update/1
//文档通过请求参数传递，数据格式json
{
"doc":{ //部分更新并不是对原始文档进行更新，而是对原始文档对象中的doc属性中的指定属性更新
"name":"springboot" //仅更新提供的属性值，未提供的属性值不参与更新操作
}
}
三、Springboot整合ES
-
整合步骤（依旧是拿三板斧）：
-
- 导入依赖
-
- 做配置（springboot底层有默认的配置）
-
- 调用它的api接口
-
-
ES有两种级别的客户端，一种是Low Level Client，一种是High Level Client。
- Low Level Client：这种客户端操作方式性能方面略显不足，不推荐使用，但是springboot最初整合ES的时候使用的是低级别客户端，所以企业开发需要更换成高级别的客户端模式。
- High Level Clien：高级别客户端与ES版本同步更新
Springboot整合Low Level Client的ES（不推荐使用了，这里了解一下）
- ES早期的操作方式如下：
步骤①：导入springboot整合ES的starter坐标（spiringboot里面有指定版本（就是低级别的版本号）
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-data-elasticsearch</artifactId>
</dependency>
步骤②：进行基础配置
spring:
elasticsearch:
rest:
uris: http://localhost:9200
配置ES服务器地址，端口9200（默认就是9200）
步骤③：使用springboot整合ES的专用客户端接口ElasticsearchRestTemplate来进行操作
@SpringBootTest
class Springboot18EsApplicationTests {
@Autowired
private ElasticsearchRestTemplate template;
}
springboot测试类中的测试类的初始化方法和销毁方法的使用
- @BeforeEach:在测试类中每个操作运行前运行的方法
- @AfterEach ：在测试类中每个操作运行后运行的方法
@SpringBootTest
class Springbootests {
@BeforeEach //在测试类中每个操作运行前运行的方法
void setUp() {
//各种操作
}
@AfterEach //在测试类中每个操作运行后运行的方法
void tearDown() {
//各种操作
}
}
Springboot整合High Level Client的ES
- 高级别客户端方式进行springboot整合ES，操作步骤如下：
步骤①：导入springboot整合ES高级别客户端的坐标，此种形式目前没有对应的starter
<dependency>
<groupId>org.elasticsearch.client</groupId>
<artifactId>elasticsearch-rest-high-level-client</artifactId>
</dependency>
这里的springboot版本为：2.5.4，es的版本为7.16.2，那时候的springboot没有整合高级别的ES，所以配置文件里不需要配置，只能写硬编码配置
步骤②：使用编程的形式设置连接的ES服务器，并获取客户端对象
步骤③：使用客户端对象操作ES，例如创建索引，为索引添加文档等等操作。
ES-----创建客户端
@SpringBootTest
class Springboot18EsApplicationTests {
@Autowired
private BookMapper bookMapper;
private RestHighLevelClient client;
@Test
void testCreateClient() throws IOException {
//先创建ES客户端
HttpHost host = HttpHost.create("http://localhost:9200");
RestClientBuilder builder = RestClient.builder(host);
client = new RestHighLevelClient(builder);
client.close();
}
}
配置ES服务器地址与端口9200，记得客户端使用完毕需要手工关闭。由于当前客户端是手工维护的，因此不能通过自动装配的形式加载对象。
ES-----根据客户端创建索引
@SpringBootTest
class Springboot18EsApplicationTests {
@Autowired
private BookMapper bookMapper;
private RestHighLevelClient client;
@Test
void testCreateIndex() throws IOException {
//先创建ES客户端
HttpHost host = HttpHost.create("http://localhost:9200");
RestClientBuilder builder = RestClient.builder(host);
client = new RestHighLevelClient(builder);
//在通过ES客户端创建索引
CreateIndexRequest request = new CreateIndexRequest("books");
client.indices().create(request, RequestOptions.DEFAULT);
client.close();
}
}
高级别客户端操作是通过发送请求的方式完成所有操作的，ES针对各种不同的操作，设定了各式各样的请求对象，上例中创建索引的对象是CreateIndexRequest，其他操作也会有自己专用的Request对象。
ES-----根据客户端创建索引（使用Ik分词器）
使用分词器IK：
//json的参数：
{
"mappings":{
"properties":{
"id":{
"type":"keyword"
},
"name":{
"type":"text",
"analyzer":"ik_max_word",
"copy_to":"all"
},
"type":{
"type":"keyword"
},
"description":{
"type":"text",
"analyzer":"ik_max_word",
"copy_to":"all"
},
"all":{
"type":"text",
"analyzer":"ik_max_word"
}
}
}
}
@Test
void testCreateClientIndexByIk() throws IOException {
// 创建客户端
HttpHost host = HttpHost.create("http://localhost:9200");
RestClientBuilder builder = RestClient.builder(host);
client = new RestHighLevelClient(builder);
CreateIndexRequest request = new CreateIndexRequest("books");
String json = "{\n" +
" \"mappings\":{\n" +
" \"properties\":{\n" +
" \"id\":{\n" +
" \"type\":\"keyword\"\n" +
" },\n" +
" \"name\":{\n" +
" \"type\":\"text\",\n" +
" \"analyzer\":\"ik_max_word\",\n" +
" \"copy_to\":\"all\"\n" +
" },\n" +
" \"type\":{\n" +
" \"type\":\"keyword\"\n" +
" },\n" +
" \"description\":{\n" +
" \"type\":\"text\",\n" +
" \"analyzer\":\"ik_max_word\",\n" +
" \"copy_to\":\"all\"\n" +
" },\n" +
" \"all\":{\n" +
" \"type\":\"text\",\n" +
" \"analyzer\":\"ik_max_word\"\n" +
" }\n" +
" }\n" +
" }\n" +
"}";
//设置请求中的参数（添加分词器）
request.source(json, XContentType.JSON);
client.indices().create(request, RequestOptions.DEFAULT);
client.close();
}
IK分词器是通过请求参数的形式进行设置的，设置请求参数使用request对象中的source方法进行设置，至于参数是什么，取决于你的操作种类。当请求中需要参数时，均可使用当前形式进行参数设置。
ES-----为索引添加文档
// 添加文档：
@Test
void testCreateClientIndexByIkAddData() throws IOException {
// 创建客户端
HttpHost host = HttpHost.create("http://localhost:9200");
RestClientBuilder builder = RestClient.builder(host);
client = new RestHighLevelClient(builder);
// 进行添加操作，因为前面已经创建好了books索引
Book book = bookMapper.selectById(1);
// 把book对象数据转换为json数据，
String json = JSON.toJSONString(book);
// 指定添加的文档的id为book.getId()，需要添加文档的索引为books
IndexRequest request = new IndexRequest("books").id(book.getId().toString());
// 传入数据
request.source(json,XContentType.JSON);
client.index(request,RequestOptions.DEFAULT);
client.close();
}
添加文档使用的请求对象是IndexRequest，与创建索引使用的请求对象不同。
ES-----为索引批量添加文档
// 批量添加
@Test
void testCreateClientIndexByIkAddBatchData() throws IOException {
// 创建客户端
HttpHost host = HttpHost.create("http://localhost:9200");
RestClientBuilder builder = RestClient.builder(host);
client = new RestHighLevelClient(builder);
// 进行添加操作，因为前面已经创建好了books索引
List<Book> bookList= bookMapper.selectList(null);
// BulkRequest的对象，可以将该对象理解为是一个保存request对象的容器，
// 将所有的请求都初始化好后，添加到BulkRequest对象中，再使用BulkRequest对象的bulk方法，一次性执行完毕
BulkRequest bulk = new BulkRequest();
for (Book book : bookList) {
// 把book对象数据转换为json数据，
String json = JSON.toJSONString(book);
// 指定添加的文档的id为book.getId()，需要添加文档的索引为books
IndexRequest request = new IndexRequest("books").id(book.getId().toString());
// 传入数据
request.source(json,XContentType.JSON);
// 把数据放进BulkRequest对象里面
bulk.add(request);
}
// 批量执行
client.bulk(bulk,RequestOptions.DEFAULT);
// 关闭客户端
client.close();
}
批量做时，先创建一个BulkRequest的对象，可以将该对象理解为是一个保存request对象的容器，将所有的请求都初始化好后，添加到BulkRequest对象中，再使用BulkRequest对象的bulk方法，一次性执行完毕。
ES-----查询文档
根据id查询
@Test
//按id查询
void testGetById() throws IOException {
// 创建客户端
HttpHost host = HttpHost.create("http://localhost:9200");
RestClientBuilder builder = RestClient.builder(host);
client = new RestHighLevelClient(builder);
// 根据id查询
GetRequest request = new GetRequest("books","1");
GetResponse response = client.get(request, RequestOptions.DEFAULT);
// 获取查询到的数据中的source属性的数据
String json = response.getSourceAsString();
System.out.println(json);
client.close();
}
条件查询
@Test
//按条件查询
void testSearch() throws IOException {
// 创建客户端
HttpHost host = HttpHost.create("http://localhost:9200");
RestClientBuilder builder = RestClient.builder(host);
client = new RestHighLevelClient(builder);
//
SearchRequest request = new SearchRequest("books");
//创建条件查询对象
SearchSourceBuilder searchSourceBuilder = new SearchSourceBuilder();
// 设置查询条件
searchSourceBuilder.query(QueryBuilders.termQuery("all", "spring"));
// 把查询条件放进请求中
request.source(searchSourceBuilder);
// 根据请求获取返回数据
SearchResponse response = client.search(request, RequestOptions.DEFAULT);
// 获取返回数据里面的hits属性（获取的具体属性，可以看上面的postman操作）
SearchHits hits = response.getHits();
for (SearchHit hit : hits) {
String source = hit.getSourceAsString();
//把json数据转换为对象
Book book = JSON.parseObject(source, Book.class);
System.out.println(book);
}
}
Mysql与Es数据同步的实现（这里只是基本了解一下）
- 在实际项目开发中，我们经常将mysql作为业务数据库，ES作为擦汗寻数据库，用来实现读写分离，缓解mysql数据库的查询压力，应对海量数据的复杂查询。
1、同步双写
- 这是一种最为简单的方式，在将数据写入mysql的同时，也把数据写到ES里面
- 优缺点：
- 优点
-
- 业务逻辑简单
- 2、 实时性高
-
- 缺点：
-
- 硬编码，有需要写入MySQL的地方，都需要添加写入es的代码
-
- 业务强耦合
-
- 存在双写失败丢失数据的风险
-
- 性能较差，本来的mysql的性能不是很高，再加一个es系统的性能必然会下降
-
- 优点
2. 异步双写
- 针对多数据源写入的场景，可以借助MQ实现异步的多源写入
- 优缺点
- 优点：
-
- 性能高
-
- 不易出现数据丢失问题：主要基于MQ消息的消费保障机制，比如ES宕机或者写入失败，还能重新消费MQ消息；
-
- 多源写入之间相互隔离，便于扩展更多的数据源写入
-
- 缺点：
-
- 硬编码问题：接入新的数据源需要实现新的消费者代码
- 2、系统复杂度增加，映入了消息中间件
- 3、数据实时问题，mq是异步消费，用户输入，不一定会马上同步让他看到
-
- 优点：
3、基于sql抽取（定时任务）
- 上面两种方案都存在硬编码问题，代码的侵入性太强，如果对实时性要求不高的情况下，可以考虑用定时器来处理：
-
- 数据库的相关表中增加一个字段为updatetime（自己定义的名称）字段，任何CURD操作都会导致该字段的实际发生变化
-
- 原来程序中的crud操作不做任何变化
-
- 增加一个定时器程序，让该程序按一定的时间周期扫描指定的表，把该时间段内发生的变化的数据提取出来
-
- 比较此字段来确认变更数据，然后把变更的数据逐条写入ES中。
-
- 优缺点：
- 优点：
- 1、不改原代码，没有侵入性，没有硬编码；
- 2、没有业务强耦合，不改变原来程序的性能；
- 3、worker代码编写简单，不需要考虑增删改查；
- 缺点：
- 1、时效性太差，由于采取定时器根据固定频率查询表来同步数据，尽管将同步周期设置到秒级，也还是会存在一定时间的延迟。
- 2、对数据库有一定的轮询压力。
- 优化的方案：
- 1、将轮寻放到压力不大的从库上
- 2、借助logstash实现数据同步，其底层实现原理就是根据配置定期使用sql查询新增的数据写入es中，实现数据的增量同步（经典方案）
- 优点：
4、基于Binlog实现同步
-
前三种代码要么有代码侵入，要么有延迟。
-
而基于Binlog与mysql实现同步：既能保证数据同步的实时性又没有代入、侵入性。
-
实施步骤
- 1、读取mysql 的binlog日志，获取指定表的日志信息；
- 2、将读取的信息转为mq；
- 3、编写一个mq消费程序；
- 4、不断消费mq，每费完一条消息，将消息写入到es中；
-
优缺点：
- 优点：
- 1、没有代码侵入，没有硬编码；
- 原有系统不需要任何变化，没有感知；
- 3、性能高
- 4、业务解耦，不需要关注原来系统的业务逻辑
- 缺点：
- 1、构建Binlog系统复杂
- 2、如皋采用MQ消费解析的Binlog信息，也会存在MQ延时的风险
- 优点：
数据迁移工具选型
- 对于上面的四种数据同步方案，“基于Binlog实时同步”方案是目前最为常用的，也诞生了很多优秀的数据迁移工具，主要有以下几种：
- 1、canal （原理是伪装成mysql的从数据库）
- 2、阿里云DTS （需付费）
- 3、databus
- 4、Flink
- 5、CloudCanal
- 6、Maxwell
