本文主要向大家介绍了【云计算】Elasticsearch6.xMapping设置解析，通过具体的内容向大家展现，希望对大家学习云计算有所帮助。

Mapping

类似于数据库中的表结构定义，主要作用如下：

定义Index下字段名(Fie1.数据分析可划分为： 描述性数据分析、 探索性数据分析 、 验证性数据分析。

描述性数据分析属于初级数据分析，我们平时用到或者应用的主要就是这个层面，

探索性分析属于高级数据分析，一般我们处理分析数据的时候，要求得到相关需求的结果，在可控范围内，而探索性分析更加注重于在处理分析数据的时候，得到一些新的结果，甚至有些时候的探索性分析从开始就没有去固化它的结果，而是要求这些结果的特征就是侧重于在数据之中发现新的特征。

验证性数据分析则重点在于验证上面，我们有时会在分析之前对于结果有一个自己的估计与假设，但是这个假设需要来验证，而验证性数据分析则侧重于验证已有假设的真伪证明。

我们日常学习和工作中所涉及的数据分析主要是描述性数据分析

2.那么数据分析目前在企业中都有哪些作用呢?

商业领域，数据分析的目的就是把隐藏在数据背后的，具有很高的潜在价值的，对企业效益有重大影响的数据挖掘出来，分析其内部的关联规律。主要体现在三个方面。

对于现状的分析：

通过对目前企业的各个指标数据，来确定目前企业的状态好坏。和截止到目前企业的发展程度。这里有个疑问就是目前企业的好坏不通过数据分析不是也可以感知出来吗?但是如果企业的规模很大，结构很复杂，通过个人的感知是很难判断出目前企业状态的好坏的细微变化的，而且也会出现巨大的误差和误判，并且准确程度也会大大的下降，

对于原因的分析：

对现状的分析是可以客观的就是原因的分析，比如一个运营良好的企业，对现状分析是不仅仅得到成功因素还可以得到目前的不足之处在哪里，然后提高哪些方面，对于运营不好的企业，对现状分析是不仅仅可以得到企业的不足之处，还可以得到哪些是企业不错的地方，可以利用这个优点进行切入，提高效益和该企业工作者的信心。

对于预测的分析：

我们通过对企业数据的分析，找到其数据结构的一些规律，还有数据的全面性的体现，可以对企业的发展趋势，未来如何规划，效益的预测做出决策

数据分析方法论与数据分析方法

我们在做数据分析的时候要想得到的结果更有意义，更贴合我们的需求的时候，就要用到更科学的分析方法论，不是把数据拿过来就随意的分析，这样不科学也不专业。方法论使我们分析的时候更加的客观，认知的方向更加的正确，数据分析方法论是在宏观角度指导你，

数据分析方法是指具体的分析方法，比如对比分析，交叉分析，回归分析，聚合分析，一些计算的算法(比如求数据的方差，求导，求极值)这个是微观层面的

常用的数据分析方法论有哪些呢?

用户行为理论

这个也是目前应用程度最广的理论，主要体现在用户对于我们产品的依赖程

度，举一个例子：我们对于不同的手机app都有不同依赖程度，男生对于游戏类的依赖程度大于女生，女生对于购物类依赖大于男生，而同一个人对于不同的app也会有不同程度的依赖，可能是感知，使用，熟悉，到迷恋其中的一个。而数据分析师所要做的就是如何让用户达到对自己产品迷恋程度。成为忠实用户，这就分析哪些比如处于感知类型的用户，假如他们离开了。那么为什么离开?原因是什么?找到了原因之后应该如何更改自己的产品。

PEST分析法

这个分析法是比较宏观的，pest是四个单词 政治(political).经济(economi).社会(social)和技术(technolog)的缩写，对于现在来说几乎无论我们在分析什么类型的企业数据的时候，最后的结果与结论都受到这四个因素的影响，所以在分析的时候在吧这四个因素考虑进去。

5w2h分析法

其实就是英文的缩写 why where when what who how how much 这个分析方法适用性强大，当主观用这个分析方法的时候往往是最快速进入分析层面的手段。

数据分析的步骤

大致分为：收集，处理，分析，展现(数据可视化)，撰写报告

但是在我们做所有事情之前要先明确我们的最终目的与处理分析数据大致思路。

收集阶段：

采集的数据要切合自己的产品，要相关与或者影响与自己的最终结果。一般情况下产品产生的数据库中的数据都是可采集的，还有就是结合当前消费市场用户行为的数据，用户在互联网遗留下来的数据，和相关类似产品的社会市场调查数据也是在可采集的范畴。

处理阶段：

采集来的数据要进行清洗，去杂，提取，计算。因为采集的渠道不同，方式不同，录入数据的存储格式不同所以要统一规划，

分析阶段：

这里通常在确定方法论前提下是通过很多不同的软件来实现，本质是从数据里面发现价值，

数据挖掘也是属于数据分析，但是数据挖掘是属于比较高级的数据分析方法，它更加注重于：分类、聚类、关联和预测，重点在寻找模式和规律。

展现阶段：

现在一般都是通过图表的形式，在得到结论以后，用比较流行的大数据可视化工具战象出来，让数据更加的易懂

撰写报告：

就是把整个阶段做一个总结，在报告里面不仅仅要写经过分析找到最开始产生问题的原因，最好写上建议以便于企业用来决策。ld Name) 定义字段的类型，比如数值型，字符串型、布尔型等 定义倒排索引的相关配置，比如是否索引、记录postion等

需要注意的是，在索引中定义太多字段可能会导致索引膨胀，出现内存不足和难以恢复的情况，下面有几个设置：

index.mapping.total_fields.limit：一个索引中能定义的字段的最大数量，默认是 1000 index.mapping.depth.limit：字段的最大深度，以内部对象的数量来计算，默认是20 index.mapping.nested_fields.limit：索引中嵌套字段的最大数量，默认是50

数据类型

核心数据类型

字符串 - text

用于全文索引，该类型的字段将通过分词器进行分词，最终用于构建索引 字符串 - keyword

不分词，只能搜索该字段的完整的值，只用于 filtering 数值型

long：有符号64-bit integer：-2^63 ~ 2^63 - 1 integer：有符号32-bit integer，-2^31 ~ 2^31 - 1 short：有符号16-bit integer，-32768 ~ 32767 byte： 有符号8-bit integer，-128 ~ 127 double：64-bit IEEE 754 浮点数 float：32-bit IEEE 754 浮点数 half_float：16-bit IEEE 754 浮点数 scaled_float 布尔 - boolean

值：false, “false”, true, “true” 日期 - date

由于Json没有date类型，所以es通过识别字符串是否符合format定义的格式来判断是否为date类型 format默认为：strict_date_optional_time||epoch_millis format 二进制 - binary

该类型的字段把值当做经过 base64 编码的字符串，默认不存储，且不可搜索 范围类型

范围类型表示值是一个范围，而不是一个具体的值 譬如 age 的类型是 integer_range，那么值可以是 {“gte” : 10, “lte” : 20};搜索 “term” : {“age”: 15} 可以搜索该值;搜索 “range”: {“age”: {“gte”:11, “lte”: 15}} 也可以搜索到 range参数 relation 设置匹配模式

INTERSECTS ：默认的匹配模式，只要搜索值与字段值有交集即可匹配到 WITHIN：字段值需要完全包含在搜索值之内，也就是字段值是搜索值的子集才能匹配 CONTAINS：与WITHIN相反，只搜索字段值包含搜索值的文档 integer_range float_range long_range double_range date_range：64-bit 无符号整数，时间戳(单位：毫秒) ip_range：IPV4 或 IPV6 格式的字符串

# 创建range索引

PUT range_index

{

"mappings": {

"_doc": {

"properties": {

"expected_attendees": {

"type": "integer_range"

},

"time_frame": {

"type": "date_range",

"format": "yyyy-MM-dd HH:mm:ss||yyyy-MM-dd||epoch_millis"

}

}

}

}

}

# 插入一个文档

PUT range_index/_doc/1

{

"expected_attendees" : {

"gte" : 10,

"lte" : 20

},

"time_frame" : {

"gte" : "2015-10-31 12:00:00",

"lte" : "2015-11-05"

}

}

# 12在 10~20的范围内，可以搜索到文档1

GET range_index/_search

{

"query" : {

"term" : {

"expected_attendees" : {

"value": 12

}

}

}

}

# within可以搜索到文档

# 可以修改日期，然后分别对比CONTAINS，WITHIN，INTERSECTS的区别

GET range_index/_search

{

"query" : {

"range" : {

"time_frame" : {

"gte" : "2015-11-02",

"lte" : "2015-11-03",

"relation" : "within"

}

}

}

}

复杂数据类型

数组类型 Array

字符串数组 [ “one”, “two” ] 整数数组 [ 1, 2 ] 数组的数组 [ 1, [ 2, 3 ]]，相当于 [ 1, 2, 3 ] Object对象数组 [ { “name”: “Mary”, “age”: 12 }, { “name”: “John”, “age”: 10 }] 同一个数组只能存同类型的数据，不能混存，譬如 [ 10, “some string” ] 是错误的 数组中的 null 值将被 null_value 属性设置的值代替或者被忽略 空数组 [] 被当做 missing field 处理 对象类型 Object

对象类型可能有内部对象 被索引的形式为：manager.name.first

# tags字符串数组，lists 对象数组

PUT my_index/_doc/1

{

"message": "some arrays in this document...",

"tags": [ "elasticsearch", "wow" ],

"lists": [

{

"name": "prog_list",

"description": "programming list"

},

{

"name": "cool_list",

"description": "cool stuff list"

}

]

}

嵌套类型 Nested

nested 类型是一种对象类型的特殊版本，它允许索引对象数组，独立地索引每个对象

嵌套类型与Object类型的区别

通过例子来说明:

1.插入一个文档，不设置mapping，此时 user 字段被自动识别为对象数组

DELETE my_index

PUT my_index/_doc/1

{

"group" : "fans",

"user" : [

{

"first" : "John",

"last" : "Smith"

},

{

"first" : "Alice",

"last" : "White"

}

]

}

2.查询 user.first为 Alice，user.last 为 Smith的文档，理想中应该找不到匹配的文档

3.结果是查到了文档1，为什么呢?

GET my_index/_search

{

"query": {

"bool": {

"must": [

{ "match": { "user.first": "Alice" }},

{ "match": { "user.last": "Smith" }}

]

}

}

}

4.是由于Object对象类型在内部被转化成如下格式的文档：

{

"group" : "fans",

"user.first" : [ "alice", "john" ],

"user.last" : [ "smith", "white" ]

}

5.user.first 和 user.last 扁平化为多值字段，alice 和 white 的关联关系丢失了。导致这个文档错误地匹配对 alice 和 smith 的查询

6.如果最开始就把user设置为 nested 嵌套对象呢?

DELETE my_index

PUT my_index

{

"mappings": {

"_doc": {

"properties": {

"user": {

"type": "nested"

}

}

}

}

}

PUT my_index/_doc/1

{

"group": "fans",

"user": [

{

"first": "John",

"last": "Smith"

},

{

"first": "Alice",

"last": "White"

}

]

}

7.再来进行查询，可以发现以下第一个查不到文档，第二个查询到文档1，符合我们预期

GET my_index/_search

{

"query": {

"nested": {

"path": "user",

"query": {

"bool": {

"must": [

{ "match": { "user.first": "Alice" }},

{ "match": { "user.last": "Smith" }}

]

}

}

}

}

}

GET my_index/_search

{

"query": {

"nested": {

"path": "user",

"query": {

"bool": {

"must": [

{ "match": { "user.first": "Alice" }},

{ "match": { "user.last": "White" }}

]

}

},

"inner_hits": {

"highlight": {

"fields": {

"user.first": {}

}

}

}

}

}

}

8.nested对象将数组中每个对象作为独立隐藏文档来索引，这意味着每个嵌套对象都可以独立被搜索

9.需要注意的是：

使用 nested 查询来搜索 使用 nested 和 reverse_nested 聚合来分析 使用 nested sorting 来排序 使用 nested inner hits 来检索和高亮

地理位置数据类型

geo_point

地理位置，其值可以有如下四中表现形式：

object对象：”location”: {“lat”: 41.12, “lon”: -71.34} 字符串：”location”: “41.12,-71.34” geohash：”location”: “drm3btev3e86” 数组：”location”: [ -71.34, 41.12 ] 查询的时候通过 Geo Bounding Box Query 进行查询 geo_shape

专用数据类型

记录IP地址 ip 实现自动补全 completion 记录分词数 token_count 记录字符串hash值 murmur3 Percolator

# ip类型，存储IP

PUT my_index

{

"mappings": {

"_doc": {

"properties": {

"ip_addr": {

"type": "ip"

}

}

}

}

}

PUT my_index/_doc/1

{

"ip_addr": "192.168.1.1"

}

GET my_index/_search

{

"query": {

"term": {

"ip_addr": "192.168.0.0/16"

}

}

}

多字段特性 multi-fields

允许对同一个字段采用不同的配置，比如分词，常见例子如对人名实现拼音搜索，只需要在人名中新增一个子字段为 pinyin 即可 通过参数 fields 设置

设置Mapping

GET my_index/_mapping

# 结果

{

"my_index": {

"mappings": {

"doc": {

"properties": {

"age": {

"type": "integer"

},

"created": {

"type": "date"

},

"name": {

"type": "text"

},

"title": {

"type": "text"

}

}

}

}

}

}

Mapping参数

analyzer

分词器，默认为standard analyzer，当该字段被索引和搜索时对字段进行分词处理

boost

字段权重，默认为1.0

dynamic

Mapping中的字段类型一旦设定后，禁止直接修改，原因是：Lucene实现的倒排索引生成后不允许修改 只能新建一个索引，然后reindex数据 默认允许新增字段 通过dynamic参数来控制字段的新增：

true(默认)允许自动新增字段 false 不允许自动新增字段，但是文档可以正常写入，但无法对新增字段进行查询等操作 strict 文档不能写入，报错

PUT my_index

{

"mappings": {

"_doc": {

"dynamic": false,

"properties": {

"user": {

"properties": {

"name": {

"type": "text"

},

"social_networks": {

"dynamic": true,

"properties": {}

}

}

}

}

}

}

}

定义后my_index这个索引下不能自动新增字段，但是在user.social_networks下可以自动新增子字段

copy_to

将该字段复制到目标字段，实现类似_all的作用 不会出现在_source中，只用来搜索

DELETE my_index

PUT my_index

{

"mappings": {

"doc": {

"properties": {

"first_name": {

"type": "text",

"copy_to": "full_name"

},

"last_name": {

"type": "text",

"copy_to": "full_name"

},

"full_name": {

"type": "text"

}

}

}

}

}

PUT my_index/doc/1

{

"first_name": "John",

"last_name": "Smith"

}

GET my_index/_search

{

"query": {

"match": {

"full_name": {

"query": "John Smith",

"operator": "and"

}

}

}

}

index

控制当前字段是否索引，默认为true，即记录索引，false不记录，即不可搜索

index_options

index_options参数控制将哪些信息添加到倒排索引，以用于搜索和突出显示，可选的值有：docs，freqs，positions，offsets docs：只索引 doc id freqs：索引 doc id 和词频，平分时可能要用到词频 positions：索引 doc id、词频、位置，做 proximity or phrase queries 时可能要用到位置信息 offsets：索引doc id、词频、位置、开始偏移和结束偏移，高亮功能需要用到offsets

fielddata

是否预加载 fielddata，默认为false Elasticsearch第一次查询时完整加载这个字段所有 Segment 中的倒排索引到内存中 如果我们有一些 5 GB 的索引段，并希望加载 10 GB 的 fielddata 到内存中，这个过程可能会要数十秒 将 fielddate 设置为 true ,将载入 fielddata 的代价转移到索引刷新的时候，而不是查询时，从而大大提高了搜索体验 参考：预加载 fielddata

eager_global_ordinals

是否预构建全局序号，默认false 参考：预构建全局序号(Eager global ordinals)

doc_values

参考：Doc Values and Fielddata

fields

该参数的目的是为了实现 multi-fields 一个字段，多种数据类型 譬如：一个字段 city 的数据类型为 text ，用于全文索引，可以通过 fields 为该字段定义 keyword 类型，用于排序和聚合

# 设置 mapping

PUT my_index

{

"mappings": {

"_doc": {

"properties": {

"city": {

"type": "text",

"fields": {

"raw": {

"type": "keyword"

}

}

}

}

}

}

}

# 插入两条数据

PUT my_index/_doc/1

{

"city": "New York"

}

PUT my_index/_doc/2

{

"city": "York"

}

# 查询，city用于全文索引 match，city.raw用于排序和聚合

GET my_index/_search

{

"query": {

"match": {

"city": "york"

}

},

"sort": {

"city.raw": "asc"

},

"aggs": {

"Cities": {

"terms": {

"field": "city.raw"

}

}

}

}

format

由于JSON没有date类型，Elasticsearch预先通过format参数定义时间格式，将匹配的字符串识别为date类型，转换为时间戳(单位：毫秒) format默认为：strict_date_optional_time||epoch_millis Elasticsearch内建的时间格式: 名称格式

epoch_millis时间戳(单位：毫秒)

epoch_second时间戳(单位：秒)

date_optional_time

basic_dateyyyyMMdd

basic_date_timeyyyyMMdd’T’HHmmss.SSSZ

basic_date_time_no_millisyyyyMMdd’T’HHmmssZ

basic_ordinal_dateyyyyDDD

basic_ordinal_date_timeyyyyDDD’T’HHmmss.SSSZ

basic_ordinal_date_time_no_millisyyyyDDD’T’HHmmssZ

basic_timeHHmmss.SSSZ

basic_time_no_millisHHmmssZ

basic_t_time‘T’HHmmss.SSSZ

basic_t_time_no_millis‘T’HHmmssZ

上述名称加前缀 strict_ 表示为严格格式 更多的查看文档

properties

用于_doc，object和nested类型的字段定义子字段

PUT my_index

{

"mappings": {

"_doc": {

"properties": {

"manager": {

"properties": {

"age": { "type": "integer" },

"name": { "type": "text" }

}

},

"employees": {

"type": "nested",

"properties": {

"age": { "type": "integer" },

"name": { "type": "text" }

}

}

}

}

}

}

PUT my_index/_doc/1

{

"region": "US",

"manager": {

"name": "Alice White",

"age": 30

},

"employees": [

{

"name": "John Smith",

"age": 34

},

{

"name": "Peter Brown",

"age": 26

}

]

}

normalizer

与 analyzer 类似，只不过 analyzer 用于 text 类型字段，分词产生多个 token，而 normalizer 用于 keyword 类型，只产生一个 token(整个字段的值作为一个token，而不是分词拆分为多个token)

定义一个自定义 normalizer，使用大写uppercase过滤器

PUT test_index_4

{

"settings": {

"analysis": {

"normalizer": {

"my_normalizer": {

"type": "custom",

"char_filter": [],

"filter": ["uppercase", "asciifolding"]

}

}

}

},

"mappings": {

"_doc": {

"properties": {

"foo": {

"type": "keyword",

"normalizer": "my_normalizer"

}

}

}

}

}

# 插入数据

POST test_index_4/_doc/1

{

"foo": "hello world"

}

POST test_index_4/_doc/2

{

"foo": "Hello World"

}

POST test_index_4/_doc/3

{

"foo": "hello elasticsearch"

}

# 搜索hello，结果为空，而不是3条!!

GET test_index_4/_search

{

"query": {

"match": {

"foo": "hello"

}

}

}

# 搜索 hello world，结果2条，1 和 2

GET test_index_4/_search

{

"query": {

"match": {

"foo": "hello world"

}

}

}

其他字段

coerce

强制类型转换，把json中的值转为ES中字段的数据类型，譬如：把字符串”5”转为integer的5 coerce默认为 true 如果coerce设置为 false，当json的值与es字段类型不匹配将会 rejected 通过 “settings”: { “index.mapping.coerce”: false } 设置索引的 coerce enabled

是否索引，默认为 true 可以在_doc和字段两个粒度进行设置 ignore_above

设置能被索引的字段的长度 超过这个长度，该字段将不被索引，所以无法搜索，但聚合的terms可以看到 null_value

该字段定义遇到null值时的处理策略，默认为Null，即空值，此时ES会忽略该值 通过设定该值可以设定字段为 null 时的默认值 ignore_malformed

当数据类型不匹配且 coerce 强制转换时,默认情况会抛出异常,并拒绝整个文档的插入 若设置该参数为 true，则忽略该异常，并强制赋值，但是不会被索引，其他字段则照常 norms

norms 存储各种标准化因子，为后续查询计算文档对该查询的匹配分数提供依据 norms 参数对评分很有用，但需要占用大量的磁盘空间 如果不需要计算字段的评分，可以取消该字段 norms 的功能 position_increment_gap

与 proximity queries(近似查询)和 phrase queries(短语查询)有关 默认值 100 search_analyzer

搜索分词器，查询时使用 默认与 analyzer 一样 similarity

设置相关度算法，ES5.x 和 ES6.x 默认的算法为 BM25 另外也可选择 classic 和 boolean store

store 的意思是：是否在 _source 之外在独立存储一份，默认值为 false es在存储数据的时候把json对象存储到”_source”字段里，”_source”把所有字段保存为一份文档存储(读取需要1次IO)，要取出某个字段则通过 source filtering 过滤 当字段比较多或者内容比较多，并且不需要取出所有字段的时候，可以把特定字段的store设置为true单独存储(读取需要1次IO)，同时在_source设置exclude 关于该字段的理解，参考： es设置mapping store属性 term_vector

与倒排索引相关

Dynamic Mapping

ES是依靠JSON文档的字段类型来实现自动识别字段类型，支持的类型如下：

JSON 类型ES 类型

null忽略

booleanboolean

浮点类型float

整数long

objectobject

array由第一个非 null 值的类型决定

string匹配为日期则设为date类型(默认开启);

匹配为数字则设置为 float或long类型(默认关闭);

设为text类型，并附带keyword的子字段

举栗子

POST my_index/doc

{

"username":"whirly",

"age":22,

"birthday":"1995-01-01"

}

GET my_index/_mapping

# 结果

{

"my_index": {

"mappings": {

"doc": {

"properties": {

"age": {

"type": "long"

},

"birthday": {

"type": "date"

},

"username": {

"type": "text",

"fields": {

"keyword": {

"type": "keyword",

"ignore_above": 256

}

}

}

}

}

}

}

}

日期的自动识别

dynamic_date_formats 参数为自动识别的日期格式，默认为 [ “strict_date_optional_time”,”yyyy/MM/dd HH:mm:ss Z||yyyy/MM/dd Z”] date_detection可以关闭日期自动识别机制

# 自定义日期识别格式

PUT my_index

{

"mappings": {

"_doc": {

"dynamic_date_formats": ["MM/dd/yyyy"]

}

}

}

# 关闭日期自动识别机制

PUT my_index

{

"mappings": {

"_doc": {

"date_detection": false

}

}

}

数字的自动识别

字符串是数字时，默认不会自动识别为整形，因为字符串中出现数字完全是合理的 numeric_detection 参数可以开启字符串中数字的自动识别

Dynamic templates

允许根据ES自动识别的数据类型、字段名等来动态设定字段类型，可以实现如下效果：

所有字符串类型都设定为keyword类型，即不分词 所有以message开头的字段都设定为text类型，即分词 所有以long_开头的字段都设定为long类型 所有自动匹配为double类型的都设定为float类型，以节省空间

Dynamic templates API

"dynamic_templates": [

{

"my_template_name": {

... match conditions ...

"mapping": { ... }

}

},

...

]

匹配规则一般有如下几个参数：

match_mapping_type 匹配ES自动识别的字段类型，如boolean，long，string等 match, unmatch 匹配字段名 match_pattern 匹配正则表达式 path_match, path_unmatch 匹配路径

# double类型的字段设定为float以节省空间

PUT my_index

{

"mappings": {

"_doc": {

"dynamic_templates": [

{

"integers": {

"match_mapping_type": "double",

"mapping": {

"type": "float"

}

}

}

]

}

}

}

自定义Mapping的建议

写入一条文档到ES的临时索引中，获取ES自动生成的Mapping 修改步骤1得到的Mapping，自定义相关配置 使用步骤2的Mapping创建实际所需索引

Index Template 索引模板

索引模板，主要用于在新建索引时自动应用预先设定的配置，简化索引创建的操作步骤

可以设定索引的setting和mapping 可以有多个模板，根据order设置，order大的覆盖小的配置 索引模板API，endpoint为 _template

# 创建索引模板，匹配 test-index-map 开头的索引

PUT _template/template_1

{

"index_patterns": ["test-index-map*"],

"order": 2,

"settings": {

"number_of_shards": 1

},

"mappings": {

"doc": {

"_source": {

"enabled": false

},

"properties": {

"name": {

"type": "keyword"

},

"created_at": {

"type": "date",

"format": "YYYY/MM/dd HH:mm:ss"

}

}

}

}

}

# 插入一个文档

POST test-index-map_1/doc

{

"name" : "小旋锋",

"created_at": "2018/08/16 20:11:11"

}

# 获取该索引的信息，可以发现 settings 和 mappings 和索引模板里设置的一样

GET test-index-map_1

# 删除

DELETE /_template/template_1

# 查询

GET /_template/template_1

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标大数据云计算大数据安全频道！