5个 elasticsearch实战应用案例和详细分析

8. 扩展：自定义分词器和同义词

如果搜索场景中需要更复杂的匹配，比如同义词搜索、拼写纠错等，可以进一步定制分词器或通过同义词字典进行扩展。

使用自定义分词器

PUT /products

{

"settings": {

"analysis": {

"analyzer": {

"synonym_analyzer": {

"tokenizer": "whitespace",

"filter": ["synonym_filter"]

}

},

"filter": {

"synonym_filter": {

"type": "synonym",

"synonyms": [

"x5, mate x5",

"mate70, 非凡大师"

]

}

}

}

},

"mappings": {

"properties": {

"name": {

"type": "text",

"analyzer": "synonym_analyzer"

},

"description": {

"type": "text",

"analyzer": "synonym_analyzer"

}

}

}

}

通过同义词分析器，用户搜索“ huawei mate”时也可以匹配到包含“mate”的文档，从而进一步提升搜索的准确性。

小结一下

通过上述步骤，我们可以实现一个完整的 Elasticsearch 全文搜索与高亮显示的功能。这个功能适用于电商平台、博客搜索、文档系统等多种业务场景，提供快速、高效、用户友好的搜索体验。

2. 日志收集与分析

业务场景： 某 SaaS 公司需要对其分布式系统中的应用日志进行集中管理、实时监控与分析，要求快速定位系统错误和性能瓶颈。使用 Elasticsearch 可以集中存储和分析分布式系统中的日志，快速查询和监控日志数据。

解决方案：

日志收集： 使用 Logstash 或 Filebeat 作为数据采集工具，将各个应用的日志发送到 Elasticsearch 进行存储和索引。日志分析： 使用 Elasticsearch 的 aggregations 聚合功能进行日志的统计分析，如错误分类、按时间段的访问量统计等。实时监控： 配合 Kibana，构建实时的日志监控和告警系统，通过可视化的方式展示日志数据，快速发现异常。

详细分析： Elasticsearch 是 ELK（Elasticsearch, Logstash, Kibana）技术栈中的核心组件，它不仅支持大规模日志数据的存储，还能通过内置的聚合和搜索功能，实现实时分析与可视化。对于分布式系统中的日志分析场景，Elasticsearch 通过分片和复制机制提供了高可用性和扩展性，保证了海量日志数据的快速查询和处理。

以下是一个完整的实现案例，包括从日志的收集、传输、存储到实时分析的步骤。

1. 环境准备

在实际应用中，日志的收集与分析一般采用 ELK（Elasticsearch, Logstash, Kibana）或 EFK（Elasticsearch, Filebeat, Kibana）技术栈。这里我们选择 Filebeat 作为日志采集工具，Elasticsearch 作为数据存储和查询引擎，Kibana 作为可视化和监控工具。

启动 Elasticsearch 和 Kibana（Docker 方式）

# 启动 Elasticsearch

docker run -d --name elasticsearch -p 9200:9200 -e "discovery.type=single-node" elasticsearch:8.0.0

# 启动 Kibana

docker run -d --name kibana -p 5601:5601 --link elasticsearch:elasticsearch kibana:8.0.0

访问 Kibana: http://localhost:5601，确保 Elasticsearch 和 Kibana 正常启动并连接成功。

2. 安装并配置 Filebeat

Filebeat 是一个轻量级的日志收集工具，能够监控文件变化，并将日志数据发送到 Elasticsearch 或 Logstash。

安装 Filebeat

可以通过以下方式在系统中安装 Filebeat：

# 在 Linux 中安装 Filebeat

sudo apt-get install filebeat

配置 Filebeat

Filebeat 的配置文件 filebeat.yml 是日志收集的核心，它定义了从哪里收集日志，日志如何处理，并发送到哪里。以下是一个典型的配置文件，用于将日志发送到 Elasticsearch。

filebeat.inputs:

- type: log

enabled: true

paths:

- /var/log/myapp/*.log # 日志文件路径

output.elasticsearch:

hosts: ["localhost:9200"] # 指定 Elasticsearch 地址

username: "elastic"

password: "changeme" # 设置 Elasticsearch 认证

setup.kibana:

host: "localhost:5601" # Kibana 的地址

这段配置定义了 Filebeat 从 /var/log/myapp/*.log 目录下读取日志文件，并将其传送到 Elasticsearch 中进行存储。同时，还配置了 Kibana 的连接，便于后续可视化分析。

启动 Filebeat

sudo filebeat modules enable system

sudo filebeat setup

sudo service filebeat start

3. Elasticsearch 索引和映射

在日志数据发送到 Elasticsearch 之前，需要为日志数据创建索引，并为其指定字段映射。可以使用 Elasticsearch 动态映射的功能来自动创建索引，但为了更好地处理日志中的日期、字符串等数据类型，建议手动创建索引映射。

创建索引映射

PUT /logs-system

{

"mappings": {

"properties": {

"timestamp": {

"type": "date"

},

"log.level": {

"type": "keyword"

},

"message": {

"type": "text"

},

"service.name": {

"type": "keyword"

},

"host.name": {

"type": "keyword"

},

"process.pid": {

"type": "integer"

}

}

}

}

在这个映射中，我们为系统日志定义了几个重要的字段：

timestamp: 日志的时间戳，数据类型为 date。log.level: 日志级别，如 INFO, ERROR 等，数据类型为 keyword。message: 日志的内容，使用 text 类型进行全文索引。service.name: 服务名称，用于区分不同的服务。host.name: 记录日志的主机名，用于定位具体的机器。process.pid: 进程 ID，用于进一步跟踪问题。

4. 日志采集与发送

当 Filebeat 启动后，它会监控配置文件中的日志文件路径（例如 /var/log/myapp/*.log），并将新生成的日志行发送到 Elasticsearch 中。

日志文件示例

假设应用程序生成了如下格式的日志文件 /var/log/myapp/app.log：

2024-10-14T12:30:00Z INFO [my-service] Service started

2024-10-14T12:31:00Z ERROR [my-service] Failed to connect to database

2024-10-14T12:32:00Z WARN [my-service] Low disk space on /dev/sda1

这些日志文件会被 Filebeat 采集并自动传送到 Elasticsearch 中，按配置的索引存储。

5. 实时日志查询与分析

一旦日志数据进入 Elasticsearch，我们可以使用 Kibana 进行实时查询和分析。

在 Kibana 中创建索引模式

访问 Kibana 管理界面 http://localhost:5601。点击 Management > Index Patterns，创建一个新的索引模式 logs-system-*，这将匹配 Elasticsearch 中的日志索引。将 timestamp 字段设置为时间过滤字段，用于时间范围筛选。

在 Kibana 中进行搜索

Kibana 提供了一个非常强大的查询语言——KQL（Kibana Query Language），可以在 Kibana 中对日志数据进行各种查询和过滤。例如：

查询所有 ERROR 级别的日志：

log.level: "ERROR"

查询特定服务的日志：

service.name: "my-service"

结合日志级别和时间范围查询：

log.level: "ERROR" AND @timestamp > "2024-10-14T12:00:00Z"

6. 聚合分析

Elasticsearch 提供了强大的 aggregations 聚合功能，可以用于统计和分析日志数据中的各种模式。以下是几个常用的聚合查询示例：

统计不同日志级别的日志数量

GET /logs-system/_search

{

"size": 0,

"aggs": {

"by_log_level": {

"terms": {

"field": "log.level"

}

}

}

}

按时间段统计每分钟的错误日志数量

GET /logs-system/_search

{

"size": 0,

"query": {

"match": {

"log.level": "ERROR"

}

},

"aggs": {

"logs_over_time": {

"date_histogram": {

"field": "timestamp",

"interval": "minute"

}

}

}

}

7. 创建告警（Alerting）

为了实现实时监控和错误告警，我们可以使用 Kibana 的告警功能，设置触发条件和告警机制。

配置告警步骤

打开 Kibana，进入 Alerts and Actions 页面。创建新的告警规则，例如：

当错误日志超过某个阈值时发送通知（如邮件、Slack 消息等）。 配置触发条件，例如每分钟的错误日志超过 10 条时触发告警。

8. 结果可视化

Kibana 提供了丰富的可视化功能，你可以通过以下方式展示和分析日志数据：

折线图：展示一段时间内日志数量的变化趋势。柱状图：展示不同服务或主机生成的日志数量。饼图：展示不同日志级别（INFO, ERROR, WARN）的比例。

可视化示例

按服务统计日志级别分布：在 Kibana 中创建柱状图，X 轴为 service.name，Y 轴为日志数量，按 log.level 进行分组。实时监控仪表盘：创建一个仪表盘，展示不同服务的实时日志流量、错误数量等，便于运维人员实时监控系统健康状态。

9. 小结一下

通过 Elasticsearch、Filebeat 和 Kibana 的配合，我们可以快速搭建一个集中式日志收集与分析系统，实现对分布式系统日志的实时监控和告警。步骤包括：

使用 Filebeat 收集各服务的日志。使用 Elasticsearch 存储和聚合日志数据。通过 Kibana 实现可视化分析和告警通知。

这种架构能够帮助 SaaS 公司快速定位系统错误、分析性能瓶颈，并为系统运维提供实时的可视化支持。

3. 个性化推荐系统

业务场景： 某在线视频平台希望通过构建个性化推荐系统，根据用户的历史观看记录、兴趣偏好和行为数据，为用户推荐相关视频内容。这类推荐系统有助于提升用户的粘性和转化率，进一步推动平台的商业化。为了实现该目标，可以采用基于 Elasticsearch 的内容推荐模型，结合协同过滤（Collaborative Filtering）、内容过滤（Content-Based Filtering）以及基于行为的数据分析。

解决方案：

用户行为数据建模： 将用户的浏览历史、点赞、评论等行为数据记录到 Elasticsearch 中，并构建倒排索引以便快速查询。推荐算法： 使用 More Like This 查询，根据用户历史观看的视频，推荐相似的视频。结合 function_score 查询，基于用户行为频次加权，个性化推荐排序。动态调整推荐结果： 使用 Elasticsearch 的聚合分析功能，定期统计受欢迎的视频，并结合流行度（如播放量、点赞数）来调整推荐策略。

详细分析： Elasticsearch 的 More Like This 查询非常适合用于相似内容推荐的场景，能够根据用户的兴趣偏好进行相关视频的推荐。其高效的索引和查询机制，加上支持复杂的查询组合，使得推荐系统既能保持较高的实时性，又能根据动态数据调整推荐结果。

实现步骤

数据准备与索引设计用户行为数据的存储与分析基于内容的推荐算法基于协同过滤的推荐算法综合推荐与实时推荐结果展示与优化

1. 数据准备与索引设计

推荐系统的核心是数据，首先我们需要创建 Elasticsearch 索引来存储用户和视频的数据。

视频内容索引

视频索引中包含视频的基础信息，如标题、描述、标签、类别等，这些信息可以用来计算视频的相似度。

PUT /videos

{

"mappings": {

"properties": {

"title": {

"type": "text"

},

"description": {

"type": "text"

},

"tags": {

"type": "keyword"

},

"category": {

"type": "keyword"

},

"release_date": {

"type": "date"

}

}

}

}

用户行为索引

我们还需要存储用户的行为数据，比如他们看过哪些视频，搜索过哪些关键词等。这些数据将用于个性化推荐。

PUT /user_actions

{

"mappings": {

"properties": {

"user_id": {

"type": "keyword"

},

"video_id": {

"type": "keyword"

},

"action_type": {

"type": "keyword" # 例如: view, like, search, etc.

},

"timestamp": {

"type": "date"

}

}

}

}

2. 用户行为数据的存储与分析

用户行为数据是个性化推荐的核心依据。我们可以通过 Filebeat 等工具实时采集用户的观看行为数据，并将其存储到 Elasticsearch 中。

例如，用户观看了某个视频，行为数据可能如下：

POST /user_actions/_doc

{

"user_id": "weige",

"video_id": "video789",

"action_type": "view",

"timestamp": "2024-10-14T12:30:00Z"

}

为了分析用户的兴趣，我们可以使用 Elasticsearch 的聚合功能。比如，统计用户观看最多的类别和标签，以此作为兴趣偏好的基础。

聚合查询：统计某用户观看最多的视频类别

GET /user_actions/_search

{

"size": 0,

"query": {

"term": {

"user_id": "weige"

}

},

"aggs": {

"favorite_categories": {

"terms": {

"field": "category.keyword",

"size": 5

}

}

}

}

该查询可以帮助我们了解用户最常观看的前 5 个视频类别。

3. 基于内容的推荐算法

基于内容的推荐算法通过分析用户观看过的视频内容（标题、描述、标签等），为用户推荐相似的视频。我们可以使用 Elasticsearch 的 more_like_this 查询来找到和用户已观看内容相似的视频。

使用 more_like_this 进行基于内容的推荐

假设用户刚刚观看了视频 video789，我们希望找到与该视频内容相似的其他视频。

GET /videos/_search

{

"query": {

"more_like_this": {

"fields": ["title", "description", "tags"],

"like": [

{

"_id": "video789"

}

],

"min_term_freq": 1,

"max_query_terms": 12

}

}

}

这个查询会根据视频 video789 的标题、描述和标签，推荐相似的视频。min_term_freq 和 max_query_terms 可以用来调整推荐的相似度。

4. 基于协同过滤的推荐算法

协同过滤（Collaborative Filtering）是另一种常用的推荐算法，它通过分析不同用户的行为数据，寻找用户之间的相似性，从而推荐其他用户喜欢的视频。

查询与用户行为相似的用户

我们可以通过 Elasticsearch 的聚合来查找与当前用户行为相似的其他用户，比如查找同样观看过某个视频的用户。

GET /user_actions/_search

{

"size": 0,

"query": {

"term": {

"video_id": "video789"

}

},

"aggs": {

"similar_users": {

"terms": {

"field": "user_id.keyword",

"size": 10

}

}

}

}

通过这个查询，我们找到了所有观看过 video789 的用户列表。接下来，我们可以根据这些用户的观看历史，推荐他们喜欢的视频给当前用户。

基于协同过滤推荐其他用户喜欢的视频

找到与当前用户相似的其他用户后，我们可以查询他们共同观看的视频，并为当前用户推荐这些视频。

GET /user_actions/_search

{

"size": 10,

"query": {

"terms": {

"user_id": ["weige123", "weige456"] # 与当前用户相似的用户

}

},

"aggs": {

"recommended_videos": {

"terms": {

"field": "video_id.keyword",

"size": 5

}

}

}

}

通过这个查询，可以推荐其他用户看过且当前用户还没有观看过的视频。

5. 综合推荐与实时推荐

为了提高推荐的准确性，可以将基于内容的推荐和协同过滤结合在一起，综合考虑用户的兴趣和行为数据。

结合用户兴趣和行为的推荐

首先，我们可以获取用户最喜欢的类别和标签，然后结合用户历史行为推荐符合这些兴趣的热门视频。

GET /videos/_search

{

"query": {

"bool": {

"should": [

{ "match": { "category": "user_favorite_category" } },

{ "match": { "tags": "user_favorite_tags" } }

]

}

},

"sort": [

{ "release_date": { "order": "desc" } }

]

}

这种推荐方式综合了用户的兴趣和最新视频内容，有助于提升用户体验。

6. 结果展示与优化

在前端展示推荐结果

推荐结果可以通过前端 API 展示给用户，假设通过 JavaScript 请求 Elasticsearch 来获取推荐内容，代码示例如下：

fetch('http://localhost:9200/videos/_search', {

method: 'POST',

headers: {

'Content-Type': 'application/json'

},

body: JSON.stringify({

"query": {

"more_like_this": {

"fields": ["title", "description", "tags"],

"like": [

{

"_id": "video789"

}

],

"min_term_freq": 1,

"max_query_terms": 12

}

}

})

})

.then(response => response.json())

.then(data => {

console.log("Recommended videos:", data.hits.hits);

// 展示推荐视频内容

});

不断优化推荐算法

用户反馈：通过用户对推荐视频的反馈（如点赞、点击等），进一步优化推荐算法。实时推荐：通过 Kafka 等流处理工具，实时监控用户行为数据，并调整推荐结果。

7. 小结一下

构建个性化推荐系统的关键在于对用户兴趣和行为的深刻理解。通过 Elasticsearch，可以轻松实现以下功能：

内容推荐：基于视频内容相似性为用户推荐视频。协同过滤：基于相似用户行为推荐视频。实时推荐：结合用户实时行为和兴趣，提供最新的个性化推荐。

这种推荐系统不仅能提升用户粘性，还能增加视频播放量和广告转化率，为在线视频平台带来更多的商业收益。

4. 商品价格区间统计与筛选

业务场景： 在在线商城中，用户经常根据价格来筛选商品。商城需要提供按价格区间筛选商品的功能，并实时统计每个价格区间内的商品数量，以便用户快速选择符合其预算的商品。这类功能可以通过 Elasticsearch 的聚合查询来高效实现。

解决方案：

数据存储： 将商品的价格字段建模为 numeric 类型，并存储到 Elasticsearch 中。聚合分析： 使用 Elasticsearch 的 range 聚合功能，将商品按价格区间分类，统计各区间内商品数量。例如：0-100 元，100-500 元，500-1000 元等。筛选与排序： 配合 filter 查询，支持用户在前端选择价格区间进行筛选，展示符合条件的商品，并按价格升序或降序排列。

详细分析： Elasticsearch 的聚合功能特别适合用于统计类场景。在价格筛选应用中，range 聚合能够实时计算各个价格区间的商品数量，配合过滤查询实现快速筛选。这种机制不仅响应速度快，还能动态适应不断变化的数据规模，保持较高的用户体验。

该方案的实现步骤如下：

创建商品索引，存储商品信息使用 range 查询进行价格区间筛选使用聚合统计每个价格区间内的商品数量实现实时筛选和动态更新

实现步骤

1. 商品索引创建

首先，我们需要创建一个 Elasticsearch 索引来存储商品数据。商品数据通常包括商品名称、描述、分类、价格等信息，其中价格字段将用于价格区间筛选。

PUT /products

{

"mappings": {

"properties": {

"name": {

"type": "text"

},

"description": {

"type": "text"

},

"category": {

"type": "keyword"

},

"price": {

"type": "float"

},

"in_stock": {

"type": "boolean"

}

}

}

}

2. 插入商品数据

接下来，我们插入一些商品数据以供后续使用。

POST /products/_bulk

{ "index": { "_id": "1" } }

{ "name": "Smartphone A", "description": "A high-end smartphone", "category": "electronics", "price": 499.99, "in_stock": true }

{ "index": { "_id": "2" } }

{ "name": "Laptop B", "description": "A powerful laptop", "category": "electronics", "price": 899.99, "in_stock": true }

{ "index": { "_id": "3" } }

{ "name": "Tablet C", "description": "A mid-range tablet", "category": "electronics", "price": 299.99, "in_stock": true }

{ "index": { "_id": "4" } }

{ "name": "Headphones D", "description": "Noise-cancelling headphones", "category": "accessories", "price": 199.99, "in_stock": true }

{ "index": { "_id": "5" } }

{ "name": "Smartwatch E", "description": "A fitness-oriented smartwatch", "category": "accessories", "price": 149.99, "in_stock": false }

3. 按价格区间筛选商品

用户在商城中可以按照价格区间来筛选商品。例如，用户希望查找价格在 200 到 500 之间的商品。我们可以使用 range 查询来实现这一需求。

价格区间筛选查询示例：

GET /products/_search

{

"query": {

"range": {

"price": {

"gte": 200,

"lte": 500

}

}

}

}

该查询返回价格在 200 到 500 之间的商品。用户可以通过调整 gte（大于等于）和 lte（小于等于）参数来修改筛选的价格区间。

4. 统计各价格区间内的商品数量

为了提供用户选择不同价格区间的选项，我们需要统计每个价格区间内的商品数量。可以通过 histogram 或 range 聚合实现这一功能。

使用 range 聚合统计价格区间商品数量：

GET /products/_search

{

"size": 0,

"aggs": {

"price_ranges": {

"range": {

"field": "price",

"ranges": [

{ "to": 200 }, # 价格在200以下

{ "from": 200, "to": 500 }, # 价格200到500之间

{ "from": 500, "to": 1000 },# 价格500到1000之间

{ "from": 1000 } # 价格1000以上

]

}

}

}

}

该查询返回每个价格区间内的商品数量。查询结果中的 price_ranges 聚合部分展示了每个区间内的商品数。

5. 结果解析

查询结果会显示每个价格区间内的商品数量：

{

"aggregations": {

"price_ranges": {

"buckets": [

{

"key": "*-200.0",

"doc_count": 2 # 价格在200以下的商品数量

},

{

"key": "200.0-500.0",

"doc_count": 2 # 价格在200到500之间的商品数量

},

{

"key": "500.0-1000.0",

"doc_count": 1 # 价格在500到1000之间的商品数量

},

{

"key": "1000.0-*",

"doc_count": 0 # 价格在1000以上的商品数量

}

]

}

}

}

结果中 doc_count 表示每个价格区间内的商品数量。

6. 结合筛选与统计

在实际应用中，用户希望先查看商品的价格区间分布，再选择合适的区间进行进一步筛选。我们可以结合上述步骤，先返回各价格区间的统计数据，再根据用户选择执行相应的 range 查询。

例如，用户在看到价格区间统计后，选择查看 200 到 500 的商品。此时可以执行以下查询：

GET /products/_search

{

"query": {

"range": {

"price": {

"gte": 200,

"lte": 500

}

}

}

}

7. 实时筛选与动态更新

通过结合 Elasticsearch 的实时索引更新功能，当商品信息（如价格或库存状态）发生变化时，索引也会动态更新。例如，某个商品的价格调整或库存状态变化时，我们可以通过实时更新索引来反映这些变化。

实时更新商品信息：

假设我们要更新某个商品的价格和库存状态：

POST /products/_update/1

{

"doc": {

"price": 479.99,

"in_stock": false

}

}

8. 小结一下

通过 Elasticsearch 的 range 查询和聚合功能，能够高效地实现在线商城的商品价格区间筛选和统计功能，具体实现包括：

价格区间的筛选：用户可以根据价格范围筛选商品。价格区间内商品数量的实时统计：系统可以快速统计每个价格区间内的商品数量，供用户进一步筛选。实时更新与动态调整：当商品价格或库存发生变化时，系统可以实时反映这些变化，确保数据的准确性。

通过这种方式，用户可以更直观、更方便地根据价格来筛选商品，提升购物体验。

5. 地理位置搜索

业务场景：

某外卖平台希望根据用户的地理位置，推荐附近的餐馆，并根据与用户的距离进行排序。为了实现这一需求，可以利用 Elasticsearch 的地理位置查询（geo-location query）和距离排序功能。通过地理坐标信息（经纬度）存储餐馆的位置，并结合用户的当前位置进行距离计算，快速查询附近的餐馆。

解决方案：

地理位置数据存储： 将餐馆的经纬度信息存储为 geo_point 类型，创建相应的索引。地理位置查询： 使用 Elasticsearch 的 geo_distance 查询，根据用户当前的地理位置，搜索附近一定距离内的餐馆（如 5 公里内）。距离排序： 使用 geo_distance 的 sort 功能，根据距离远近对餐馆进行排序，优先展示距离较近的餐馆。精细化筛选： 结合其他查询条件（如评分、菜系等）进行进一步筛选，提供个性化的餐馆推荐。

详细分析： Elasticsearch 内置的 geo_point 类型和相关的地理位置查询功能，非常适合用于位置相关的业务场景。通过 geo_distance 查询，平台可以迅速筛选出与用户距离较近的餐馆，并进行距离排序，提升用户体验。此外，Elasticsearch 能够轻松扩展到全球范围内的位置数据应用，具有极高的灵活性和扩展性。

实现步骤

餐馆信息的地理位置索引创建插入餐馆数据用户当前位置的餐馆搜索根据距离排序设置搜索范围（限制半径）实时更新与扩展

1. 餐馆信息的地理位置索引创建

首先，为了存储餐馆的地理位置，我们需要为餐馆数据创建一个包含 geo_point 类型的索引，geo_point 用于存储地理坐标信息（经纬度）。

创建餐馆索引：

PUT /restaurants

{

"mappings": {

"properties": {

"name": {

"type": "text"

},

"description": {

"type": "text"

},

"location": {

"type": "geo_point" # 存储餐馆的经纬度信息

},

"rating": {

"type": "float"

},

"category": {

"type": "keyword"

}

}

}

}

2. 插入餐馆数据

接下来，我们将插入一些带有地理位置的餐馆数据。这些数据中包含餐馆的名称、描述、评分、类别以及位置的经纬度信息。

插入示例数据：

POST /restaurants/_bulk

{ "index": { "_id": "1" } }

{ "name": "韭菜鸡蛋", "description": "男人的加油站", "location": { "lat": 40.730610, "lon": -73.935242 }, "rating": 4.5, "category": "Italian" }

{ "index": { "_id": "2" } }

{ "name": "Sushi World", "description": "Authentic china sushi", "location": { "lat": 40.742610, "lon": -73.945242 }, "rating": 4.7, "category": " china" }

{ "index": { "_id": "3" } }

{ "name": "Burger Town", "description": "Best burgers in town", "location": { "lat": 40.729510, "lon": -73.914342 }, "rating": 4.3, "category": "china" }

{ "index": { "_id": "4" } }

{ "name": "Vegan Delight", "description": "Healthy and delicious vegan food", "location": { "lat": 40.715610, "lon": -73.935142 }, "rating": 4.6, "category": "china" }

在这些数据中，每个餐馆的 location 字段存储了其经纬度信息。

3. 用户当前位置的餐馆搜索

为了根据用户的当前位置搜索附近的餐馆，可以使用 Elasticsearch 的 geo_distance 查询来实现。假设用户当前位于某个位置（经纬度：40.730610, -73.935242），我们希望查找这个位置附近的餐馆。

按距离搜索附近餐馆：

GET /restaurants/_search

{

"query": {

"geo_distance": {

"distance": "5km", # 搜索5公里范围内的餐馆

"location": {

"lat": 40.730610,

"lon": -73.935242

}

}

}

}

这个查询会返回距离用户当前位置 5 公里以内的所有餐馆。

4. 根据距离排序

为了让用户能够优先看到离自己最近的餐馆，我们可以在查询中添加基于距离的排序功能。Elasticsearch 提供了 geo_distance 排序方法，可以按距离升序排列餐馆。

按距离排序的查询：

GET /restaurants/_search

{

"query": {

"geo_distance": {

"distance": "5km",

"location": {

"lat": 40.730610,

"lon": -73.935242

}

}

},

"sort": [

{

"_geo_distance": {

"location": {

"lat": 40.730610,

"lon": -73.935242

},

"order": "asc", # 按距离升序排序

"unit": "km"

}

}

]

}

这个查询不仅返回了 5 公里范围内的餐馆，还根据距离从近到远进行排序。

5. 设置搜索范围（限制半径）

为了控制搜索的范围，比如用户希望只查找特定半径范围内的餐馆（如 3 公里以内），我们可以通过调整 distance 参数来实现。

搜索 3 公里以内的餐馆：

GET /restaurants/_search

{

"query": {

"geo_distance": {

"distance": "3km", # 搜索3公里范围内的餐馆

"location": {

"lat": 40.730610,

"lon": -73.935242

}

}

},

"sort": [

{

"_geo_distance": {

"location": {

"lat": 40.730610,

"lon": -73.935242

},

"order": "asc", # 按距离排序

"unit": "km"

}

}

]

}

6. 实时更新与扩展

餐馆的位置和营业状态可能会随着时间发生变化，例如某家餐馆关闭或新餐馆开张。因此，我们需要支持餐馆数据的实时更新。Elasticsearch 提供了实时索引更新功能，可以方便地更新餐馆的位置信息。

实时更新餐馆的地理位置：

如果某家餐馆位置发生了变化（比如迁址），我们可以通过以下命令更新其位置信息：

POST /restaurants/_update/1

{

"doc": {

"location": {

"lat": 40.735610,

"lon": -73.930242 # 更新后的新位置

}

}

}

餐馆信息实时更新后，新的查询结果将自动反映变化。

扩展功能：根据餐馆评分进行筛选

除了按距离筛选外，用户还可能希望按餐馆评分来过滤结果。我们可以将评分筛选条件添加到查询中，确保返回的餐馆不仅距离较近，还符合评分要求。

添加评分过滤的查询：

GET /restaurants/_search

{

"query": {

"bool": {

"must": [

{

"geo_distance": {

"distance": "5km",

"location": {

"lat": 40.730610,

"lon": -73.935242

}

}

},

{

"range": {

"rating": {

"gte": 4.5 # 筛选评分大于或等于4.5的餐馆

}

}

}

]

}

},

"sort": [

{

"_geo_distance": {

"location": {

"lat": 40.730610,

"lon": -73.935242

},

"order": "asc", # 按距离排序

"unit": "km"

}

}

]

}

这个查询将返回距离用户 5 公里以内且评分不低于 4.5 分的餐馆。

7. 小结一下

通过 Elasticsearch 的地理位置查询功能，我们可以高效地实现外卖平台的附近餐馆搜索和排序功能，具体实现包括：

地理位置存储：使用 geo_point 字段存储餐馆的经纬度信息。距离查询：根据用户的地理位置查找附近的餐馆。按距离排序：确保用户优先看到距离最近的餐馆。评分筛选：结合餐馆评分进行筛选，提升用户体验。实时更新：支持餐馆信息的动态更新，确保查询结果实时准确。

通过这些功能，用户可以方便地找到附近的优质餐馆，提升了外卖平台的用户体验和服务效率。

总结

这五个案例涵盖了 Elasticsearch 在全文搜索、日志分析、推荐系统、数据聚合与筛选、地理位置搜索等典型业务场景中的应用。通过合理的索引设计、灵活的查询与聚合功能，Elasticsearch 能够满足多种复杂场景下的高效数据检索与分析需求。