windows环境下怎么搭建electricSearch+kibana

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！