背景：
由於本人使用的是6.0以上的版本es，在使用發現很多中文博客對於mapping參數的說明已過時。ES6.0以后有很多參數變化。
現我根據官網總結mapping最新的參數，希望能對大家有用處。
es6.0與之前版本區別：
-新增字段： eager_global_ordinals
-刪除的字段： include_in_all
※特別提示：
1，建議大家創建索引的時候指定mapping(用到特定分詞器，規划字段是否被索引來節省空間等)
2，mapping創建並插入數據后就無法進行更改了！所以要對需求考慮全面：例如對於text類型字段需要聚合查詢(類似group by)對數據進行統計分析，
就需要設置fielddata為true 和fields字段才能進行聚合操作(此處詳解請看下面的內容2)
3，如果必須更改字段屬性只能進行reindex，進行重新建立索引再將doc導入
1，es 6.2 mapping詳細說明
{ "type" : "text", #是數據類型一般文本使用text(可分詞進行模糊查詢)；keyword無法被分詞(不需要執行分詞器)，用於精確查找 "analyzer" : "ik_max_word", #指定分詞器，一般使用最大分詞：ik_max_word "normalizer" : "normalizer_name", #字段標准化規則；如把所有字符轉為小寫；具體如下舉例 "boost" : 1.5, #字段權重；用於查詢時評分，關鍵字段的權重就會高一些，默認都是1；另外查詢時可臨時指定權重 "coerce" : true, #清理臟數據：1，字符串會被強制轉換為整數 2，浮點數被強制轉換為整數；默認為true "copy_to" : "field_name", #自定_all字段；指定某幾個字段拼接成自定義；具體如下舉例 "doc_values" : true, #加快排序、聚合操作，但需要額外存儲空間；默認true，對於確定不需要排序和聚合的字段可false "dynamic" : true, #新字段動態添加 true:無限制 false:數據可寫入但該字段不保留 'strict':無法寫入拋異常 "enabled" : true, #是否會被索引，但都會存儲;可以針對一整個_doc "fielddata" : false, #針對text字段加快排序和聚合（doc_values對text無效）；此項官網建議不開啟，非常消耗內存 "eager_global_ordinals": true, #是否開啟全局預加載,加快查詢；此參數只支持text和keyword，keyword默認可用，而text需要設置fielddata屬性 "format" : "yyyy-MM-dd HH:mm:ss||yyyy-MM-dd||epoch_millis" ,#格式化 此參數代表可接受的時間格式 3種都接受 "ignore_above" : 100, #指定字段索引和存儲的長度最大值，超過最大值的會被忽略 "ignore_malformed" : false ,#插入文檔時是否忽略類型 默認是false 類型不一致無法插入 "index_options" : "docs" , # 4個可選參數 # docs（索引文檔號）, # freqs（文檔號 + 詞頻）， # positions（文檔號 + 詞頻 + 位置，通常用來距離查詢）， # offsets（文檔號 + 詞頻 + 位置 + 偏移量，通常被使用在高亮字段） # 分詞字段默認是position，其他的默認是docs "index" : true, #該字段是否會被索引和可查詢 默認true "fields": {"raw": {"type": "keyword"}} ,#可以對一個字段提供多種索引模式，使用text類型做全文檢索，也可使用keyword類型做聚合和排序 "norms" : true, #用於標准化文檔，以便查詢時計算文檔的相關性。建議不開啟 "null_value" : "NULL", #可以讓值為null的字段顯式的可索引、可搜索 "position_increment_gap" : 0 ,#詞組查詢時可以跨詞查詢 既可變為分詞查詢 默認100 "properties" : {}, #嵌套屬性，例如該字段是音樂，音樂還有歌詞，類型，歌手等屬性 "search_analyzer" : "ik_max_word" ,#查詢分詞器;一般情況和analyzer對應 "similarity" : "BM25",#用於指定文檔評分模型，參數有三個： # BM25 ：ES和Lucene默認的評分模型 # classic ：TF/IDF評分 # boolean：布爾模型評分 "store" : true, #默認情況false,其實並不是真沒有存儲，_source字段里會保存一份原始文檔。 # 在某些情況下，store參數有意義，比如一個文檔里面有title、date和超大的content字段，如果只想獲取title和date "term_vector" : "no" #默認不存儲向量信息， # 支持參數yes（term存儲）， # with_positions（term + 位置）, # with_offsets（term + 偏移量）， # with_positions_offsets(term + 位置 + 偏移量) # 對快速高亮fast vector highlighter能提升性能，但開啟又會加大索引體積，不適合大數據量用 } normalizer舉例： { "settings": { "analysis": { "normalizer": { "my_normalizer": { "type": "custom", "char_filter": [], "filter": ["lowercase", "asciifolding"] } } } }, "mappings": { "type": { "properties": { "foo": { "type": "keyword", "normalizer": "my_normalizer" } } } } } copy_to舉例： { "mappings": { "my_type": { "properties": { "first_name": { "type": "text", "copy_to": "full_name" }, "last_name": { "type": "text", "copy_to": "full_name" }, "full_name": { "type": "text" } } } } }
2，text類型字段進行聚合查詢(count(*) group by)
需求：對機構字段既可以進行模糊查詢，又可以按照字段全名進行聚合統計
實現：
-設置字段參數
"institution": { "type": "text", "analyzer": "ik_max_word", "search_analyzer": "ik_max_word", "fielddata" : true, "fields": {"raw": {"type": "keyword"}}#如果不設置keyword索引在聚合時將會使用已分解后的詞。例如：想用“國泰君安”聚合，結果使用“國泰”，“君安”聚合 }
-查詢時aggs參數
body = { "query": { "range": { "time": { "gte": '2018-02-01' } } }, "aggs": { "institution_count": { "terms": {"field": "institution.raw"},#使用keyword分組 "aggs": { } } } }