ElasticSearch基于Lucene实现的高扩展、开源的全文检索和分析引擎，可以进行准实时的数据存储、搜索和分析，具有高度可扩展性、全文检索能力、准实时的数据响应能力，适合海量数据的存储、搜索和分析。
1、为什么需要ES？
数据库也可以实现搜索功能，为什么需要ES？
我们通常说的数据库(用的比较多的MySQL数据库)是关系型数据库，它是一种通过关系模型来组织数据的数据库，通过行和列来表述逻辑关系。数据库带有索引功能能够加快搜索的速度，也实现了诸如sum、avg等等的聚合函数可用于数据分析。
数据库的数据检索功能更多的是一种“精确匹配”的查找，通过主键来进行目标数据的检索过程，这个过程我们通常称为“正向检索”。在某些场景下数据库的检索很乏力，例如我们想要模糊查找“小怂”相关的内容，如果使用数据库:
select * from tableName where content like "%小怂%" //这种方式还是一种精确匹配
这个时候我们ES的主要特性“倒排索引”功能就显得很强大，可以通过对term建立倒排索引，查找term=“小怂”的文档数据。而且在数据量比较大的情况下(上T数据的情况下)，使用MySQL的like方式查询严重消耗性能。
-- head查看es集群状况 --
2、ES的基本概念
索引(index)：存储数据的地方，可类比于数据库的概念
类型(type)：同一类型、业务场景的数据存放在一个type下，类比数据库中的表概念(注：type的概念在es6.0之后被废弃，es7中完全删除)
为什么删除type？在ES中同一索引下的数据，无论分为多少个type，每个type中的字段名都需要保证唯一，这其实与数据库的表概念不一致。而且不建议将不同类型的数据存放在一个索引下，这样一方面不同的数据查询性能之间会存在影响，另一方面不利于lucene对数据进行压缩处理。es低版本升级高版本的过程，就需要对多type进行处理，常见的处理措施：- 合并成单个type- 拆分成多个索引
映射(mapping)：索引数据的结构
集群(cluster)：多个ES节点组成ES集群，集群可以进行节点的扩展，提高存储数据的容量。每个集群都有一个标识称为集群名，集群下各节点根据相同的集群名，加入同一个集群。
节点(node)：节点实际上是一个ES实例。
一台机器上可以有多个节点(例如一个docker容器作为一个节点，每台物理机上可以创建多个docker容器)。节点又可以分为主节点、数据节点、网关节点三类(我们是这么划分的)，也可以一个节点即当主节点又当数据节点，即主数节点等等划分方式，节点的划分主要是更好的进行集群的管理。
分片(shard)：分片是存储数据的地方，是一个完整的Lucene索引。
副本(replica)：副本是主分片的冗余，是主分片数据的copy(主副分片数据同步)
写入主分片，副本分片同步数据。副本作用：容灾，主分片发生故障，es选择副本分片升级为主分片，保证写入数据可用。提升查询效率，副本分片上的数据是主分片数据的copy，这样es在查询的过程中就可通过副本进行数据的获取
3、倒排索引
对文档进行分词，将文档的内容形成一个个词项，并记录每个词项出现的文档编号，查询过程中通过词项查找归属的文档，这就是倒排索引。
简单举例，下面是我们要存储文档的内容：
ES经过分词后，会形成如下的倒排表：
在查找过程中，term=他们，es可以快速得到这个词项存在id=3的文档中，然后进行文档内容的获取和返回。
