AI 助理
备案控制台
开发者社区 数据库 文章 正文

elasticsearch学习六：学习 全文搜索引擎 elasticsearch的语法，使用kibana进行模拟测试（持续更新学习）

2024-10-17 5
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
本文涉及的产品
检索分析服务 Elasticsearch 版，2核4GB开发者规格 1个月
推荐场景：
数据可视化分析航班信息
云原生数据库 PolarDB MySQL 版，通用型 2核4GB 50GB
云原生数据库 PolarDB PostgreSQL 版，标准版 2核4GB 50GB
简介： 这篇文章是关于Elasticsearch全文搜索引擎的学习指南，涵盖了基本概念、命令风格、索引操作、分词器使用，以及数据的增加、修改、删除和查询等操作。

前言

一、基本概念

  1. 全文搜索 属于最常见的需求，开源的 Elasticsearch （以下简称 Elastic）是目前全文搜索引擎的首选。
  2. 它可以快速地储存、搜索和分析海量数据。维基百科、Stack Overflow、Github 都采用它。
  3. Elastic 的底层是开源库 Lucene。但是，你没法直接用 Lucene，必须自己写代码去调用它的接口。Elastic 是 Lucene 的封装 ，提供了 REST API 的操作接口，开箱即用。

1. Node节点 与 Cluster集群

Elastic 本质上是一个分布式数据库，允许多台服务器协同工作，每台服务器可以运行多个 Elastic 实例。
单个 Elastic 实例称为一个节点（node）。一组节点构成一个集群（cluster）。

2. Index 索引

Elastic 会索引所有字段，经过处理后写入一个反向索引（Inverted Index）。查找数据的时候，直接查找该索引。
所以，Elastic 数据管理的顶层单位就叫做 Index（索引）。它是单个数据库的同义词。每个 Index （即数据库）的名字必须是小写。
下面的命令可以查看当前节点的所有 Index。
GET /_mapping?pretty=true
在这里插入图片描述

3. Document文档

Index 里面单条的记录称为 Document（文档）。许多条 Document 构成了一个 Index。
Document 使用 JSON 格式表示，下面是一个例子。

{
  "user": "张三",
  "title": "工程师",
  "desc": "数据库管理"
}

同一个 Index 里面的 Document，不要求有相同的结构（scheme），但是最好保持相同，这样有利于提高搜索效率。

4. Type类型

Document 可以分组，比如 weather 这个 Index 里面，可以按城市分组（北京和上海），也可以按气候分组（晴天和雨天）。这种分组就叫做 Type，它是虚拟的逻辑分组，用来过滤 Document。

不同的 Type 应该有相似的结构（schema），举例来说，id 字段不能在这个组是字符串，在另一个组是数值。这是与关系型数据库的表的一个区别。性质完全不同的数据（比如products和logs）应该存成两个 Index，而不是一个 Index 里面的两个 Type（虽然可以做到）。

下面的命令可以列出每个 Index 所包含的 Type。(和上面截图一样)
GET /_mapping?pretty=true
根据规划，Elastic 6.x 版只允许每个 Index 包含一个 Type，7.x 版将会彻底移除 Type。

5. 逻辑对比

上面说的 集群，节点，索引，类型，文档，分片（底层封装），映射 是什么呢？

怎么区分对比 非关系型数据库 elasticsearch 和 关系型数据库呢，elasticsearch是面向文档的
如下：对关系型数据库和elasticsearch客观的对比！

关系数据库 非关系数据库
数据库 database 索引 index
表 table type(7版本彻底被弃用)
行 rows document
字段 column field

elasticsearch（集群）中可以包含多个索引（数据库），每个索引中可以包含多个类型（表），每个类型下又包含多个文档（行），每个文档中又包含多个字段（列）。

6. 物理设计

elasticsearch 在后台把每个索引划分成多个分片，每个分片可以在集群中的不同服务器间迁移。
集群的默认名称为 elasticsearch。
在这里插入图片描述
一个集群至少有一个节点，而一个节点就是一个 elasticsearch 进程，节点可以有多个索引默认的，如果你创建索引，那么索引将会有5个分片（primary shard，又称为主分片）构成的，每一个主分片会有一个副本（replica shard，又称赋值分片）
在这里插入图片描述
索引呗分为多个分片，没份分片是一个Lucene 的索引，所以一个elasticsearch索引是由多个Lucene索引组成的。因为elasticsearch使用Lucene作为底层。

二、ES的命令风格

一种软件架构风格，而不是标准，只是提供了一组设计原理和约束条件，它主要用于客户端和服务器交互类的软件。基于这个风格设计的软件可以更简洁，更有层次，更易于实现缓存等机制。

基本RESTFUL 命令说明：

method url地址 描述
PUT localhost:9200/索引名称/类型名称/文档id 创建文档（指定文档id）
POST localhost:9200/索引名称/类型名称 创建文档（随机文档id）
POST localhost:9200/索引名称/类型名称/文档id/_update 修改文档
DELETE localhost:9200/索引名称/类型名称/文档id 删除文档
GET localhost:9200/索引名称/类型名称/文档id 查询文档通过文档id
POST localhost:9200/索引名称/类型名称/文档id/_search 查询所有文档
  1. PUT ：一般为创建 索引、类型、文档
  2. POST：添加数据，创建索引、类型，查询
  3. DELETE：删除索引、文档
  4. GET：查询

三、新建和删除index索引

  1. 创建索引index
    PUT /weather
    等价于
    curl -X PUT 'localhost:9200/weather'
    服务器返回一个 JSON 对象，里面的acknowledged字段表示操作成功。
    在这里插入图片描述
  2. 然后，发出 DELETE 请求，删除这个 Index。
    DELETE /weather
    等价于
    curl -X DELETE 'localhost:9200/weather'
    在这里插入图片描述

四、分词器使用和学习

elasticsearch的查询，是通过分词器先进行分词，然后再使用倒排索引去匹配查询。

1. 理论学习

分词：即把一段中文或者别的划分为一个个的关键词， 我们在搜索时候, elasticsearch 分词器会把自己的信息进行分词，会把数据库中或者索引库中的数据进行分词，然后进行一个匹配操作 ，默认的中文分词是将每字看成一个词，比如“我爱冯凡利” 会被分为“我”，“爱”，“冯”，“凡”，“利”，这显然是不符合要求的，所以我们需要安装中文分词器 ik 来解决这个问题。

ES默认的分词是英文分词，对中文分词支持的并不好。如果要使用中文，建议使用ik分词器！所以我们就需要安装ik中文分词。

IK提供了两个分词算法：ik_smart 和 ik_max_word，其中 ik_mart 为最少切分，ik_max_word为最新粒度划分！一会我们测试！

安装在第一篇博客中已经介绍，传送门：elasticsearch学习一：了解 ES，版本之间的对应。安装elasticsearch，kibana，head插件、elasticsearch-ik分词器。

2. 使用kibana测试

  1. ik_mart 为最少切分
    在这里插入图片描述

  2. ik_max_word为最新粒度划分，穷尽词库的可能。
    在这里插入图片描述

  3. 输入超级喜欢冯安晨java
    在这里插入图片描述

  4. 发现问题：冯安晨被分开了，
    这种自己需要的词，需要自己加到我们的分词器的字典中！

ik分词器增加自己的配置！

  1. ik分词器自定义配置，已经单写了一个博客：elasticsearch学习三：elasticsearch-ik分词器的自定义配置 分词内容
    设置完后，再来执行：
    在这里插入图片描述
  2. 以后需要自己配置的分词就可以在自己定义的 dic 文件中进行配置即可！

五、数据操作

1. 创建索引

  1. 创建索引方式1，单纯创建索引
    PUT /索引名

  2. 创建索引方式2，创建索引并添加数据，字段类型系统默认给出
    这种方式会直接创建出索引名、类型、id，还会添家数据```
    PUT /索引名/~类型名~/文档id
    {请求体}

    ```

  3. 案例```
    PUT /test1/type1/1
    {
    "name": "冯安晨",
    "age": 18
    }

    ```
    这样创建完索引、类型、id后，还添加了一个数据。
    在这里插入图片描述

  4. 创建索引方式3，创建索引并指定字段类型
    创建索引，指定类型名称，并指定 `字段（field）类型````
    PUT /test2
    {
    "mappings": { 

    "type2": {
  "properties": {
    "name": {
      "type": "text"
    },
    "age": {
      "type": "long"
    },
    "birthday": {
      "type": "date"
    }
  }
}

    }
    }

    ```

在这里插入图片描述

2. 字段类型总结

那么上面的 name 这个字段用不用指定类型呢，毕竟我们关系型数据库是需要指定类型的！！

  • 字符串类型

    text、keyword

  • 数值类型

    long、integer、short、byte、double、float、half float、scaled float

  • 日期类型

    date

  • 布尔值类型

    boolean

  • 二进制类型

    binary

  • 等等。。。

3. 查看规则信息

也就是获取看一下上面命令创建的详细情况

  1. GET 命令
    GET /test1 ：查看索引信息
    如果自己的文档字段没有指定，那么 ES 会给我们默认配置字段类型！就是上面的 test1 索引，没有指定字段类型，所以ES 默认指定类型。
    在这里插入图片描述

4. 系统命令

通过 elasticsearch 命令查看 ES 的各种信息！ 通过
GET _cat/
可以获得 ES 的当前很多信息！

  1. GET _cat/indices/?v：查看 索引情况
    在这里插入图片描述
  2. 其他命令。
    在这里插入图片描述

5 添加数据

默认指定数据的类型

PUT /fenganchen/user/1
{
  "name": "冯凡利",
  "age": 18,
  "desc": "一顿操作猛如虎，一看工资2500",
  "tags": ["技术宅", "温暖", "直男"]
}

6. 修改数据

a. PUT修改（不推荐）

像添加一样，进行修改，但是这个修改类似于覆盖，如果缺少一个字段，则消失一个字段

  1. 查看 GET /fenganchen/user/1（下面讲）
    在这里插入图片描述

  2. 修改

    PUT /fenganchen/user/1
{
  "name": "冯凡利123",
  "age": 18,
  "desc": "一顿操作猛如虎，一看工资2500",
  "tags": ["技术宅", "温暖", "直男"]
}

    _version 代表被修改的次数
    在这里插入图片描述

  3. 查看确认
    GET /fenganchen/user/1
    在这里插入图片描述

b. _update修改（推荐）

  1. 修改
POST fenganchen/user/1/_update
{
  "doc": {
    "name": "冯凡利java"
  }
}

在这里插入图片描述
2. 查看
在这里插入图片描述

7. 删除

7. 简单查询

  1. GET fenganchen/user/1
    在这里插入图片描述
  2. 简单条件查询
GET /fenganchen/user/_search?q=name:冯凡利  （报错，还未找到原因）

GET /fenganchen/user/_search?q=age:18

在这里插入图片描述
在这里插入图片描述

8.复杂查询

  1. 多添加几个数据
PUT /fenganchen/user/2
{
  "name": "张三",
  "age": 17,
  "desc": "法外狂徒张三",
  "tags": ["技术宅", "温暖", "渣男"]
}

PUT /fenganchen/user/3
{
  "name": "李四",
  "age": 30,
  "desc": "mmp 不知怎么形容了",
  "tags": ["靓女", "旅游", "唱歌"]
}

  1. query关键字：查询
    match关键字：匹配，这里的有很多选择，如：match_all：匹配全部，bool：返回布尔值，exists：是否存在等等。```
    GET fenganchen/user/_search
    {
    "query": { 

    "match": {
  "name": "冯凡利"
}

    }
    }

    ```

在这里插入图片描述
3. 再添加一个数据，便于查询测试：

PUT /fenganchen/user/4
{
  "name": "冯凡利前端",
  "age": 3,
  "desc": "一顿操作猛如虎，一看工资2500",
  "tags": ["技术宅", "温暖", "直男"]
}

  1. 再次查询：如下图

    hits：包括索引和文档信息、查询结果总数、查询出来具体文档
    max_score：最大分数，这是下面数据中最大的匹配分数值，也是最合适的
    _score：可以通过它来判断谁更加符合结果，每个数据中都有这个属性
    _source：数据对象信息关键字。

在这里插入图片描述

9 过滤结果

不想显示那么多字段，只想显示其中的 name 和 desc 字段，可以使用 数据对象信息关键字 ：_source 来限定显示的字段。

GET fenganchen/user/_search
{
  "query": {
    "match": {
      "name": "冯凡利"
    }
  },
  "_source": ["name", "desc"]
}

在这里插入图片描述
我们之后使用java操作es，所有的方法和对象就是这里面的key：这个key也就是 hits、score等关键字

10. 排序

GET fenganchen/user/_search
{
  "query": {
    "match": {
      "name": "冯凡利"
    }
  },
  "sort": [
    {
      "age": {
        "order": "asc"
      }
    }
  ]
}

在这里插入图片描述

11. 分页查询

GET fenganchen/user/_search
{
  "query": {
    "match": {
      "name": "冯凡利"
    }
  },
  "sort": [
    {
      "age": {
        "order": "desc"
      }
    }
  ],
  "from": 0,
  "size": 1
}

在这里插入图片描述
from: 从第几个数据开始
size：返回多少条数据（单页面的数据）

数据下标还是从0开始，和学的所有数据结构是一样的！
/search/{current}/{pagesize}

12. 布尔查询

  1. must（and） ，所有的条件都要符合，类似于：`where id=1 and name=xxx````
    GET fengfanli/user/_search
    {
    "query": { 

    "bool": {
  "must": [
    {
      "match": {
        "name": "冯凡利"
      }
    },
    {
      "match": {
        "age": "18"
      }
    }
  ]
}

    }
    }

    ```

在这里插入图片描述

  1. should（or） ，所有的条件都要符合，类似于：where id=1 orname=xxx```
    GET fenganchen/user/_search
    {
    "query": { 

    "bool": {
  "should": [
    {
      "match": {
        "name": "冯凡利"
      }
    },
    {
      "match": {
        "age": "18"
      }
    }
  ]
}

    }
    }

    ```

在这里插入图片描述

  1. ** must_not（ not）** ，所有的条件都要符合，类似于：`where id != 1````
    GET fenganchen/user/_search
    {
    "query": { 

    "bool": {
  "must_not": [
    {
      "match": {
        "age": 3
      }
    }
  ]
}

    }
    }

    ```

在这里插入图片描述

13. 过滤器

  1. 普通匹配查询
    包含 冯凡利 字符串的都会被查找出来```
    GET fenganchen/user/_search
    {
    "query": { 

    "bool": {
  "must": [
    {
      "match": {
        "name": "冯凡利"
      }
    }
  ]
}

    }
    }

    ```

在这里插入图片描述

  1. 加入过滤器，进行过滤
    filter 关键字，对查询的数据进行过滤。

    • gt 大于
    • gte 大于等于
    • lt 小于
    • lte 小于等于
    GET fenganchen/user/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "name": "冯凡利"
          }
        }
      ],
      "filter": {
        "range": {
          "age": {
            "gt": 3
          }
        }
      }
    }
  }
}

    上面的语句 便是对 查询出来的语句 进行过滤，过滤出 age 大于3 的数据

在这里插入图片描述

14. 空格 匹配多个条件

match 关键字 空格
多个条件，使用空格隔开
只要瞒住其中一个结果就可以查出
这个时候可以通过 _score 分值进行基本的判断
下面的查询语句意思：在tags 字段中找到有 男、技术 的数据给查询出来

GET fenganchen/user/_search
{
  "query": {
    "match": {
      "tags": "男 技术"
    }
  }
}

在这里插入图片描述

15. term 精确查询

i. term分析

term 查询 是直接通过倒排索引指定的词条进程精确的查找的！
在这里插入图片描述
关于分词：

  • term ：直接查询 精确的

  • match ：会使用分词器解析！（先分析文档，然后再通过分析进行查询！）

ii. 两个类型 text keyword 细节分析

两个类型 text keyword 不能被分词器使用
text类型 ：可以被分词
keyword类型 ：不可以被分词

先创建索引，并指定属性规则，如下：

a. 6版本创建索引，指定规则

elasticsearch 6.X 创建索引 必须要指定类型，feng_type 就是索引的类型名称

```json
PUT testdb
{
  "mappings": {
    "feng_type": {
      "properties": {
        "name": {
          "type": "text"
        },
        "desc": {
          "type": "keyword"
        }
      }
    }
  }
}

在这里插入图片描述

b. 7版本创建索引，指定规则

elasticsearch 7.x 创建索引 不用指定类型，因为7版本废弃了类型关键词（这里不再演示，我这里使用的是 6.4.2 版本。）

```json
PUT testdb
{
  "mappings": {
    "properties": {
      "name": {
        "type": "text"
      },
      "desc": {
        "type": "keyword"
      }
    }
  }
}
c. 添加数据

PUT testdb/feng_type/1
{
  "name": "冯凡利java name",
  "desc": "冯凡利java desc"
}

PUT testdb/feng_type/2
{
  "name": "冯凡利java name",
  "desc": "冯凡利java desc2"
}

添加文档 1

在这里插入图片描述
添加文档 2
在这里插入图片描述

d. elasticsearch-head 的Google插件，查看 testdb 索引数据

在这里插入图片描述

e. elasticsearch-head 的Google插件，查看 testdb 映射规则

索引情况，能查看索引的 setting 详情，和 mapperings 映射规则 包括类型、属性情况。
可以看到，name 属性 是 text 类型的，desc 是 keyword 类型的。
在这里插入图片描述

f. 默认分词器测试：keyword

KeywordAnalyzer 把整个输入作为一个单独词汇单元，方便特殊类型的文本进行索引和检索。针对邮政编码，地址等文本信息使用关键词分词器进行索引项建立非常方便。

使用默认的 keyword 分词器进行分词，（说一下，ik分词器是中文分词器），这里看的出来没有被分析
在这里插入图片描述

g. 默认分词器测试：standard

英文的处理能力同于StopAnalyzer，支持中文采用的方法为单字切分。他会将词汇单元转换成小写形式，并去除停用词和标点符号。

使用默认的 standard 分词器进行分词，，这里看的出来被分析了
在这里插入图片描述

h. term 精确查找 text类型

在这里插入图片描述

i. term 精确查找 keyword 类型

在这里插入图片描述
在这里插入图片描述

j. 对h和i的测试进行 总结

testdb索引中的 ：
name字段为 text类型，
desc字段为 keyword类型。

但是 term 分别对其 精确查找时，却发现：

  1. 查找text类型的name字段时时，只要包含就好，也就是text类型可以被分词器解释
  2. 查找keyword 类型的 desc 字段时，必须全包含才行，也就是keyword类型把整个输入作为一个单独词汇单元 去匹配被分词器解释。

16. 多个词精确拼配

a. 添加多数

PUT testdb/feng_type/3
{
  "t1": "22",
  "t2": "2020-4-6"
}

PUT testdb/feng_type/4
{
  "t1": "33",
  "t2": "2020-4-7"
}

在这里插入图片描述
在这里插入图片描述

b. 查看elasticsearch-head 的Google插件，查看 testdb 索引数据和映射规则。

  1. 索引数据
    在这里插入图片描述
  2. 映射规则
    在这里插入图片描述

c. term 精确查询

在这里插入图片描述

17. 高亮显示

1、 高亮关键字：highlight

GET fenganchen/user/_search
{
  "query": {
    "match": {
      "name": "冯凡利"
    }
  },
  "highlight": {
    "fields": {
      "name": {}
    }
  }
}

在这里插入图片描述

2、 自定义搜索高亮

GET fenganchen/user/_search
{
  "query": {
    "match": {
      "name": "冯凡利"
    }
  },
  "highlight": {
    "pre_tags": "<p class='key style='color:red'>",
    "post_tags": "</p>", 
    "fields": {
      "name": {}
    }
  }
}

在这里插入图片描述

这些 mysql也可以做，只是mysql效率比较低

  • 匹配
  • 按照条件匹配
  • 精确匹配
  • 区间范围匹配
  • 多条件查询
  • 高亮查询
文章标签：
检索分析服务 Elasticsearch版
云原生数据库 PolarDB
索引
自然语言处理
搜索推荐
关系型数据库
数据库
关键词：
检索分析服务 Elasticsearch版kibana
kibana测试
引擎测试
检索分析服务 Elasticsearch版kibana测试
elasticsearch测试
相关实践学习
使用阿里云Elasticsearch体验信息检索加速
通过创建登录阿里云Elasticsearch集群，使用DataWorks将MySQL数据同步至Elasticsearch，体验多条件检索效果，简单展示数据同步和信息检索加速的过程和操作。
ElasticSearch 入门精讲
ElasticSearch是一个开源的、基于Lucene的、分布式、高扩展、高实时的搜索与数据分析引擎。根据DB-Engines的排名显示，Elasticsearch是最受欢迎的企业搜索引擎，其次是Apache Solr（也是基于Lucene）。 ElasticSearch的实现原理主要分为以下几个步骤： 用户将数据提交到Elastic Search 数据库中 通过分词控制器去将对应的语句分词，将其权重和分词结果一并存入数据 当用户搜索数据时候，再根据权重将结果排名、打分 将返回结果呈现给用户 Elasticsearch可以用于搜索各种文档。它提供可扩展的搜索，具有接近实时的搜索，并支持多租户。
java冯坚持
目录
相关文章
java冯坚持
|
1天前
|
JSON Java 网络架构
elasticsearch学习四：使用springboot整合 rest 进行搭建elasticsearch服务
这篇文章介绍了如何使用Spring Boot整合REST方式来搭建和操作Elasticsearch服务。
java冯坚持
21 4
elasticsearch学习四：使用springboot整合 rest 进行搭建elasticsearch服务
java冯坚持
|
1天前
|
安全 Java 数据库
shiro学习一：了解shiro，学习执行shiro的流程。使用springboot的测试模块学习shiro单应用（demo 6个）
这篇文章是关于Apache Shiro权限管理框架的详细学习指南，涵盖了Shiro的基本概念、认证与授权流程，并通过Spring Boot测试模块演示了Shiro在单应用环境下的使用，包括与IniRealm、JdbcRealm的集成以及自定义Realm的实现。
java冯坚持
15 3
shiro学习一：了解shiro，学习执行shiro的流程。使用springboot的测试模块学习shiro单应用（demo 6个）
java冯坚持
|
1天前
|
Web App开发 JavaScript Java
elasticsearch学习五：springboot整合 rest 操作elasticsearch的 实际案例操作，编写搜索的前后端，爬取京东数据到elasticsearch中。
这篇文章是关于如何使用Spring Boot整合Elasticsearch，并通过REST客户端操作Elasticsearch，实现一个简单的搜索前后端，以及如何爬取京东数据到Elasticsearch的案例教程。
java冯坚持
20 0
elasticsearch学习五：springboot整合 rest 操作elasticsearch的 实际案例操作，编写搜索的前后端，爬取京东数据到elasticsearch中。
java冯坚持
|
1天前
|
自然语言处理 Java 网络架构
elasticsearch学习三：elasticsearch-ik分词器的自定义配置 分词内容
这篇文章是关于如何自定义Elasticsearch的ik分词器配置以满足特定的中文分词需求。
java冯坚持
16 0
elasticsearch学习三：elasticsearch-ik分词器的自定义配置 分词内容
java冯坚持
|
1天前
|
自然语言处理 Java Maven
elasticsearch学习二：使用springboot整合TransportClient 进行搭建elasticsearch服务
这篇博客介绍了如何使用Spring Boot整合TransportClient搭建Elasticsearch服务，包括项目创建、Maven依赖、业务代码和测试示例。
java冯坚持
6 0
elasticsearch学习二：使用springboot整合TransportClient 进行搭建elasticsearch服务
java冯坚持
|
1天前
|
存储 JSON Java
elasticsearch学习一：了解 ES，版本之间的对应。安装elasticsearch，kibana，head插件、elasticsearch-ik分词器。
这篇文章是关于Elasticsearch的学习指南，包括了解Elasticsearch、版本对应、安装运行Elasticsearch和Kibana、安装head插件和elasticsearch-ik分词器的步骤。
java冯坚持
13 0
elasticsearch学习一：了解 ES，版本之间的对应。安装elasticsearch，kibana，head插件、elasticsearch-ik分词器。
我的康康
|
3天前
|
运维 监控 数据可视化
大数据-171 Elasticsearch ES-Head 与 Kibana 配置 使用 测试
大数据-171 Elasticsearch ES-Head 与 Kibana 配置 使用 测试
我的康康
11 1
GoFly开发者
|
22小时前
|
开发框架 监控 搜索推荐
GoFly快速开发框架集成ZincSearch全文搜索引擎 - Elasticsearch轻量级替代为ZincSearch全文搜索引擎
本文介绍了在项目开发中使用ZincSearch作为全文搜索引擎的优势，包括其轻量级、易于安装和使用、资源占用低等特点，以及如何在GoFly快速开发框架中集成和使用ZincSearch，提供了详细的开发文档和实例代码，帮助开发者高效地实现搜索功能。
GoFly开发者
16 0
顾翔
|
1月前
|
移动开发 JSON Java
Jmeter实现WebSocket协议的接口测试方法
WebSocket协议是HTML5的一种新协议，实现了浏览器与服务器之间的全双工通信。通过简单的握手动作，双方可直接传输数据。其优势包括极小的头部开销和服务器推送功能。使用JMeter进行WebSocket接口和性能测试时，需安装特定插件并配置相关参数，如服务器地址、端口号等，还可通过CSV文件实现参数化，以满足不同测试需求。
顾翔
147 7
Jmeter实现WebSocket协议的接口测试方法
顾翔
|
1月前
|
JSON 移动开发 监控
快速上手｜HTTP 接口功能自动化测试
HTTP接口功能测试对于确保Web应用和H5应用的数据正确性至关重要。这类测试主要针对后台HTTP接口，通过构造不同参数输入值并获取JSON格式的输出结果来进行验证。HTTP协议基于TCP连接，包括请求与响应模式。请求由请求行、消息报头和请求正文组成，响应则包含状态行、消息报头及响应正文。常用的请求方法有GET、POST等，而响应状态码如2xx代表成功。测试过程使用Python语言和pycurl模块调用接口，并通过断言机制比对实际与预期结果，确保功能正确性。
顾翔
143 3
快速上手｜HTTP 接口功能自动化测试

热门文章

最新文章

  • 1
    ElasticSearch容器化从0到1实践（一）
  • 2
    （ElasticsSearch学习）歌词检索Demo的实现：二. 搭建spring boot+spring data+jest+elasticsearch环境，实现歌词的全文检索
  • 3
    elasticsearch 常见操作
  • 4
    阿里云Elasticsearch 自研引擎年度发布
  • 5
    1-Elasticsearch配置及运行
  • 6
    Elasticsearch 异步搜索 Async search 实战
  • 7
    年度回顾：阿里云Elasticsearch 在泛日志场景的核心能力建设
  • 8
    整合ElasticSearch实现数据模糊搜索（Logstash同步Mysql数据）
  • 9
    elasticsearch 特殊字段
  • 10
    ElasticSearch的工作机制
  • 1
    2024年最新整理的Kubernetes命令大全，非常详细，值得收藏！
    93
  • 2
    深入理解自动化测试：框架与实践
    97
  • 3
    自动化测试中AI驱动的决策框架设计与实现
    112
  • 4
    深入理解与应用软件测试中的Mock技术
    117
  • 5
    使用CLion创建Cmake项目，使用GoogleTest和GoogleMock对代码进行测试
    127
  • 6
    深入探索软件自动化测试的优化策略
    66
  • 7
    探索软件自动化测试的未来趋势
    71
  • 8
    深入分析自动化测试中AI驱动的测试用例生成
    218
  • 9
    深入探究持续集成中的自动化测试策略
    63
  • 10
    Maven 构建 & 项目测试
    55

    • 相关课程

    更多
  • Kibana Lens 入门
  • MSE微服务测试最佳实践 - 自动化回归
  • Elasticsearch实战进阶营
  • ElasticSearch 最新快速入门教程
  • ElasticSearch 入门精讲
  • 基于MongoDB构建实时日志分析平台

    • 相关电子书

    更多
  • 阿里云Elasticsearch体系架构与特性解析
  • 开源与云：Elasticsearch应用剖析
  • 《Elasticsearch全观测解决方案》

    • 相关实验场景

    更多
  • 使用阿里云Elasticsearch体验信息检索加速
  • 使用阿里云Elasticsearch快速搭建可观测系统
  • 基于OpenSearch搭建高质量商品搜索服务
  • 实验手册指导文档
    • 下一篇
    阿里云无影AI云电脑亮相 体验大幅升级