Полное руководство по Elasticsearch: Установка, Настройка и Оптимизация

Elasticsearch - это мощная и гибкая поисковая и аналитическая система, которая позволяет эффективно индексировать, искать и анализировать большие объемы данных. Это открытое ПО на основе RESTful API, которое предоставляет быстрые и масштабируемые возможности поиска, идеально подходящие для разнообразных сценариев использования: от полнотекстового поиска до аналитики больших данных.

Прежде чем углубляться в особенности и использование Elasticsearch, необходимо понять ключевые концепции, на которых он основан:

Индекс в Elasticsearch - это структура данных, которая схожа с таблицей в реляционной базе данных. Индексы используются для хранения и организации данных, что позволяет эффективно их искать и анализировать. Каждый индекс может содержать один или несколько документов, и каждый документ хранится в виде JSON-объекта.

PUT /my_index
{
  "settings": {
    "number_of_shards": 3,
    "number_of_replicas": 2
  }
}

В этом примере мы создаем индекс с именем my_index, указывая количество шардов и реплик.

Документ - это базовая единица данных в Elasticsearch. Каждый документ представляет собой JSON-объект, который содержит данные в виде пар "ключ-значение". Документы хранятся в индексах и идентифицируются уникальным идентификатором.

POST /my_index/_doc/1
{
  "title": "Elasticsearch Basics",
  "content": "Understanding the fundamental concepts of Elasticsearch.",
  "author": "NeuralScribe"
}

В этом примере мы добавляем документ в индекс my_index с уникальным идентификатором 1.

Кластер Elasticsearch - это совокупность одного или нескольких узлов (серверов), которые работают вместе для хранения данных и выполнения операций поиска и анализа. Кластер позволяет горизонтально масштабировать Elasticsearch, распределяя данные и запросы между несколькими узлами.

Пример конфигурации кластера:

cluster.name: my_cluster
node.name: node_1
network.host: 0.0.0.0
discovery.seed_hosts: ["127.0.0.1", "[::1]"]
cluster.initial_master_nodes: ["node_1"]

В этом YAML-файле конфигурации указаны основные параметры для настройки кластера с именем my_cluster и узлом node_1.

Elasticsearch предназначен для выполнения множества задач, связанных с обработкой больших объемов данных:

• Полнотекстовый поиск: Elasticsearch позволяет выполнять сложные запросы по тексту, находя нужные документы быстро и эффективно.
• Анализ данных: С помощью Elasticsearch можно выполнять агрегации для анализа больших наборов данных, извлекая статистическую и аналитическую информацию.
• Мониторинг и логирование: Elasticsearch часто используется в стеке ELK (Elasticsearch, Logstash, Kibana) для мониторинга и анализа логов приложений и систем.

Некоторые из ключевых возможностей Elasticsearch включают:

• Масштабируемость: Возможность горизонтального масштабирования через добавление узлов в кластер.
• Высокая производительность: Быстрая индексация и поиск благодаря продвинутой архитектуре и использованию шардов.
• Гибкость и расширяемость: Широкие возможности настройки и расширения функциональности с помощью плагинов.
• Поддержка RESTful API: Легкость интеграции с другими системами и приложениями через простые API.

Elasticsearch – это не просто поисковая система, а инструмент для анализа и обработки данных, который предоставляет множество преимуществ для различных сценариев использования. 

Одним из самых значимых преимуществ Elasticsearch является его горизонтальная масштабируемость. Это означает, что система может легко расти вместе с вашими данными и нагрузкой, просто добавляя новые узлы (серверы) в кластер.

• Шардинг: Elasticsearch автоматически делит индекс на несколько частей, называемых шардами, что позволяет распределять данные и запросы по нескольким узлам кластера. Это обеспечивает равномерное распределение нагрузки и позволяет обрабатывать большие объемы данных быстро и эффективно.
• Репликация: Каждый шард может иметь одну или несколько реплик, что повышает отказоустойчивость и надежность системы. В случае выхода из строя одного узла, данные остаются доступными на других узлах.

Пример конфигурации для шардинга и репликации:

PUT /my_index
{
  "settings": {
    "number_of_shards": 5,
    "number_of_replicas": 1
  }
}

В этом примере индекс my_index создается с пятью шардами и одной репликой для каждого шарда.

Elasticsearch обеспечивает высокую производительность благодаря своей архитектуре и оптимизациям, которые включают:

• Колонковое хранение данных: Использование колонкового хранения позволяет эффективно выполнять агрегации и запросы, что ускоряет процесс поиска и анализа данных.
• Кеширование: Elasticsearch активно использует кеширование на разных уровнях (запросов, сегментов), что существенно уменьшает время выполнения повторяющихся запросов.
• Асинхронная репликация: Асинхронная репликация данных между узлами позволяет уменьшить задержки и повысить производительность индексации.

Одной из ключевых функций Elasticsearch является полнотекстовый поиск, который позволяет:

• Поиск по нескольким полям: Elasticsearch поддерживает сложные запросы, которые могут включать поиск по нескольким полям и с использованием различных условий.
• Ранжирование результатов: Использование рейтинговых алгоритмов позволяет возвращать наиболее релевантные результаты по запросу.
• Поддержка различных языков: Elasticsearch поддерживает анализ текста на множестве языков, обеспечивая точность поиска для глобальных приложений.

Пример простого полнотекстового поиска:

GET /my_index/_search
{
  "query": {
    "match": {
      "content": "Elasticsearch"
    }
  }
}

В этом примере выполняется поиск по полю content на наличие текста "Elasticsearch".

Elasticsearch предоставляет широкие возможности для настройки и расширения:

• Настройка индексов и маппингов: Пользователи могут создавать индексы с определенными настройками и маппингами для оптимизации хранения и поиска данных.
• Плагины и расширения: Elasticsearch поддерживает множество плагинов, которые добавляют дополнительную функциональность, такую как анализаторы, обработчики данных и интерфейсы для интеграции.
• API и клиенты: Elasticsearch предоставляет удобные RESTful API, а также клиенты для различных языков программирования (Java, Python, JavaScript и др.), что упрощает интеграцию с другими системами.

Пример настройки маппинга:

PUT /my_index
{
  "mappings": {
    "properties": {
      "title": {
        "type": "text"
      },
      "published_date": {
        "type": "date"
      }
    }
  }
}

В этом примере создается индекс с настройками маппинга для полей title и published_date.

Использование Docker для разворачивания Elasticsearch предоставляет удобный способ установки и управления сервисом. В этом разделе мы рассмотрим, как установить Elasticsearch с использованием Docker-compose, который позволяет легко управлять многоконтейнерными приложениями.

Перед началом установки убедитесь, что на вашей системе установлены Docker и Docker-compose. Если они еще не установлены, следуйте официальным инструкциям для вашей операционной системы:

• Установка Docker
• Установка Docker-compose

Шаг 1: Создание Docker-compose файла

Создайте новый файл с именем docker-compose.yml в рабочей директории. В этот файл мы добавим конфигурацию для развертывания Elasticsearch и Kibana.

services:
  elasticsearch:
    image: docker.elastic.co/elasticsearch/elasticsearch:7.9.3
    container_name: elasticsearch
    environment:
      - node.name=es-node
      - discovery.type=single-node
      - cluster.name=docker-cluster
      - bootstrap.memory_lock=true
      - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
    ulimits:
      memlock:
        soft: -1
        hard: -1
    volumes:
      - es-data:/usr/share/elasticsearch/data
    ports:
      - 9200:9200
      - 9300:9300

  kibana:
    image: docker.elastic.co/kibana/kibana:7.9.3
    container_name: kibana
    environment:
      - ELASTICSEARCH_HOSTS=http://elasticsearch:9200
    ports:
      - 5601:5601

volumes:
  es-data:
    driver: local

Шаг 2: Запуск Docker-compose

После создания файла docker-compose.yml, запустите Docker-compose, чтобы развернуть Elasticsearch и Kibana.

Команда для запуска:

docker-compose up -d

Флаг -d запускает контейнеры в фоновом режиме. Docker-compose загрузит необходимые образы, создаст и запустит контейнеры.

Шаг 3: Проверка установки

После успешного запуска контейнеров вы можете проверить состояние Elasticsearch и Kibana.

Чтобы убедиться, что Elasticsearch работает, откройте веб-браузер и перейдите по адресу http://localhost:9200. Вы должны увидеть ответ, содержащий информацию о кластере, например:

{
  "name" : "es-node",
  "cluster_name" : "docker-cluster",
  "cluster_uuid" : "xxxxxxxxxxxxxx",
  "version" : {
    "number" : "7.9.3",
    "build_flavor" : "default",
    "build_type" : "docker",
    "build_hash" : "xxxxxxx",
    "build_date" : "2020-09-29T19:16:55.569Z",
    "build_snapshot" : false,
    "lucene_version" : "8.6.2",
    "minimum_wire_compatibility_version" : "6.8.0",
    "minimum_index_compatibility_version" : "6.0.0-beta1"
  },
  "tagline" : "You Know, for Search"
}

Для доступа к Kibana откройте браузер и перейдите по адресу http://localhost:5601. Вы должны увидеть интерфейс Kibana, который позволяет взаимодействовать с Elasticsearch через удобный веб-интерфейс.

Шаг 4: Настройка безопасности (опционально)

Для обеспечения безопасности вашего кластера Elasticsearch, вы можете настроить SSL, аутентификацию и авторизацию. Это может быть особенно важно при использовании Elasticsearch в продакшн-среде.

Пример настройки безопасности в docker-compose.yml:

elasticsearch:
  environment:
    - xpack.security.enabled=true
    - xpack.security.transport.ssl.enabled=true
    - ELASTIC_PASSWORD=changeme

Для полноценной настройки безопасности следуйте официальной документации Elasticsearch.

Теперь у вас есть рабочая установка Elasticsearch и Kibana, развернутая с помощью Docker-compose. Это позволяет вам быстро и легко управлять сервисами, масштабировать их и интегрировать с другими компонентами вашей инфраструктуры.

После установки Elasticsearch с помощью Docker-compose необходимо настроить и запустить кластер для полноценной работы. В этом разделе мы рассмотрим шаги по настройке кластера Elasticsearch, обсудим конфигурационные файлы и параметры, которые обеспечивают эффективное функционирование и масштабируемость кластера.

Шаг 1: Понимание конфигурационных файлов

Elasticsearch использует файл конфигурации elasticsearch.yml для определения настроек узла и кластера. В Docker-контейнере этот файл находится по пути /usr/share/elasticsearch/config/elasticsearch.yml. Вы можете изменить этот файл непосредственно в контейнере или предоставить свои настройки через Docker-compose.

Основные параметры конфигурации включают:

• cluster.name: Имя кластера Elasticsearch.
• node.name: Имя текущего узла.
• network.host: Адрес, на котором будет прослушивать узел.
• discovery.seed_hosts: Список начальных узлов для обнаружения других узлов в кластере.
• cluster.initial_master_nodes: Начальные мастер-узлы для создания кластера.

Пример конфигурационного файла elasticsearch.yml:

cluster.name: my_cluster
node.name: node_1
network.host: 0.0.0.0
discovery.seed_hosts: ["127.0.0.1", "192.168.1.10"]
cluster.initial_master_nodes: ["node_1", "node_2"]

Шаг 2: Настройка Docker-compose для кластера

Для настройки и запуска многосерверного кластера Elasticsearch с использованием Docker-compose, необходимо изменить файл docker-compose.yml, чтобы включить несколько узлов.

services:
  elasticsearch1:
    image: docker.elastic.co/elasticsearch/elasticsearch:7.9.3
    container_name: es-node-1
    environment:
      - node.name=es-node-1
      - cluster.name=my_cluster
      - discovery.seed_hosts=es-node-2,es-node-3
      - cluster.initial_master_nodes=es-node-1,es-node-2,es-node-3
      - bootstrap.memory_lock=true
      - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
    ulimits:
      memlock:
        soft: -1
        hard: -1
    volumes:
      - es-data1:/usr/share/elasticsearch/data
    ports:
      - 9200:9200

  elasticsearch2:
    image: docker.elastic.co/elasticsearch/elasticsearch:7.9.3
    container_name: es-node-2
    environment:
      - node.name=es-node-2
      - cluster.name=my_cluster
      - discovery.seed_hosts=es-node-1,es-node-3
      - cluster.initial_master_nodes=es-node-1,es-node-2,es-node-3
      - bootstrap.memory_lock=true
      - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
    ulimits:
      memlock:
        soft: -1
        hard: -1
    volumes:
      - es-data2:/usr/share/elasticsearch/data
    ports:
      - 9201:9200

  elasticsearch3:
    image: docker.elastic.co/elasticsearch/elasticsearch:7.9.3
    container_name: es-node-3
    environment:
      - node.name=es-node-3
      - cluster.name=my_cluster
      - discovery.seed_hosts=es-node-1,es-node-2
      - cluster.initial_master_nodes=es-node-1,es-node-2,es-node-3
      - bootstrap.memory_lock=true
      - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
    ulimits:
      memlock:
        soft: -1
        hard: -1
    volumes:
      - es-data3:/usr/share/elasticsearch/data
    ports:
      - 9202:9200

volumes:
  es-data1:
    driver: local
  es-data2:
    driver: local
  es-data3:
    driver: local

Шаг 3: Запуск и проверка кластера

Запустите кластер Elasticsearch с помощью Docker-compose:

docker-compose up -d

После запуска убедитесь, что все узлы успешно присоединились к кластеру и находятся в состоянии "зеленый". Для этого выполните запрос к любому узлу кластера:

curl -X GET "localhost:9200/_cluster/health?pretty"

Ожидаемый ответ:

{
  "cluster_name": "my_cluster",
  "status": "green",
  "timed_out": false,
  "number_of_nodes": 3,
  "number_of_data_nodes": 3,
  "active_primary_shards": 1,
  "active_shards": 2,
  "relocating_shards": 0,
  "initializing_shards": 0,
  "unassigned_shards": 0,
  "delayed_unassigned_shards": 0,
  "number_of_pending_tasks": 0,
  "number_of_in_flight_fetch": 0,
  "task_max_waiting_in_queue_millis": 0,
  "active_shards_percent_as_number": 100.0
}

Возможно кластеры не запустятся так как Elasticsearch требует, чтобы параметр vm.max_map_count был установлен как минимум на 262144. Он определяет максимальное количество областей памяти (memory map areas), которые процесс может иметь. Для установки необходимого значения выполните следующие команды на хост-машине (не внутри контейнера):

1. Проверьте текущее значение vm.max_map_count:

sysctl vm.max_map_count

2. Установите vm.max_map_count на 262144:

sudo sysctl -w vm.max_map_count=262144

3. Чтобы сделать это изменение постоянным, добавьте строку в файл /etc/sysctl.conf:

echo "vm.max_map_count=262144" | sudo tee -a /etc/sysctl.conf

4. После этого перезапустите Docker Compose:

docker-compose down
docker-compose up -d

Шаг 4: Настройка узлов и ролей

В кластере Elasticsearch различные узлы могут выполнять разные роли, такие как мастер-узлы, дата-узлы и клиентские узлы. Настройка ролей узлов позволяет оптимизировать производительность и надежность кластера.

Пример конфигурации узла с ролями:

node.roles: ["master", "data"]

Шаг 5: Настройка мониторинга

Для мониторинга кластера Elasticsearch можно использовать встроенные возможности или интегрировать Kibana для визуализации данных.

  kibana:
    image: docker.elastic.co/kibana/kibana:7.9.3
    container_name: kibana
    environment:
      - ELASTICSEARCH_HOSTS=["http://elasticsearch1:9200","http://elasticsearch2:9201","http://elasticsearch3:9202"]
    ports:
      - 5601:5601

Теперь ваш кластер Elasticsearch настроен и запущен с использованием Docker-compose. Вы научились настраивать конфигурационные файлы, определять параметры и запускать многосерверный кластер. Это обеспечивает высокую доступность и производительность вашей системы, позволяя эффективно обрабатывать и анализировать большие объемы данных. В следующих разделах мы рассмотрим, как использовать возможности Elasticsearch для индексации и поиска данных.

Индексы являются ключевыми элементами в Elasticsearch, так как они определяют структуру и способ хранения данных. В этом разделе мы рассмотрим, как создавать и управлять индексами с использованием Elasticsearch API. Примеры кода помогут вам лучше понять основные операции с индексами.

Создание индекса

Индексы создаются с использованием HTTP-запросов к Elasticsearch API. Вы можете задать настройки шардирования, репликации и маппингов для полей индекса.

curl -X PUT "http://localhost:9200/my_index" -H 'Content-Type: application/json' -d'
{
  "settings": {
    "number_of_shards": 3,
    "number_of_replicas": 2
  },
  "mappings": {
    "properties": {
      "title": {
        "type": "text"
      },
      "published_date": {
        "type": "date"
      },
      "author": {
        "type": "keyword"
      },
      "content": {
        "type": "text"
      }
    }
  }
}
'

В этом примере создается индекс my_index с тремя шардами и двумя репликами. Поля title и content имеют тип text, который используется для полнотекстового поиска, published_date – тип date, и author – тип keyword, который идеально подходит для точных значений, таких как имена или теги.

Обновление индекса

Обновление индекса может включать изменение настроек, добавление новых полей или изменение маппингов. Обратите внимание, что не все изменения можно применить к существующему индексу, например, количество шардов нельзя изменить после создания индекса.

curl -X PUT "http://localhost:9200/my_index/_mapping" -H 'Content-Type: application/json' -d'
{
  "properties": {
    "views": {
      "type": "integer"
    }
  }
}
'

В этом примере мы добавляем новое поле views типа integer в индекс my_index.

Управление алиасами индексов

Алиасы позволяют создать псевдонимы для индексов, что удобно для управления и обновления данных без изменения приложений, которые обращаются к этим данным.

curl -X POST "http://localhost:9200/_aliases" -H 'Content-Type: application/json' -d'
{
  "actions": [
    {
      "add": {
        "index": "my_index",
        "alias": "current_index"
      }
    }
  ]
}
'

Этот запрос создает алиас current_index для индекса my_index.

Оптимизация и управление индексами

Для поддержания производительности и эффективного использования ресурсов важно периодически оптимизировать индексы.

POST /my_index/_forcemerge?max_num_segments=1

Этот запрос сливает сегменты индекса my_index до одного сегмента, что может улучшить производительность чтения.

Удаление индекса

Если вам больше не нужен индекс или вы хотите освободить место, можно удалить индекс с помощью простого HTTP-запроса.

curl -X DELETE "http://localhost:9200/my_index"

Эта команда удалит индекс my_index и все его данные.

Создание и управление индексами в Elasticsearch – это основа эффективной работы с данными. В этом разделе мы рассмотрели основные операции с индексами, такие как создание, обновление, удаление и управление алиасами. Понимание этих операций позволит вам эффективно структурировать и управлять данными в Elasticsearch, обеспечивая высокую производительность и надежность вашей системы.

Общая конфигурации может выглядеть так:

{
    "settings": {
        "index": {
            ...
        },
        "analysis": {
            ...
        }
    },
    "mappings": {
        ...
    }
}

Поблочно опишем некоторые основные возможности на примерах:

"index": {
  "max_result_window": 10000,
  "refresh_interval": "1s",
  "number_of_shards": 5,
  "number_of_replicas": 1,
  "max_ngram_diff": 8,
  "translog.durability": "async"
},

• max_result_window: Максимальное количество результатов, которые могут быть возвращены одним запросом. Это ограничение предотвращает чрезмерное использование памяти и ресурсов при выполнении запросов с большим количеством результатов.
• refresh_interval: Интервал времени, по истечении которого Elasticsearch автоматически обновляет индекс, делая изменения видимыми для поиска. Значение "1s" означает, что обновление происходит каждую секунду.
• number_of_shards: Количество шардов (частей), на которые будет разделен индекс. Шарды позволяют распределять данные по разным узлам в кластере, обеспечивая масштабируемость и производительность.
• number_of_replicas: Количество реплик для каждого шарда. Реплики обеспечивают отказоустойчивость и повышают доступность данных, поскольку каждый шард имеет указанное количество копий.
• max_ngram_diff: Максимальная разница между min_gram и max_gram в фильтре n-грамм. Этот параметр ограничивает длину n-грамм, которые можно генерировать, что полезно для контроля использования памяти и производительности при анализе текста.
• translog.durability: Уровень надежности транзакционного журнала. Значение "async" означает, что транзакции будут записываться асинхронно, что может улучшить производительность записи данных, но уменьшить гарантию надежности в случае сбоев.

"analysis": {
    "filter": {
        "synonym_filter": {
            "type": "synonym",
            "synonyms": [
                // Список синонимов, например "foo, bar"
            ]
        },
        "ngram_filter": {
            "type": "ngram",
            "min_gram": 2,
            "max_gram": 10
        },
        "stop_filter": {
            "type": "stop",
            "stopwords": "_english_" // или укажите конкретные стоп-слова
        },
        "stemmer_filter": {
            "type": "stemmer",
            "name": "english"
        },
        "edge_ngram_filter": {
            "type": "edge_ngram",
            "min_gram": 2,
            "max_gram": 10
        }
    },
    "analyzer": {
        "ngram_synonym_analyzer": {
            "type": "custom",
            "tokenizer": "ngram_tokenizer",
            "filter": [
                "lowercase",
                "synonym_filter",
                "ngram_filter"
            ]
        },
        "search_analyzer": {
            "type": "custom",
            "tokenizer": "standard",
            "filter": [
                "lowercase",
                "synonym_filter"
            ]
        },
        "standard_analyzer": {
            "type": "standard"
        },
        "whitespace_analyzer": {
            "type": "whitespace",
            "filter": [
                "lowercase",
                "stop_filter"
            ]
        },
        "edge_ngram_analyzer": {
            "type": "custom",
            "tokenizer": "edge_ngram_tokenizer",
            "filter": [
                "lowercase",
                "edge_ngram_filter"
            ]
        }
    },
    "tokenizer": {
        "ngram_tokenizer": {
            "type": "ngram",
            "min_gram": 2,
            "max_gram": 10,
            "token_chars": [
                "letter",
                "digit"
            ]
        },
        "edge_ngram_tokenizer": {
            "type": "edge_ngram",
            "min_gram": 2,
            "max_gram": 10,
            "token_chars": [
                "letter",
                "digit"
            ]
        }
    }
}

Фильтры (filter)

• synonym_filter:
  • type: Указывает тип фильтра. В данном случае synonym.
  • synonyms: Список синонимов в формате ["foo, bar"].
• ngram_filter:
  • type: Указывает тип фильтра. В данном случае ngram.
  • min_gram: Минимальная длина n-граммы. Значение по умолчанию: 1.
  • max_gram: Максимальная длина n-граммы. Значение по умолчанию: 2.
• stop_filter:
  • type: Указывает тип фильтра. В данном случае stop.
  • stopwords: Список стоп-слов или предустановленный список (например, _english_).
• stemmer_filter:
  • type: Указывает тип фильтра. В данном случае stemmer.
  • name: Название стеммера, например, english.
• edge_ngram_filter:
  • type: Указывает тип фильтра. В данном случае edge_ngram.
  • min_gram: Минимальная длина n-граммы. Значение по умолчанию: 1.
  • max_gram: Максимальная длина n-граммы. Значение по умолчанию: 2.

Анализаторы (analyzer)

• ngram_synonym_analyzer:
  • type: Указывает тип анализатора. В данном случае custom.
  • tokenizer: Используемый токенайзер. В данном случае ngram_tokenizer.
  • filter: Список фильтров, применяемых к токенам. Например, ["lowercase", "synonym_filter", "ngram_filter"].
• search_analyzer:
  • type: Указывает тип анализатора. В данном случае custom.
  • tokenizer: Используемый токенайзер. В данном случае standard.
  • filter: Список фильтров, применяемых к токенам. Например, ["lowercase", "synonym_filter"].
• standard_analyzer:
  • type: Указывает тип анализатора. В данном случае standard.
• whitespace_analyzer:
  • type: Указывает тип анализатора. В данном случае whitespace.
  • filter: Список фильтров, применяемых к токенам. Например, ["lowercase", "stop_filter"].
• edge_ngram_analyzer:
  • type: Указывает тип анализатора. В данном случае custom.
  • tokenizer: Используемый токенайзер. В данном случае edge_ngram_tokenizer.
  • filter: Список фильтров, применяемых к токенам. Например, ["lowercase", "edge_ngram_filter"].

Токенайзеры (tokenizer)

• ngram_tokenizer:
  • type: Указывает тип токенайзера. В данном случае ngram.
  • min_gram: Минимальная длина n-граммы. Значение по умолчанию: 1.
  • max_gram: Максимальная длина n-граммы. Значение по умолчанию: 2.
  • token_chars: Список символов, которые могут быть частью токенов. Например, ["letter", "digit"].
• edge_ngram_tokenizer:
  • type: Указывает тип токенайзера. В данном случае edge_ngram.
  • min_gram: Минимальная длина n-граммы. Значение по умолчанию: 1.
  • max_gram: Максимальная длина n-граммы. Значение по умолчанию: 2.
  • token_chars: Список символов, которые могут быть частью токенов. Например, ["letter", "digit"].

"mappings": {
    "properties": {
        "code": {
            "type": "keyword"
        },
        "name": {
            "type": "text",
            "analyzer": "ngram_synonym_analyzer",
            "search_analyzer": "search_analyzer"
        },
        "description": {
            "type": "text",
            "analyzer": "standard_analyzer"
        },
        "price": {
            "type": "float"
        },
        "created_at": {
            "type": "date",
            "format": "yyyy-MM-dd HH:mm:ss||yyyy-MM-dd||epoch_millis"
        }
    }
}

Объяснение полей

• code:
  • type: keyword - Этот тип данных используется для полей, которые не нужно анализировать. Обычно это идентификаторы, коды или ключевые слова, которые должны быть найдены точно в том виде, в каком они хранятся.
• name:
  • type: text - Этот тип данных используется для текстовых полей, которые нужно анализировать. Такие поля разбиваются на токены для последующего поиска.
  • analyzer: ngram_synonym_analyzer - Анализатор, используемый для индексации поля name. Он применяет фильтры и токенизаторы, определенные в ngram_synonym_analyzer, чтобы разбить текст на токены.
  • search_analyzer: search_analyzer - Анализатор, используемый для поиска по полю name. Он применяет фильтры и токенизаторы, определенные в search_analyzer, чтобы разбить запрос на токены.
• description:
  • type: text - Текстовое поле, которое нужно анализировать.
  • analyzer: standard_analyzer - Анализатор, используемый для индексации и поиска по полю description. Он применяет стандартный анализатор, который разбивает текст на слова и применяет базовую обработку, такую как приведение к нижнему регистру.
• price:
  • type: float - Поле типа float используется для хранения чисел с плавающей точкой. Это полезно для хранения значений, таких как цены или другие измерения, требующие высокой точности.
• created_at:
  • type: date - Поле типа date используется для хранения даты и времени.
  • format: Указывает форматы даты и времени, которые могут быть использованы. Например, yyyy-MM-dd HH:mm:ss для даты и времени в формате ГГГГ-ММ-ДД ЧЧ:ММ:СС, yyyy-MM-dd для даты в формате ГГГГ-ММ-ДД и epoch_millis для времени в миллисекундах с начала эпохи (Unix время).

Как создается mappings

1. Определение типа данных: Для каждого поля в документе определяется его тип данных (keyword, text, float, date и т.д.). Это помогает Elasticsearch правильно индексировать и обрабатывать данные.
2. Выбор анализаторов: Для текстовых полей (text) можно указать, какой анализатор использовать при индексации и при поиске. Анализаторы определяют, как текст разбивается на токены и какие фильтры применяются.
3. Форматирование дат: Для полей типа date можно указать форматы, в которых будут представлены даты. Это важно для правильного парсинга и сравнения дат.

Документы в Elasticsearch являются основными единицами хранения данных и содержат информацию, которую необходимо индексировать и искать. В этом разделе мы рассмотрим основные операции по работе с документами: добавление, обновление и удаление. Мы также предоставим примеры запросов и кода для выполнения этих операций.

Добавление документа в Elasticsearch осуществляется с помощью HTTP-запроса POST или PUT. Документы представляют собой JSON-объекты, которые содержат данные в виде пар "ключ-значение".

curl -X POST "localhost:9200/my_index/_doc/1" -H 'Content-Type: application/json' -d'
{
  "title": "Understanding Elasticsearch",
  "author": "John Doe",
  "published_date": "2023-05-01",
  "content": "Elasticsearch is a distributed, RESTful search and analytics engine."
}'

В этом примере мы добавляем документ с уникальным идентификатором 1 в индекс my_index.

Обновление документов позволяет изменить содержимое существующего документа. Это можно сделать с помощью запроса POST или PUT с указанием метода _update.

curl -X POST "localhost:9200/my_index/_update/1" -H 'Content-Type: application/json' -d'
{
  "doc": {
    "author": "Jane Doe",
    "content": "Elasticsearch is a powerful search and analytics engine."
  }
}'

В этом примере мы обновляем документ с идентификатором 1, изменяя автора и содержимое.

Elasticsearch позволяет выполнять частичное обновление документов с использованием скриптов. Это полезно, когда необходимо изменить только часть данных, например, увеличить счетчик. Ошибка в предыдущем примере связана с тем, что поле views отсутствует в документе. Чтобы исправить это, нужно сначала добавить поле views в документ.

curl -X POST "localhost:9200/my_index/_update/1" -H 'Content-Type: application/json' -d'
{
  "doc": {
    "views": 0
  }
}'

Теперь можно увеличить значение поля views на 1.

curl -X POST "localhost:9200/my_index/_update/1" -H 'Content-Type: application/json' -d'
{
  "script": {
    "source": "ctx._source.views += params.count",
    "params": {
      "count": 1
    }
  }
}'

Для поиска и извлечения документов используется HTTP-запрос GET. Это позволяет получить документ по его идентификатору.

curl -X GET "localhost:9200/my_index/_doc/1"

В этом примере мы извлекаем документ с идентификатором 1 из индекса my_index.

Elasticsearch поддерживает мощные поисковые возможности, позволяя выполнять сложные запросы для поиска документов по различным критериям.

curl -X GET "localhost:9200/my_index/_search" -H 'Content-Type: application/json' -d'
{
  "query": {
    "match": {
      "content": "Elasticsearch"
    }
  }
}'

В этом примере мы ищем документы, содержащие слово "Elasticsearch" в поле content.

Фильтры позволяют ограничить результаты поиска по определенным критериям, таким как диапазоны дат, числовые значения и другие условия.

curl -X GET "localhost:9200/my_index/_search" -H 'Content-Type: application/json' -d'
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "author": "John Doe"
          }
        }
      ],
      "filter": [
        {
          "range": {
            "published_date": {
              "gte": "2024-01-01",
              "lte": "2024-12-31"
            }
          }
        }
      ]
    }
  }
}'

В этом примере мы ищем документы, где автор John Doe, и опубликованные в 2023 году.

Удаление документа из индекса осуществляется с помощью HTTP-запроса DELETE.

curl -X DELETE "localhost:9200/my_index/_doc/1"

В этом примере мы удаляем документ с идентификатором 1 из индекса my_index.

Elasticsearch предоставляет гибкий язык запросов, который позволяет выполнять сложные поисковые операции по вашим данным. В этом подразделе мы рассмотрим основы языка запросов Elasticsearch, а также предоставим примеры базовых поисковых запросов и объясним их работу.

Elasticsearch использует язык запросов, который называется Query DSL (Domain Specific Language). Этот язык основан на JSON и предоставляет множество различных типов запросов для поиска и фильтрации данных. Основные типы запросов включают:

• match: Используется для полнотекстового поиска.
• term: Поиск точных совпадений.
• range: Поиск по диапазонам значений.
• bool: Комбинация нескольких условий.

Рассмотрим несколько примеров базовых поисковых запросов, чтобы лучше понять, как они работают.

Запрос match используется для поиска документов, которые содержат определенные термины в указанном поле. Это наиболее часто используемый тип запроса для полнотекстового поиска.

curl -X GET "localhost:9200/my_index/_search" -H 'Content-Type: application/json' -d'
{
  "query": {
    "match": {
      "content": "Elasticsearch"
    }
  }
}'

В этом примере мы ищем документы в индексе my_index, которые содержат слово "Elasticsearch" в поле content. Elasticsearch проанализирует поле content и найдет все документы, содержащие данный термин.

Запрос term используется для поиска точных совпадений. В отличие от запроса match, он не анализирует текст, а ищет точное совпадение.

curl -X GET "localhost:9200/my_index/_search" -H 'Content-Type: application/json' -d'
{
  "query": {
    "term": {
      "author": {
        "value": "John Doe"
      }
    }
  }
}'

В этом примере мы ищем документы, в которых поле author точно совпадает со значением "John Doe".

Запрос range используется для поиска документов, значения полей которых находятся в указанном диапазоне.

curl -X GET "localhost:9200/my_index/_search" -H 'Content-Type: application/json' -d'
{
  "query": {
    "range": {
      "published_date": {
        "gte": "2023-01-01",
        "lte": "2023-12-31"
      }
    }
  }
}'

В этом примере мы ищем документы, где дата публикации (published_date) находится в диапазоне от 1 января 2023 года до 31 декабря 2023 года.

Запрос bool позволяет комбинировать несколько условий с помощью операторов must, should, must_not и filter. Это позволяет создавать сложные запросы с множественными условиями.

curl -X GET "localhost:9200/my_index/_search" -H 'Content-Type: application/json' -d'
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "content": "Elasticsearch"
          }
        }
      ],
      "filter": [
        {
          "range": {
            "published_date": {
              "gte": "2024-01-01",
              "lte": "2024-12-31"
            }
          }
        }
      ]
    }
  }
}'

В этом примере мы ищем документы, которые содержат слово "Elasticsearch" в поле content и опубликованы в 2023 году.

Объяснение работы запросов

Запросы в Elasticsearch выполняются в несколько этапов:

1. Анализ и нормализация текста: Elasticsearch анализирует текстовые поля с помощью настроенных анализаторов и нормализует данные, создавая токены.
2. Создание структуры запроса: На основе входных данных и типа запроса создается структура запроса.
3. Поиск по индексу: Elasticsearch ищет документы, соответствующие запросу, в индексах.
4. Ранжирование результатов: Найденные документы ранжируются по релевантности, если это необходимо для типа запроса.
5. Возвращение результатов: Возвращаются найденные документы, соответствующие запросу.

Elasticsearch предоставляет возможности для анализа данных с использованием агрегаций. Аггрегации позволяют вам выполнять сложные вычисления и анализировать большие объемы данных, извлекая из них полезную информацию. В этом подразделе мы рассмотрим основные виды агрегаций и приведем примеры их использования.

Агрегации в Elasticsearch — это механизм, который позволяет выполнять вычисления и группировку данных, аналогично операциям GROUP BY и SUM в реляционных базах данных. Существует множество типов агрегаций, каждая из которых предназначена для выполнения определенных типов вычислений.

Основные виды агрегаций:

1. Метрики (Metric Aggregations)

Метрики позволяют вычислять числовые значения на основе полей документов, такие как суммы, средние значения, минимальные и максимальные значения.

GET /my_index/_search
{
  "size": 0,
  "aggs": {
    "average_views": {
      "avg": {
        "field": "views"
      }
    }
  }
}

В этом примере мы вычисляем среднее значение поля views для всех документов в индексе my_index.

2. Бакеты (Bucket Aggregations)

Бакеты позволяют группировать документы на основе их значений или диапазонов значений, создавая группы (бакеты) данных.

GET /my_index/_search
{
  "size": 0,
  "aggs": {
    "views_histogram": {
      "histogram": {
        "field": "views",
        "interval": 10
      }
    }
  }
}

В этом примере мы создаем гистограмму, которая группирует документы по полю views с интервалом в 10.

3. Дата-агрегации (Date Aggregations)

Дата-агрегации позволяют группировать данные по временным периодам, таким как дни, месяцы или годы.

GET /my_index/_search
{
  "size": 0,
  "aggs": {
    "monthly_posts": {
      "date_histogram": {
        "field": "published_date",
        "calendar_interval": "month"
      }
    }
  }
}

В этом примере мы группируем документы по полю published_date, создавая бакеты для каждого месяца.

4. Терминовые агрегации (Term Aggregations)

Терминовые агрегации позволяют группировать данные по уникальным значениям поля.

GET /my_index/_search
{
  "size": 0,
  "aggs": {
    "authors": {
      "terms": {
        "field": "author.keyword"
      }
    }
  }
}

В этом примере мы группируем документы по уникальным значениям поля author.

Elasticsearch позволяет комбинировать различные агрегации для выполнения более сложных вычислений и анализа.

GET /my_index/_search
{
  "size": 0,
  "aggs": {
    "authors": {
      "terms": {
        "field": "author.keyword"
      },
      "aggs": {
        "average_views": {
          "avg": {
            "field": "views"
          }
        }
      }
    }
  }
}

В этом примере мы сначала группируем документы по авторам, а затем для каждой группы вычисляем среднее значение поля views.

Рассмотрим пример использования агрегаций для анализа данных блога. Предположим, у нас есть индекс blog_posts, в котором хранятся статьи с полями author, published_date, views, и tags.

Пример агрегации для анализа популярных авторов и тегов:

Для начала создадим индекс blog_posts, затем добавим несколько документов, и после этого выполним агрегационный запрос.

Шаг 1: Создание индекса

curl -X PUT "localhost:9200/blog_posts" -H 'Content-Type: application/json' -d'
{
  "mappings": {
    "properties": {
      "author": {
        "type": "keyword"
      },
      "published_date": {
        "type": "date"
      },
      "views": {
        "type": "integer"
      },
      "tags": {
        "type": "keyword"
      }
    }
  }
}'

Шаг 2: Добавление документов

curl -X POST "localhost:9200/blog_posts/_doc/1" -H 'Content-Type: application/json' -d'
{
  "author": "John Doe",
  "published_date": "2024-01-10",
  "views": 150,
  "tags": ["Elasticsearch", "Search"]
}'

curl -X POST "localhost:9200/blog_posts/_doc/2" -H 'Content-Type: application/json' -d'
{
  "author": "Jane Smith",
  "published_date": "2024-02-15",
  "views": 200,
  "tags": ["Elasticsearch", "Analytics"]
}'

curl -X POST "localhost:9200/blog_posts/_doc/3" -H 'Content-Type: application/json' -d'
{
  "author": "John Doe",
  "published_date": "2024-03-20",
  "views": 300,
  "tags": ["Search", "Analytics"]
}'

curl -X POST "localhost:9200/blog_posts/_doc/4" -H 'Content-Type: application/json' -d'
{
  "author": "Emily Clark",
  "published_date": "2024-04-25",
  "views": 250,
  "tags": ["Elasticsearch", "Big Data"]
}'

curl -X POST "localhost:9200/blog_posts/_doc/5" -H 'Content-Type: application/json' -d'
{
  "author": "Jane Smith",
  "published_date": "2024-05-30",
  "views": 350,
  "tags": ["Analytics", "Big Data"]
}'

Шаг 3: Выполнение агрегационного запроса

Теперь выполним агрегационный запрос для анализа популярных авторов и тегов.

curl -X GET "localhost:9200/blog_posts/_search" -H 'Content-Type: application/json' -d'
{
  "size": 0,
  "aggs": {
    "top_authors": {
      "terms": {
        "field": "author",
        "size": 5
      },
      "aggs": {
        "top_tags": {
          "terms": {
            "field": "tags",
            "size": 3
          }
        },
        "average_views": {
          "avg": {
            "field": "views"
          }
        }
      }
    }
  }
}'

Этот запрос вернет топ-5 авторов, для каждого автора топ-3 тега и среднее количество просмотров их статей.

Elasticsearch является инструментом, который можно еще больше расширить и настроить под конкретные задачи с помощью плагинов. Плагины добавляют дополнительную функциональность, такую как анализаторы, обработчики данных, визуализации и инструменты для мониторинга. В этом подразделе мы рассмотрим, как устанавливать и настраивать плагины в Elasticsearch, а также приведем примеры популярных плагинов.

Установка плагинов в Elasticsearch довольно проста. Elasticsearch поставляется с утилитой командной строки elasticsearch-plugin, которая позволяет управлять установкой и удалением плагинов.

• Пример установки плагина:

bin/elasticsearch-plugin install [plugin_name]

• Пример удаления плагина:

bin/elasticsearch-plugin remove [plugin_name]

После установки или удаления плагина необходимо перезапустить узел Elasticsearch для применения изменений.

Рассмотрим несколько популярных плагинов, которые часто используются для расширения функциональности Elasticsearch.

1. Analysis-icu

Плагин analysis-icu предоставляет анализаторы и токенизаторы для работы с текстами на различных языках, используя библиотеку ICU (International Components for Unicode). ICU обеспечивает поддержку для унификации текста, его нормализации, токенизации и других задач, необходимых для качественной обработки текста.

Для установки плагина analysis-icu, выполните следующую команду в директории установки Elasticsearch:

bin/elasticsearch-plugin install analysis-icu

После установки плагина, можно использовать его анализаторы при создании индекса. Например, создадим индекс my_index с использованием icu_analyzer:

curl -X PUT "localhost:9200/my_index" -H 'Content-Type: application/json' -d'
{
  "settings": {
    "analysis": {
      "analyzer": {
        "icu_analyzer": {
          "type": "custom",
          "tokenizer": "icu_tokenizer",
          "filter": ["icu_folding"]
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "content": {
        "type": "text",
        "analyzer": "icu_analyzer"
      }
    }
  }
}'

• Settings: Раздел для настройки анализа текста.
  • analysis: Подраздел для анализа текста.
    • analyzer: Определяет анализаторы текста.
      • icu_analyzer: Кастомный анализатор, который использует icu_tokenizer и icu_folding фильтр.
        • type: Тип анализатора (custom).
        • tokenizer: Токенизатор (icu_tokenizer), который разбивает текст на токены (слова, символы и т.д.).
        • filter: Массив фильтров для обработки токенов.
          • icu_folding: Фильтр для нормализации текста (например, преобразование диакритических знаков).
• Mappings: Раздел для настройки схемы индекса.
  • properties: Определяет свойства полей индекса.
    • content: Поле типа text, которое будет использовать анализатор icu_analyzer.

2. Ingest Attachment

Плагин ingest-attachment позволяет обрабатывать и индексировать файлы различных форматов (PDF, Word, HTML и др.) с использованием Apache Tika. Этот плагин очень полезен для извлечения текста и метаданных из бинарных файлов и их последующей индексации в Elasticsearch.

Для установки плагина ingest-attachment, выполните следующую команду в директории установки Elasticsearch:

bin/elasticsearch-plugin install ingest-attachment

После установки плагина, создайте конвейер, который будет обрабатывать вложения. Конвейер определяет, как обрабатывать документы до их индексирования.

curl -X PUT "localhost:9200/_ingest/pipeline/attachment" -H 'Content-Type: application/json' -d'
{
  "description": "Extract attachment information",
  "processors": [
    {
      "attachment": {
        "field": "data"
      }
    }
  ]
}'

Пояснение конфигурации

• description: Описание конвейера.
• processors: Список процессоров, которые будут применены к документу.
  • attachment: Процессор, который использует ingest-attachment для извлечения информации из вложения.
    • field: Поле, содержащее бинарные данные в формате Base64.

Теперь, когда конвейер создан, можно использовать его для индексации документов. Бинарные данные файла должны быть закодированы в формате Base64 перед отправкой в Elasticsearch.

curl -X PUT "localhost:9200/my_index/_doc/1?pipeline=attachment" -H 'Content-Type: application/json' -d'
{
  "data": "BASE64_ENCODED_FILE_CONTENT"
}'

3. X-Pack

X-Pack — это набор расширений для Elasticsearch, который включает функции безопасности, мониторинга, оповещений, машинного обучения и многое другое. Некоторые функции X-Pack могут быть платными.

С версии Elasticsearch 6.3 и выше, X-Pack входит в стандартный дистрибутив Elasticsearch. Для включения определенных функций требуется настройка конфигурационных файлов.

• Настройка безопасности:

Для включения безопасности необходимо обновить файл конфигурации elasticsearch.yml:

xpack.security.enabled: true

Затем установите пароль для встроенных пользователей:

bin/elasticsearch-setup-passwords interactive

• Мониторинг и оповещения:

Вы можете настроить мониторинг и оповещения через Kibana. Перейдите в раздел "Stack Management" -> "Alerts and Insights" и настройте необходимые оповещения.

4. ElasticSearch Head

Плагин elasticsearch-head — это веб-интерфейс для управления и визуализации вашего кластера Elasticsearch.

Этот плагин работает как отдельное приложение и требует Node.js для установки.

git clone https://github.com/mobz/elasticsearch-head.git
cd elasticsearch-head
npm install
npm run start

После установки вы можете получить доступ к интерфейсу elasticsearch-head по адресу http://localhost:9100.

Оптимизация производительности Elasticsearch является ключевым аспектом для обеспечения высокой скорости обработки запросов и индексации данных, а также для эффективного использования ресурсов. В этом разделе мы обсудим советы и рекомендации по настройке кешей, индексации и поиска для улучшения производительности вашего кластера.

1. Настройка кешей

Кеширование в Elasticsearch позволяет значительно ускорить выполнение запросов и уменьшить нагрузку на кластер. Существуют различные виды кешей, которые можно настроить для улучшения производительности.

1.1 Query Cache

Кеширование запросов (Query Cache) позволяет сохранять результаты часто выполняемых запросов, что уменьшает время их выполнения при повторных запросах.

indices.queries.cache.size: 10%
indices.queries.cache.count: 10000

В этом примере настроен размер кеша запросов в 10% от общего объема памяти и максимальное количество кешируемых запросов в 10000.

1.2 Field Data Cache

Кеширование данных полей (Field Data Cache) используется для полей типа text и keyword, что ускоряет агрегации и сортировку.

indices.fielddata.cache.size: 20%

В этом примере настроен размер кеша данных полей в 20% от общего объема памяти.

2. Оптимизация индексации

Индексация данных является ресурсоемким процессом, который можно оптимизировать для повышения производительности.

2.1 Настройка количества шардов и реплик

Правильный выбор количества шардов и реплик может значительно улучшить производительность индексации.

Рекомендации:

• Используйте меньшее количество шардов для небольших индексов, чтобы уменьшить накладные расходы.
• Увеличивайте количество шардов для больших объемов данных, чтобы распределить нагрузку.
• Настраивайте количество реплик в зависимости от требований к отказоустойчивости и производительности поиска.

2.2 Bulk API

Использование Bulk API для массовой индексации документов позволяет уменьшить накладные расходы и повысить производительность.

POST /my_index/_bulk
{ "index" : { "_id" : "1" } }
{ "title" : "Document 1", "content": "This is the first document." }
{ "index" : { "_id" : "2" } }
{ "title" : "Document 2", "content": "This is the second document." }

2.3 Настройка параметров индексации

Настройка параметров индексации может помочь оптимизировать процесс добавления документов.

index.refresh_interval: 30s
index.number_of_replicas: 1
index.translog.durability: async
index.translog.sync_interval: 30s

В этом примере интервал обновления (refresh interval) установлен на 30 секунд, что уменьшает накладные расходы на обновление индексов.

3. Оптимизация поиска

Поисковые запросы могут быть оптимизированы для улучшения производительности и уменьшения времени выполнения.

3.1 Использование фильтров

Фильтры (filters) эффективнее для выполнения, чем запросы (queries), так как они кешируются. Используйте фильтры вместо запросов, когда это возможно.

GET /my_index/_search
{
  "query": {
    "bool": {
      "must": {
        "match": {
          "content": "Elasticsearch"
        }
      },
      "filter": {
        "term": {
          "status": "published"
        }
      }
    }
  }
}

3.2 Ограничение количества возвращаемых полей

Ограничьте количество возвращаемых полей, чтобы уменьшить объем данных, передаваемых в ответе.

GET /my_index/_search
{
  "_source": ["title", "author"],
  "query": {
    "match_all": {}
  }
}

3.3 Использование пагинации

Используйте пагинацию для обработки больших наборов результатов, чтобы уменьшить нагрузку на систему.

GET /my_index/_search
{
  "from": 0,
  "size": 10,
  "query": {
    "match_all": {}
  }
}

4. Оптимизация аппаратного обеспечения

Аппаратные ресурсы играют важную роль в производительности Elasticsearch. Убедитесь, что ваш кластер имеет достаточно ресурсов, таких как CPU, память и дисковое пространство.

Рекомендации по настройке:

• CPU: Используйте процессоры с высокой тактовой частотой и достаточным количеством ядер для обработки запросов и индексации.
• Память: Убедитесь, что у вас достаточно оперативной памяти для обработки данных и кеширования.
• Диски: Используйте быстрые SSD-диски для хранения данных и журналов транзакций, чтобы уменьшить задержки при чтении и записи.

Оптимизация производительности Elasticsearch включает в себя настройку кешей, индексации и поиска, а также эффективное использование аппаратных ресурсов. Следуя приведенным рекомендациям, вы сможете значительно улучшить производительность вашего кластера, обеспечить высокую скорость обработки запросов и индексации данных, а также оптимально использовать доступные ресурсы. В следующем разделе мы подведем итоги и рассмотрим ключевые моменты, которые помогут вам максимально эффективно использовать Elasticsearch в вашей системе.