💝💝💝歡迎來到我的博客，很高興能夠在這里和您見面！希望您在這里可以感受到一份輕松愉快的氛圍，不僅可以獲得有趣的內容和知識，也可以暢所欲言、分享您的想法和見解。

• 推薦:kwan 的首頁,持續(xù)學習,不斷總結,共同進步,活到老學到老
• 導航
  • 檀越劍指大廠系列:全面總結 java 核心技術,jvm,并發(fā)編程 redis,kafka,Spring,微服務等
  • 常用開發(fā)工具系列:常用的開發(fā)工具,IDEA,Mac,Alfred,Git,typora 等
  • 數據庫系列:詳細總結了常用數據庫 mysql 技術點,以及工作中遇到的 mysql 問題等
  • 新空間代碼工作室:提供各種軟件服務,承接各種畢業(yè)設計,畢業(yè)論文等
  • 懶人運維系列:總結好用的命令,解放雙手不香嗎?能用一個命令完成絕不用兩個操作
  • 數據結構與算法系列:總結數據結構和算法,不同類型針對性訓練,提升編程思維,劍指大廠

非常期待和您一起在這個小小的網絡世界里共同探索、學習和成長。💝💝💝 ?? 歡迎訂閱本專欄 ??

1.max_shards_per_node

在 Elasticsearch 中，max_shards_per_node是一個集群級別的設置，用于限制每個節(jié)點上可以打開的最大分片數。這個設置有助于防止單個節(jié)點上分片數量過多，從而可能導致性能問題或資源耗盡。默認情況下，Elasticsearch 集群的每個節(jié)點可以有 1000 個分片，但這個數字可以根據需要進行調整。

臨時設置:

PUT /_cluster/settings
{"transient": {"cluster": {"max_shards_per_node": 10000}}
}

永久設置:

PUT /_cluster/settings
{"persistent": {"cluster": {"max_shards_per_node": 10000}}
}

2.python api

# 指定參數分頁查詢
from elasticsearch import Elasticsearch
es = Elasticsearch()
query = {"query": {"match_all": {}}
}
response = es.search(index="db01_v1_20240903", body=query, from_=0, size=10)

3.fuzziness

在 Elasticsearch 中，fuzziness 是一個用于模糊查詢的參數，它允許在搜索時指定一個編輯距離，即允許用戶輸入與索引中的單詞有一定差異的查詢詞，依然能夠匹配到相應的文檔。這個參數主要用于處理用戶輸入錯誤或拼寫變體的情況。

fuzziness 可以設置為以下值：

1. 數值：如 0、1、2，表示允許的最大編輯操作次數。數值越大，匹配的結果可能會越多，但同時查詢性能可能會下降。
2. AUTO：這是一個特殊的設置，它會根據查詢詞的長度自動調整編輯距離。通常，對于長度小于等于 2 的詞，編輯距離設置為 0；長度在 3 到 5 之間的詞，編輯距離設置為 1；長度大于 5 的詞，編輯距離設置為 2。這個設置可以通過 AUTO:[low],[high] 的格式進行自定義，其中 low 和 high 分別表示詞長范圍的下限和上限。

例如，如果你想要在搜索時允許一個編輯錯誤，可以這樣設置：

{"query": {"match": {"field": {"query": "search_term","fuzziness": 1}}}
}

或者使用 AUTO：

{"query": {"match": {"field": {"query": "search_term","fuzziness": "AUTO"}}}
}

需要注意的是，模糊查詢雖然可以提高用戶體驗，但可能會對性能產生影響，因為它需要額外的處理來生成和匹配可能的變體詞。因此，在性能敏感的應用中應謹慎使用。

4._score

{"took": 1,"timed_out": false,"_shards": {"total": 1,"successful": 1,"skipped": 0,"failed": 0},"hits": {"total": {"value": 2,"relation": "eq"},"max_score": 2.137549,"hits": [{"_index": "book","_type": "_doc","_id": "3","_score": 2.137549,"_source": {"name": "spring開發(fā)基礎","description": "spring 在java領域非常流行，java程序員都在用。","studymodel": "201001","price": 88.6,"timestamp": "2019-08-24 19:11:35","pic": "group1/M00/00/00/wKhlQFs6RCeAY0pHAAJx5ZjNDEM428.jpg","tags": ["spring", "java"]}},{"_index": "book","_type": "_doc","_id": "2","_score": 0.57961315,"_source": {"name": "java編程思想","description": "java語言是世界第一編程語言，在軟件開發(fā)領域使用人數最多。","studymodel": "201001","price": 68.6,"timestamp": "2019-08-25 19:11:35","pic": "group1/M00/00/00/wKhlQFs6RCeAY0pHAAJx5ZjNDEM428.jpg","tags": ["java", "dev"]}}]}
}

結果分析:

• 建立索引時, description 字段 term 倒排索引

  • java 2,3

  • 程序員 3

• 搜索時，直接找 description 中含有 java 的文檔 2,3，并且 3 號文檔含有兩個 java 字段，一個程序員，所以得分高，排在前面。2 號文檔含有一個 java，排在后面。

5.minimum_should_match

minimum_should_match 是 Elasticsearch 中布爾查詢（Boolean Query）的一個重要參數，它用來指定在執(zhí)行查詢時，should 子句至少應該匹配的子句數量或百分比。這個參數可以是具體的數字，也可以是百分比，或者它們的組合。

1. 具體數字：如果 minimum_should_match 設置為一個整數，它表示至少需要匹配的 should 子句的數量。例如，如果有 4 個 should 子句，設置為 2 意味著文檔必須至少滿足其中的 2 個子句。

2. 百分比：如果設置為百分比，它表示至少需要匹配的 should 子句的百分比。例如，如果有 6 個 should 子句，設置為 “50%” 意味著至少需要匹配 3 個子句（6 的 50%向下取整）。

3. 組合使用：可以使用百分比和固定值的組合，如 “3<90%”，表示至少需要匹配 3 個子句或總數的 90%（以較大者為準）。

4. 默認值：如果 bool 查詢包含至少一個 should 子句，而沒有 must 或 filter 子句，則 minimum_should_match 的默認值為 1。這意味著至少有一個 should 子句需要匹配。如果 bool 查詢中包含 must 或 filter 子句，則 minimum_should_match 的默認值為 0，意味著 should 子句可以不滿足任何條件。

5. 特殊語法：可以使用特殊的語法來更精確地控制匹配條件，例如 “2<-25% 9<-3”，這表示如果有 1 或 2 個子句，則都需要匹配；如果有 3-9 個子句，則需要匹配除了 25%之外的所有子句；如果有 9 個以上的子句，則需要匹配除了三個之外的所有子句。

這個參數的使用可以根據查詢的具體需求來調整，以達到最佳的查詢結果和性能平衡。正確使用 minimum_should_match 可以提高查詢的準確性和召回率，使得搜索結果更加符合用戶的預期。

6.embedding_dim

在 Elasticsearch 中，embedding_dim是一個與向量搜索相關的參數，它指定了存儲在dense_vector字段中的向量的維度。這個參數在創(chuàng)建索引時定義，并用于指定向量字段的維度大小。當索引設置為 true 時，embedding_dim的值不能超過 1024，當索引設置為 false 時，可以不超過 2048。這個值必須與后續(xù)寫入的向量維度一致。

embedding_dim參數直接影響搜索結果，因為它決定了文檔向量在向量空間中的表示。在進行向量搜索時，Elasticsearch 會使用這個參數來計算查詢向量與文檔向量之間的相似度。例如，使用余弦相似度或歐幾里得距離等度量標準來找到與查詢向量最相似的文檔向量。如果embedding_dim設置不正確，可能會導致搜索結果的相關性降低，因為向量之間的比較可能不準確。

在實際應用中，embedding_dim的選擇取決于所使用的機器學習模型生成的向量維度。例如，如果使用 BERT 模型生成的向量是 768 維的，那么在 Elasticsearch 中創(chuàng)建索引時，embedding_dim應該設置為 768，以確保文檔向量可以正確存儲和檢索。

例如，如果你使用 BERT 模型、GloVe、Word2vec 或者 ChatGPT Embedding API 等將文本轉換為向量，你需要在創(chuàng)建索引時指定dims參數，其值應與生成的向量維度相匹配。這樣，Elasticsearch 就可以正確地存儲和索引這些向量，以便進行高效的相似度搜索。

在實際應用中，embedding_dim參數的使用可以幫助實現語義搜索，通過比較查詢向量和文檔向量的相似度來檢索文檔，從而提供更加相關和準確的搜索結果。這種基于向量的搜索方法可以用于各種應用場景，如圖像搜索、音樂推薦、文本分類等。

覺得有用的話點個贊 👍🏻 唄。
??????本人水平有限，如有紕漏，歡迎各位大佬評論批評指正！😄😄😄

💘💘💘如果覺得這篇文對你有幫助的話，也請給個點贊、收藏下吧，非常感謝!👍 👍 👍

🔥🔥🔥Stay Hungry Stay Foolish 道阻且長,行則將至,讓我們一起加油吧！🌙🌙🌙