掌握ES数据建模

1.将所有有关联关系的数据，放在一个doc json类型数据中。冗余数据，将可能会进行搜索的条件和要搜索的数据，放在一个doc中。一般来说，对于es这种NoSQL类型的数据存储来讲，都是冗余模式
        {
                "deptId": "1",
                "name": "研发部门",
                "desc": "负责公司的所有研发项目",
                "employees": [
                        {
                                "empId": "1",
                                "name": "张三",
                                "age": 28,
                                "gender": "男"
                        },
                        {
                                "empId": "2",
                                "name": "王兰",
                                "age": 25,
                                "gender": "女"
                        }

        }
        优点：性能高，不需要执行两次搜索
        缺点：数据冗余，维护成本高
2.在构造数据模型的时候，将有关联关系的数据，然后分割为不同的实体
        PUT /website/users/1
        {
          "name":     "小鱼儿",
          "email":    "xiaoyuer@sina.com",
          "birthday":      "1980-01-01"
        }
        PUT /website/blogs/1
        {
          "title":    "我的第一篇博客",
          "content":     "这是我的第一篇博客，开通啦！！！"
          "userId":     1
        }
        优点：数据不冗余，维护方便
        缺点：应用层join，如果关联数据过多，导致查询过大，性能很差
3.基于nested object实现博客与评论嵌套关系
        修改mapping，将comments的类型从object设置为nested
        PUT /website
        {
          "mappings": {
                "blogs": {
                  "properties": {
                        "comments": {
                          "type": "nested",
                          "properties": {
                                "name":    { "type": "string"  },
                                "comment": { "type": "string"  },
                                "age":     { "type": "short"   },
                                "stars":   { "type": "short"   },
                                "date":    { "type": "date"    }
                          }
                        }
                  }
                }
          }
        }
  基于nested object中的数据进行聚合分析：
  GET /website/blogs/_search
        {
          "size": 0,
          "aggs": {
                "comments_path": {
                  "nested": {
                        "path": "comments"
                  },
                  "aggs": {
                        "group_by_comments_age": {
                          "histogram": {
                                "field": "comments.age",
                                "interval": 10
                          },
                          "aggs": {
                                "reverse_path": {
                                  "reverse_nested": {},
                                  "aggs": {
                                        "group_by_tags": {
                                          "terms": {
                                                "field": "tags.keyword"
                                          }
                                        }
                                  }
                                }
                          }
                        }
                  }
                }
          }
        }
4.父子关系数据模型
相对于nested数据模型来说，优点是父doc和子doc互相之间不会影响
要点：父子关系元数据映射，用于确保查询时候的高性能，但是有一个限制，就是父子数据必须存在于一个shard中
例：PUT /company
        {
          "mappings": {
                "rd_center": {},
                "employee": {
                  "_parent": {
                        "type": "rd_center"
                  }
                }
          }
        }
        PUT /company/employee/1?parent=1
        {
          "name":  "张三",
          "birthday":   "1970-10-24",
          "hobby": "爬山"
        }
        例：搜索有1980年以后出生的员工的研发中心：
        GET /company/rd_center/_search
        {
          "query": {
                "has_child": {
                  "type": "employee",
                  "query": {
                        "range": {
                          "birthday": {
                                "gte": "1980-01-01"
                          }
                        }
                  }
                }
          }
        }
        例：搜索有至少2个以上员工的研发中心
        GET /company/rd_center/_search
        {
          "query": {
                "has_child": {
                  "type":         "employee",
                  "min_children": 2,
                  "query": {
                        "match_all": {}
                  }
                }
          }
        }
        例：搜索在中国的研发中心的员工：
        GET /company/employee/_search
        {
          "query": {
                "has_parent": {
                  "parent_type": "rd_center",
                  "query": {
                        "term": {
                          "country.keyword": "中国"
                        }
                  }
                }
          }
        }
        例：统计每个国家的喜欢每种爱好的员工有多少个
        GET /company/rd_center/_search
        {
          "size": 0,
          "aggs": {
                "group_by_country": {
                  "terms": {
                        "field": "country.keyword"
                  },
                  "aggs": {
                        "group_by_child_employee": {
                          "children": {
                                "type": "employee"
                          },
                          "aggs": {
                                "group_by_hobby": {
                                  "terms": {
                                        "field": "hobby.keyword"
                                  }
                                }
                          }
                        }
                  }
                }
          }
        }
5.祖孙三层数据模型
        country -> rd_center -> employee
        PUT /company
        {
          "mappings": {
                "country": {},
                "rd_center": {
                  "_parent": {
                        "type": "country"
                  }
                },
                "employee": {
                  "_parent": {
                        "type": "rd_center"
                  }
                }
          }
        }
        PUT /company/employee/1?parent=1&routing=1
        routing参数必须跟grandparent相同
6.数据建模之悲观锁的并发控制，3种锁粒度
官方文档参考地址：
https://www.elastic.co/guide/cn/elasticsearch/guide/current/concurrency-solutions.html
①全局锁，直接锁掉整个fs index
PUT /fs/lock/global/_create
{}
DELETE /fs/lock/global
优点：操作非常简单，非常容易使用，成本低
缺点：你直接就把整个index给上锁了，这个时候对index中所有的doc的操作，都会被block住，导致整个系统的并发能力很低
②文档锁 document level锁
③共享锁：这份数据是共享的，然后多个线程过来，都可以获取同一个数据的共享锁，然后对这个数据执行读操作（读）
  排他锁：是排他的操作，只能一个线程获取排他锁，然后执行增删改操作（写）
  总结：如果只是要读取数据，任意个线程都可以同时进来然后读取数据，每个线程都可以上一个共享锁。
      如果有线程要过来修改数据，会尝试上排他锁，排他锁跟共享锁互斥，即，如果有人已经上了共享锁了，那么排他锁就不能上。
      如果有人在读数据，就不允许别人来修改数据。反之，也是一样的。
---------------------
作者：带你去学习
来源：CSDN
原文：https://blog.csdn.net/zhou870498/article/details/80514950