kibana Dev Tools语句查询简单使用入门_dev tools es基础查询-程序员宅基地
使用kibana7.0.0的控制台Dev Tools操作ES数据的基本语法入门示例
因为使用的是本地启动的ES库，所以需要先启动ES，然后启动kibana，直接从官网上下载安装启动即可，说明一点就是需先启动ES，在启动kibana，该部分效果以及添加官方示例数据已在之前一篇文章中写过，此处不再重复。
直接点击Dev Tools，来看基本操作
1，输入：GET /
在右侧将看到和启动完ES后在浏览器输入localhost:9200相同的内容
2，创建索引
输入：
说明：因为7版本之后，ES不再支持一个索引（index）可以创建多个类型（type），所以cmcc/后边不再需要写入类型名称，而是统一使用_create代替即可，同样的，查询操作使用_doc代替即可，右侧看到如下图所示类似形式表示创建成功
3，查看刚才创建的索引
输入：GET cmcc/_doc/1
右侧将显示刚才创建的内容，其中_index是刚才创建的索引名称；_type是类型，7版本统一为_doc；_id为创建时的ID，如果创建索引的时候不设置ID，那么ES将默认分配一个ID，不过样式会比较长，不好记忆；_version为版本号，如果我们之后对该数据进行了修改，那么他会随之变化；_source里边就是我们刚才加进去的数据内容
4，删除索引
输入：DELETE cmcc
只需要在DELETE后边加上索引名称即可
5，修改数据
输入：
这里我们修改了"name"值，把"province"和"conutry"值改为中文，并添加了一个新属性"xingbie"，执行之后我们再次执行获取数据内容命令GET cmcc/_doc/1，如下，可以看到数据已经被修改，版本号变成了2
6，bulk方法批量插入数据
输入：
使用POST方法，然后每一条数据的格式是一致的，首先第一行输入 {"index":{"_index":"cmcc"}} ，也就是索引名称，第二行输入要插入的完整数据，这里特别提醒下，插入的这条数据不能使用刚才创建数据时的那种多行形式，只能使用没有回车的一条数据，否则会报错如下：
{
"error": {
"root_cause": [
{
"type": "json_e_o_f_exception",
"reason": "Unexpected end-of-input: expected close marker for Object (start marker at [Source: org.elasticsearch.transport.netty4.ByteBufStreamInput@154857fc; line: 1, column: 1])\n at [Source: org.elasticsearch.transport.netty4.ByteBufStreamInput@154857fc; line: 1, column: 3]"
}
],
"type": "json_e_o_f_exception",
"reason": "Unexpected end-of-input: expected close marker for Object (start marker at [Source: org.elasticsearch.transport.netty4.ByteBufStreamInput@154857fc; line: 1, column: 1])\n at [Source: org.elasticsearch.transport.netty4.ByteBufStreamInput@154857fc; line: 1, column: 3]"
},
"status": 500
}执行完毕后，我们再次获取数据看一下，输入：GET cmcc/_search
结果如下：（不截长图了，就直接贴结果吧>_<）
{
"took" : 374,
"timed_out" : false,
"_shards" : {
"total" : 1,
"successful" : 1,
"skipped" : 0,
"failed" : 0
},
"hits" : {
"total" : {
"value" : 5,
"relation" : "eq"
},
"max_score" : 1.0,
"hits" : [
{
"_index" : "cmcc",
"_type" : "_doc",
"_id" : "1",
"_score" : 1.0,
"_source" : {
"name" : "dunkking",
"age" : 27,
"location" : "SG",
"province" : "河北",
"country" : "中国",
"xingbie" : "mela"
}
},
{
"_index" : "cmcc",
"_type" : "_doc",
"_id" : "9vD-3moBmjOHTfOJtVLL",
"_score" : 1.0,
"_source" : {
"name" : "points",
"age" : 23,
"location" : "PG",
"province" : "江苏",
"country" : "中国",
"xingbie" : "mela"
}
},
{
"_index" : "cmcc",
"_type" : "_doc",
"_id" : "9_D-3moBmjOHTfOJtVLL",
"_score" : 1.0,
"_source" : {
"name" : "rebound",
"age" : 24,
"location" : "SF",
"province" : "广州",
"country" : "中国",
"xingbie" : "mela"
}
},
{
"_index" : "cmcc",
"_type" : "_doc",
"_id" : "-PD-3moBmjOHTfOJtVLL",
"_score" : 1.0,
"_source" : {
"name" : "center",
"age" : 23,
"location" : "C",
"province" : "北京",
"country" : "中国",
"xingbie" : "femela"
}
},
{
"_index" : "cmcc",
"_type" : "_doc",
"_id" : "-fD-3moBmjOHTfOJtVLL",
"_score" : 1.0,
"_source" : {
"name" : "assist",
"age" : 21,
"location" : "PF",
"province" : "广州",
"country" : "中国",
"xingbie" : "famela"
}
}
]
}
}7，按照条件查询
输入：
也就是查询数据中属性"province"为"广州"的数据，结果如下：
{
"took" : 10,
"timed_out" : false,
"_shards" : {
"total" : 1,
"successful" : 1,
"skipped" : 0,
"failed" : 0
},
"hits" : {
"total" : {
"value" : 2,
"relation" : "eq"
},
"max_score" : 1.7509375,
"hits" : [
{
"_index" : "cmcc",
"_type" : "_doc",
"_id" : "9_D-3moBmjOHTfOJtVLL",
"_score" : 1.7509375,
"_source" : {
"name" : "rebound",
"age" : 24,
"location" : "SF",
"province" : "广州",
"country" : "中国",
"xingbie" : "mela"
}
},
{
"_index" : "cmcc",
"_type" : "_doc",
"_id" : "-fD-3moBmjOHTfOJtVLL",
"_score" : 1.7509375,
"_source" : {
"name" : "assist",
"age" : 21,
"location" : "PF",
"province" : "广州",
"country" : "中国",
"xingbie" : "famela"
}
}
]
}
}8，当同一个属性满足逻辑或时的查询
输入：
这里是查询属性"age"等于21或者23的数据，如果看着不舒服，我们可以点击运行按钮右侧的扳手，选择Auto indent，输入效果就会直观一些，
其中，116行固定输入"query"，117行固定输入"bool"，118行输入为"should"，表示是逻辑或的关系，120行为"match"，121行为所要查询的属性名与属性值
执行结果如下
{
"took" : 0,
"timed_out" : false,
"_shards" : {
"total" : 1,
"successful" : 1,
"skipped" : 0,
"failed" : 0
},
"hits" : {
"total" : {
"value" : 3,
"relation" : "eq"
},
"max_score" : 1.0,
"hits" : [
{
"_index" : "cmcc",
"_type" : "_doc",
"_id" : "9vD-3moBmjOHTfOJtVLL",
"_score" : 1.0,
"_source" : {
"name" : "points",
"age" : 23,
"location" : "PG",
"province" : "江苏",
"country" : "中国",
"xingbie" : "mela"
}
},
{
"_index" : "cmcc",
"_type" : "_doc",
"_id" : "-PD-3moBmjOHTfOJtVLL",
"_score" : 1.0,
"_source" : {
"name" : "center",
"age" : 23,
"location" : "C",
"province" : "北京",
"country" : "中国",
"xingbie" : "femela"
}
},
{
"_index" : "cmcc",
"_type" : "_doc",
"_id" : "-fD-3moBmjOHTfOJtVLL",
"_score" : 1.0,
"_source" : {
"name" : "assist",
"age" : 21,
"location" : "PF",
"province" : "广州",
"country" : "中国",
"xingbie" : "famela"
}
}
]
}
}9，多条件查询
输入：
这里是查询属性"age"等于23，并且属性"country"为“中国”的数据，这里和上一条查询的关键区别就在于第98行由"should"改为"must"，执行结果如下：
{
"took" : 1,
"timed_out" : false,
"_shards" : {
"total" : 1,
"successful" : 1,
"skipped" : 0,
"failed" : 0
},
"hits" : {
"total" : {
"value" : 2,
"relation" : "eq"
},
"max_score" : 1.1740228,
"hits" : [
{
"_index" : "cmcc",
"_type" : "_doc",
"_id" : "9vD-3moBmjOHTfOJtVLL",
"_score" : 1.1740228,
"_source" : {
"name" : "points",
"age" : 23,
"location" : "PG",
"province" : "江苏",
"country" : "中国",
"xingbie" : "mela"
}
},
{
"_index" : "cmcc",
"_type" : "_doc",
"_id" : "-PD-3moBmjOHTfOJtVLL",
"_score" : 1.1740228,
"_source" : {
"name" : "center",
"age" : 23,
"location" : "C",
"province" : "北京",
"country" : "中国",
"xingbie" : "femela"
}
}
]
}
}10，范围查询并进行排序
输入：
这里，151行使用"range"，152行输入属性名，153行"gte"和154行"lte"表示查询属性"age"在20-25范围的数据，然后158行表示排序，160行表示排序的属性是"age"，161“order”表示排序为倒序"desc"，执行结果如下：
{
"took" : 0,
"timed_out" : false,
"_shards" : {
"total" : 1,
"successful" : 1,
"skipped" : 0,
"failed" : 0
},
"hits" : {
"total" : {
"value" : 4,
"relation" : "eq"
},
"max_score" : null,
"hits" : [
{
"_index" : "cmcc",
"_type" : "_doc",
"_id" : "9_D-3moBmjOHTfOJtVLL",
"_score" : null,
"_source" : {
"name" : "rebound",
"age" : 24,
"location" : "SF",
"province" : "广州",
"country" : "中国",
"xingbie" : "mela"
},
"sort" : [
24
]
},
{
"_index" : "cmcc",
"_type" : "_doc",
"_id" : "9vD-3moBmjOHTfOJtVLL",
"_score" : null,
"_source" : {
"name" : "points",
"age" : 23,
"location" : "PG",
"province" : "江苏",
"country" : "中国",
"xingbie" : "mela"
},
"sort" : [
23
]
},
{
"_index" : "cmcc",
"_type" : "_doc",
"_id" : "-PD-3moBmjOHTfOJtVLL",
"_score" : null,
"_source" : {
"name" : "center",
"age" : 23,
"location" : "C",
"province" : "北京",
"country" : "中国",
"xingbie" : "femela"
},
"sort" : [
23
]
},
{
"_index" : "cmcc",
"_type" : "_doc",
"_id" : "-fD-3moBmjOHTfOJtVLL",
"_score" : null,
"_source" : {
"name" : "assist",
"age" : 21,
"location" : "PF",
"province" : "广州",
"country" : "中国",
"xingbie" : "famela"
},
"sort" : [
21
]
}
]
}
}11，聚合查询
输入：
使用聚合查询，格式是：170行使用"aggs"，171行为所要查询的属性名，这里查询"age"，173行"field"后边输入属性名，174行为范围，分别在"from"和"to"后边输入要分段的范围，这条请求实现的是统计属性"age"按照20-23,23-25,25-30划分的数据条数分别为多少，如果想要查看满足条件的数据，则将169行"size"值置为非零数，貌似应大于查询条数，具体还没查，这里是不显示满足条件的具体数据，直接置零即可，执行结果如下：
{
"took" : 9,
"timed_out" : false,
"_shards" : {
"total" : 1,
"successful" : 1,
"skipped" : 0,
"failed" : 0
},
"hits" : {
"total" : {
"value" : 5,
"relation" : "eq"
},
"max_score" : null,
"hits" : [ ]
},
"aggregations" : {
"age" : {
"buckets" : [
{
"key" : "20.0-23.0",
"from" : 20.0,
"to" : 23.0,
"doc_count" : 1
},
{
"key" : "23.0-25.0",
"from" : 23.0,
"to" : 25.0,
"doc_count" : 3
},
{
"key" : "25.0-30.0",
"from" : 25.0,
"to" : 30.0,
"doc_count" : 1
}
]
}
}
}聚合查询的另外一个示例
输入：
这条请求是查询属性"province"的统计结果，这里是统计5条数据，并显示其中2条，并在197行"field"后输入属性名，并在其后添加 .keyword，查询结果如下
{
"took" : 0,
"timed_out" : false,
"_shards" : {
"total" : 1,
"successful" : 1,
"skipped" : 0,
"failed" : 0
},
"hits" : {
"total" : {
"value" : 5,
"relation" : "eq"
},
"max_score" : 1.0,
"hits" : [
{
"_index" : "cmcc",
"_type" : "_doc",
"_id" : "1",
"_score" : 1.0,
"_source" : {
"name" : "dunkking",
"age" : 27,
"location" : "SG",
"province" : "河北",
"country" : "中国",
"xingbie" : "mela"
}
},
{
"_index" : "cmcc",
"_type" : "_doc",
"_id" : "9vD-3moBmjOHTfOJtVLL",
"_score" : 1.0,
"_source" : {
"name" : "points",
"age" : 23,
"location" : "PG",
"province" : "江苏",
"country" : "中国",
"xingbie" : "mela"
}
}
]
},
"aggregations" : {
"province" : {
"doc_count_error_upper_bound" : 0,
"sum_other_doc_count" : 0,
"buckets" : [
{
"key" : "广州",
"doc_count" : 2
},
{
"key" : "北京",
"doc_count" : 1
},
{
"key" : "江苏",
"doc_count" : 1
},
{
"key" : "河北",
"doc_count" : 1
}
]
}
}
}暂时写这么多，刚开始学，很多不熟悉的，后续有时间慢慢补充
智能推荐
分布式光纤传感器的全球与中国市场2022-2028年：技术、参与者、趋势、市场规模及占有率研究报告_预计2026年中国分布式传感器市场规模有多大-程序员宅基地
文章浏览阅读3.2k次。本文研究全球与中国市场分布式光纤传感器的发展现状及未来发展趋势，分别从生产和消费的角度分析分布式光纤传感器的主要生产地区、主要消费地区以及主要的生产商。重点分析全球与中国市场的主要厂商产品特点、产品规格、不同规格产品的价格、产量、产值及全球和中国市场主要生产商的市场份额。主要生产商包括：FISO TechnologiesBrugg KabelSensor HighwayOmnisensAFL GlobalQinetiQ GroupLockheed MartinOSENSA Innovati_预计2026年中国分布式传感器市场规模有多大
07_08 常用组合逻辑电路结构——为IC设计的延时估计铺垫_基4布斯算法代码-程序员宅基地
文章浏览阅读1.1k次，点赞2次，收藏12次。常用组合逻辑电路结构——为IC设计的延时估计铺垫学习目的：估计模块间的delay，确保写的代码的timing 综合能给到多少HZ，以满足需求！_基4布斯算法代码
OpenAI Manager助手（基于SpringBoot和Vue）_chatgpt网页版-程序员宅基地
文章浏览阅读3.3k次，点赞3次，收藏5次。OpenAI Manager助手（基于SpringBoot和Vue）_chatgpt网页版
关于美国计算机奥赛USACO，你想知道的都在这_usaco可以多次提交吗-程序员宅基地
文章浏览阅读2.2k次。USACO自1992年举办，到目前为止已经举办了27届，目的是为了帮助美国信息学国家队选拔IOI的队员，目前逐渐发展为全球热门的线上赛事，成为美国大学申请条件下，含金量相当高的官方竞赛。USACO的比赛成绩可以助力计算机专业留学，越来越多的学生进入了康奈尔，麻省理工，普林斯顿，哈佛和耶鲁等大学，这些同学的共同点是他们都参加了美国计算机科学竞赛（USACO)，并且取得过非常好的成绩。适合参赛人群USACO适合国内在读学生有意向申请美国大学的或者想锻炼自己编程能力的同学，高三学生也可以参加12月的第_usaco可以多次提交吗
MySQL存储过程和自定义函数_mysql自定义函数和存储过程-程序员宅基地
文章浏览阅读394次。1.1 存储程序1.2 创建存储过程1.3 创建自定义函数1.3.1 示例1.4 自定义函数和存储过程的区别1.5 变量的使用1.6 定义条件和处理程序1.6.1 定义条件1.6.1.1 示例1.6.2 定义处理程序1.6.2.1 示例1.7 光标的使用1.7.1 声明光标1.7.2 打开光标1.7.3 使用光标1.7.4 关闭光标1.8 流程控制的使用1.8.1 IF语句1.8.2 CASE语句1.8.3 LOOP语句1.8.4 LEAVE语句1.8.5 ITERATE语句1.8.6 REPEAT语句。_mysql自定义函数和存储过程
半导体基础知识与PN结_本征半导体电流为0-程序员宅基地
文章浏览阅读188次。半导体二极管——集成电路最小组成单元。_本征半导体电流为0
随便推点
【Unity3d Shader】水面和岩浆效果_unity 岩浆shader-程序员宅基地
文章浏览阅读2.8k次，点赞3次，收藏18次。游戏水面特效实现方式太多。咱们这边介绍的是一最简单的UV动画（无顶点位移），整个mesh由4个顶点构成。实现了水面效果（左图），不动代码稍微修改下参数和贴图可以实现岩浆效果（右图）。有要思路是1，uv按时间去做正弦波移动2，在1的基础上加个凹凸图混合uv3，在1、2的基础上加个水流方向4，加上对雾效的支持，如没必要请自行删除雾效代码(把包含fog的几行代码删除)S..._unity 岩浆shader
广义线性模型——Logistic回归模型（1）_广义线性回归模型-程序员宅基地
文章浏览阅读5k次。广义线性模型是线性模型的扩展，它通过连接函数建立响应变量的数学期望值与线性组合的预测变量之间的关系。广义线性模型拟合的形式为：其中g(μY)是条件均值的函数（称为连接函数）。另外，你可放松Y为正态分布的假设，改为Y 服从指数分布族中的一种分布即可。设定好连接函数和概率分布后，便可以通过最大似然估计的多次迭代推导出各参数值。在大部分情况下，线性模型就可以通过一系列连续型或类别型预测变量来预测正态分布的响应变量的工作。但是，有时候我们要进行非正态因变量的分析，例如：（1）类别型.._广义线性回归模型
HTML+CSS大作业 环境网页设计与实现(垃圾分类) web前端开发技术 web课程设计 网页规划与设计_垃圾分类网页设计目标怎么写-程序员宅基地
文章浏览阅读69次。环境保护、 保护地球、 校园环保、垃圾分类、绿色家园、等网站的设计与制作。 总结了一些学生网页制作的经验：一般的网页需要融入以下知识点：div+css布局、浮动、定位、高级css、表格、表单及验证、js轮播图、音频 视频 Flash的应用、ul li、下拉导航栏、鼠标划过效果等知识点，网页的风格主题也很全面：如爱好、风景、校园、美食、动漫、游戏、咖啡、音乐、家乡、电影、名人、商城以及个人主页等主题，学生、新手可参考下方页面的布局和设计和HTML源码（有用点赞△） 一套A+的网_垃圾分类网页设计目标怎么写
C# .Net 发布后,把dll全部放在一个文件夹中,让软件目录更整洁_.net dll 全局目录-程序员宅基地
文章浏览阅读614次，点赞7次，收藏11次。之前找到一个修改 exe 中 DLL地址 的方法, 不太好使,虽然能正确启动, 但无法改变 exe 的工作目录,这就影响了.Net 中很多获取 exe 执行目录来拼接的地址 ( 相对路径 ),比如 wwwroot 和 代码中相对目录还有一些复制到目录的普通文件 等等,它们的地址都会指向原来 exe 的目录, 而不是自定义的 “lib” 目录,根本原因就是没有修改 exe 的工作目录这次来搞一个启动程序,把 .net 的所有东西都放在一个文件夹,在文件夹同级的目录制作一个 exe._.net dll 全局目录
BRIEF特征点描述算法_breif description calculation 特征点-程序员宅基地
文章浏览阅读1.5k次。本文为转载，原博客地址：http://blog.csdn.net/hujingshuang/article/details/46910259简介 BRIEF是2010年的一篇名为《BRIEF:Binary Robust Independent Elementary Features》的文章中提出，BRIEF是对已检测到的特征点进行描述，它是一种二进制编码的描述子，摈弃了利用区域灰度..._breif description calculation 特征点
房屋租赁管理系统的设计和实现，SpringBoot计算机毕业设计论文_基于spring boot的房屋租赁系统论文-程序员宅基地
文章浏览阅读4.1k次，点赞21次，收藏79次。本文是《基于SpringBoot的房屋租赁管理系统》的配套原创说明文档，可以给应届毕业生提供格式撰写参考，也可以给开发类似系统的朋友们提供功能业务设计思路。_基于spring boot的房屋租赁系统论文