作者：靠髮型吃飯的柳樹 來自：柳樹的絮叨叨

Elasticsearch是什麼？

Elasticsearch is the distributed search and analytics engine at the heart of the Elastic Stack.

簡單說，就是一個分佈式的搜索與分析引擎。

為什麼需要 Elasticsearch？

用數據庫，也可以實現搜索的功能，為什麼還需要搜索引擎呢？

就像 Stackoverflow 的網友說的：

A relational database can store data and also index it. A search engine can index data but also store it.

數據庫（理論上來講，ES 也是數據庫，這裡的數據庫，指的是關係型數據庫），首先是存儲，搜索只是順便提供的功能，

而搜索引擎，首先是搜索，但是不把數據存下來就搜不了，所以只好存一存。

術業有專攻，專攻搜索的搜索引擎，自然會提供更強大的搜索能力。

1、精確匹配和相關性匹配

在使用數據庫搜索時，我們更多的是基於「精確匹配」的搜索。

什麼是「精確匹配」？

比如搜訂單，根據訂單狀態，準確搜索。搜「已完成」，就要「精確匹配」「已完成」的訂單，搜「待支付」，就要「精確匹配」「待支付」的訂單。

這種「精確匹配」的搜索能力，傳統關係型數據庫是非常勝任的。

和「精確匹配」相比，「相關性匹配」更貼近人的思維方式。

比如我要搜一門講過「莎士比亞」的課程，我需要在課程的文稿裡進行「相關性匹配」，找到對應的文稿，

你可能覺得一條 sql 語句就可以解決這個問題：

select * from course where content like "%莎士比亞%"

然而，這隻能算是「模糊查詢」，用你要搜索的字符串，去「精確」的「模糊查詢」，其實還是「精確匹配」，機械思維。

那麼到底什麼是「相關性匹配」，什麼才是「人的思維」呢？

比如我搜「莎士比亞」，我要的肯定不只是精精確確包含「莎士比亞」的文稿，我可能還要搜「莎翁」、「Shakespeare」、「哈姆雷特」、「羅密歐和朱麗葉」、「威尼斯的商人」…

又比如我輸錯了，輸成「莎士筆亞」，「相關性匹配」可以智能的幫我優化為「莎士比亞」，返回對應的搜索結果。

這就是搜索引擎的強大之處，它似乎可以理解你的真實意圖。

2、搜索和分析，不只是搜索，還有分析

"search and analytics engine"，ES 不僅是搜索，還有分析。

原始數據如果只是躺在磁盤裡面根本就毫無用處。—— 《Elasticsearch 權威指南》

躺在磁盤裡的數據是沒有價值的，而ES則讓你存放在裡面的數據，擁有了無限的探索力。

Elasticsearch 真正強大之處在於可以從無規律的數據中找出有意義的信息 —— 從“大數據”到“大信息”。—— 《Elasticsearch 權威指南》

和 mysql 一樣，ES 提供了一些簡單的聚合操作，avg、sum、min、max等等。

當然，實際的業務場景，很多是無法通過這些聚合操作就能分析出想要的數據的，複雜的處理邏輯，還是要通過寫業務代碼來實現。

實時計算的一種常見方案，是數據產生後，通過消息隊列（比如kafka）推給實時計算平臺 storm，計算後，再把數據存到 ES。

貌似es在這裡沒有提供什麼分析能力，然而只要數據存在於es，這些數據的被探索力就比放在數據庫裡的強，你隨時可以在裡面挖掘出商機。

令我最為震驚的是，他們竟然不看表面數據，而是從無限數據的機會中尋找核心數據。 這正體現了大數據與傳統數據之間最大的不同。以前，我們是“有問題找數據”，而在大數據時代，其最核心的特質則是“用數據找機會” —— 《決戰大數據》車品覺

這一切的分析數據的能力，都是建立在快速的查詢上的，如果沒有快速的查詢，分析能力無從談起。

簡單看看 Elasticsearch 的內幕

最後簡單聊聊 ES 的內部原理。

正如上文講到的，術業有專攻，既然 ES 是專門做搜索的，內部實現細節自然和主要做存儲的數據庫不同。

Mysql基於B+樹索引，來實現快速檢索，ES則基於倒排索引，對於文檔搜索來說，倒排索引在性能和空間上都有更加明顯的優勢。

倒排索引很複雜，下次再講。