这篇文章给大家分享的是有关windows环境下怎么搭建electricSearch+kibana的内容。小编觉得挺实用的，因此分享给大家做个参考，一起跟随小编过来看看吧。
ES7.3.2 + kibana + ik-smart 百度网盘下载地址：https://pan.baidu.com/s/1eCKTYoosXl8NfX37EwjyWA
提取码：ibcf
kibana 操作文档
GET _search{ "query": { "match_all": {} }}### 查看集群健康信息GET /_cat/health?v### 帮助GET /_cat/health?help### 查看集群中节点信息GET /_cat/nodes?v### 查看集群中索引信息GET /_cat/indices?v### 精简信息GET /_cat/indices?v&h=health,status,index### 创建索引PUT /baizhi### 删除索引DELETE /baizhi### 创建类型mappingPOST /baizhi/user{ "user": { "properties": { "id": { "type": "text" }, "name": { "type": "text" }, "age": { "type": "integer" }, "created": { "type": "date", "format": "strict_date_optional_time || epoch_millis" } } }}### 查看类型mappingGET /baizhi/_mapping### 新增单个文档PUT /baizhi/user/1{ "name":"zs", "title":"张三", "age":18, "created":"2018-12-25"}### 查询所有文档GET /zpark/user/_search### 指定id查询单个文档GET /baizhi/user/1### 修改单个文档PUT /baizhi/user/1{ "name": "lxs", "title": "李小四"}### 删除单个文档DELETE /baizhi/user/1### 批量新增POST /baizhi/user/_bulk{"index":{}}{"name":"ww","title":"王五","age":18,"created":"2018-12-27"}{"index":{}}{"name":"zl","title":"赵六","age":25,"created":"2018-12-27"}### 批量删除POST /baizhi/user/_bulk{"update":{"_id":"K38E728BJ1QbWBSobMEC"}} {"doc":{"title":"王小五"}}{"delete":{"_id":"LH8E728BJ1QbWBSobMEC"}} ##############进阶######################### 查询(Query)# 批量插入测试数据POST /zpark/user/_bulk{"index":{"_id":1}}{"name":"zs","realname":"张三","age":18,"birthday":"2018-12-27","salary":1000.0,"address":"北京市昌平区沙阳路55号"}{"index":{"_id":2}}{"name":"ls","realname":"李四","age":20,"birthday":"2017-10-20","salary":5000.0,"address":"北京市朝阳区三里屯街道21号"}{"index":{"_id":3}}{"name":"ww","realname":"王五","age":25,"birthday":"2016-03-15","salary":4300.0,"address":"北京市海淀区中关村大街新中关商城2楼511室"}{"index":{"_id":4}}{"name":"zl","realname":"赵六","age":20,"birthday":"2003-04-19","salary":12300.0,"address":"北京市海淀区中关村软件园9号楼211室"}{"index":{"_id":5}}{"name":"tq","realname":"田七","age":35,"birthday":"2001-08-11","salary":1403.0,"address":"北京市海淀区西二旗地铁辉煌国际大厦负一楼"}### 查看所有并按照年龄降序排列GET /zpark/user/_search{ "query": { "match_all": {} }, "sort": { "age": "desc" }}### 查询第2页的用户（每页显示2条）GET /zpark/user/_search{ "query": { "match_all": {} }, "sort": { "age": "desc" }, "from": 2, "size": 2 }### 查询address在海淀区的所有用户，并高亮GET /zpark/user/_search{ "query": { "match": { "address": { "analyzer": "ik_max_word", "query": "海淀区" } } }, "highlight": { "fields": { "address": {} } }}### 设置索引分词器PUT /zpark{ "settings" : { "index" : { "analysis.analyzer.default.type": "ik_smart" } }}### 查询name是zs关键字的用户GET /zpark/user/_search{ "query":{ "term": { "name": { "value": "zs" } } }}### 查询年龄在20~30岁之间的用户GET /zpark/user/_search{ "query": { "range": { "age": { "gte": 20, "lte": 30 } } }}### 查询真实姓名以李开头的用户GET /zpark/user/_search{ "query": { "prefix": { "realname": { "value": "李" } } }}### 查询名字以s结尾的用户GET /zpark/user/_search{ "query": { "wildcard": { "name": { "value": "*s" } } }}### 查询id为1，2，3的用户GET /zpark/user/_search{ "query": { "ids": { "values": [1,2,3] } }}### 模糊查询realname中包含张关键字的用户GET /zpark/user/_search{ "query": { "wildcard": { "realname": {"value": "*张*"} } }}### 查询age在15-30岁之间并且name必须通配z*GET /zpark/user/_search{ "query": { "bool": { "must": [ { "range": { "age": { "gte": 15, "lte": 30 } } }, { "wildcard": { "name": { "value": "z*" } } } ], "must_not": [ { "regexp": { "name": ".*s" } } ] } }}############# 过滤器（Filter）### 其实准确来说，ES中的查询操作分为2种：查询（query）和过滤（filter）。查询即是之前提到的query查询，它（查询）默认会计算每个返回文档的得分，然后根据得分排序。而过滤（filter）只会筛选出符合的文档，并不计算得分，且它可以缓存文档。所以，单从性能考虑，过滤比查询更快。### 换句话说，过滤适合在大范围筛选数据，而查询则适合精确匹配数据。一般应用时，应先使用过滤操作过滤数据，然后使用查询匹配数据。### 过滤器使用 ranage filterGET /zpark/user/_search{ "query":{ "bool": { "must": [ {"match_all": {}} ], "filter": { "range": { "age": { "gte": 25 } } } } }}### term、terms Filter term、terms的含义与查询时一致。term用于精确匹配、terms用于多词条匹配GET /zpark/user/_search{ "query":{ "bool": { "must": [ {"match_all": {}} ], "filter": { "terms": { "name": [ "zs", "ls" ] } } } }}### exists filter exists过滤指定字段没有值的文档GET /zpark/user/_search{ "query": { "bool": { "must": [ { "match_all": {} } ], "filter": { "exists": { "field": "salary" } } } }, "sort": [ { "_id": { "order": "asc" } } ]}### ids filter 需要过滤出若干指定_id的文档，可使用标识符过滤器(ids)GET /zpark/user/_search{ "query": { "bool": { "must": [ { "match": { "address": "昌平区" } } ], "filter": { "ids": { "values": [ 1, 2, 3 ] } } } },"highlight": { "fields": { "address": {} } }}#############聚合（Aggregations）### 度量（metric）聚合POST /zpark/user/_search{ "aggs": { "age_avg": { "avg": {"field": "age"} } }}### 先过滤，再进行统计，如：POST /zpark/user/_search{ "query": { "ids": { "values":[1,2,3] } }, "aggs": { "age_avg": { "avg": {"field": "age"} } }}### 最大值查询。如：查询员工的最高工资POST /zpark/user/_search{ "aggs": { "max_salary": { "max": { "field": "salary" } } }}### 统计查询，一次性统计出某个字段上的常用统计值POST /zpark/user/_search{ "aggs": { "max_salary": { "stats": { "field": "salary" } } }}### 桶（bucketing）聚合 自定义区间范围的聚合，我们可以自己手动地划分区间，ES会根据划分出来的区间将数据分配不同的区间上去。### 统计0-20岁，20-35岁，35~60岁用户人数POST /zpark/user/_search{ "aggs": { "age_ranges": { "range": { "field": "age", "ranges": [ { "from": 0, "to": 20 }, { "from": 20, "to": 35 }, { "from": 35, "to": 60 } ] } } }}### 根据年龄分组，统计相同年龄的用户POST /zpark/user/_search{ "aggs": { "age_counts":{ "terms": { "field": "age", "size": 2 } } }}### 时间区间聚合专门针对date类型的字段，它与Range Aggregation的主要区别是其可以使用时间运算表达式。### now+10y：表示从现在开始的第10年。### now+10M：表示从现在开始的第10个月。### 1990-01-10||+20y：表示从1990-01-01开始后的第20年，即2010-01-01。### now/y：表示在年位上做舍入运算。### 统计生日在2018年、2017年、2016年的用户POST /zpark/user/_search{ "aggs": { "date_counts": { "date_range": { "field": "birthday", "format": "yyyy-MM-dd", "ranges": [ { "from": "now/y", "to": "now" }, { "from": "now/y-1y", "to":"now/y" }, { "from": "now/y-2y", "to":"now/y-1y" } ] } } }}### 嵌套使用### 聚合操作是可以嵌套使用的。通过嵌套，可以使得metric类型的聚合操作作用在每一bucket上。我们可以使用ES的嵌套聚合操作来完成稍微复杂一点的统计功能。### 如：统计每年中用户的最高工资POST /zpark/user/_search{ "aggs": { "date_histogram": { "date_histogram": { "field": "birthday", "interval": "year", "format": "yyyy-MM-dd" }, "aggs": { "salary_max": { "max": { "field": "salary" } } } } }}感谢各位的阅读！关于“windows环境下怎么搭建electricSearch+kibana”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，让大家可以学到更多知识，如果觉得文章不错，可以把它分享出去让更多的人看到吧！
