معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

elasticsearch parse

ویژگی	مقدار
سیستم عامل	-
نام فایل	elasticsearch_parse-2.0
نام	elasticsearch_parse
نسخه کتابخانه	2.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	ruifengyun
ایمیل نویسنده	rfyiamcool@163.com
آدرس صفحه اصلی	http://xiaorui.cc
آدرس اینترنتی	https://pypi.org/project/elasticsearch_parse/
مجوز	MIT

#elasticsearch_parse ================= 首先注明下本项目是由来,学习Elasticsearch本身是有些痛苦的, 我们可以熟练的编写SQL 、 Mongodb语句，但对于Elasticsearch Dsl语法总是蒙头，一个劲的翻找笔记... 简单说 Elasticsearch Parse可以让你更容易的上手ES, 他的功能主要是语句映射, 有点ORM的意思... 此项目继承于`elasticsearch-dsl-py`,本来是想fork子项目,开发好后提交pull request, 但是想到我这语法映射的功能, 对于官方来说不是很稀罕,索性直接砍掉了 70% 代码,然后中间又加了一些佐料, 最终只是为了DSL语句映射功能 ! 模块安装方法: ``` pip install elasticsearch_parse ``` 下面我们来体验下封装后的es语法解释器. 首先用原始的DSL语法操作,一眼望去会有些麻烦, 手写起来会更麻烦. ``` from elasticsearch import Elasticsearch client = Elasticsearch() response = client.search( index="my-index", body={ "query": { "filtered": { "query": { "bool": { "must": [{"match": {"title": "python"}}], "must_not": [{"match": {"description": "beta"}}] } }, "filter": {"term": {"category": "search"}} } }, "aggs" : { "per_tag": { "terms": {"field": "tags"}, "aggs": { "max_lines": {"max": {"field": "lines"}} } } } } ) ``` 下面是使用Elasticsearch_parse的用法,要多简单就多简单 ``` from elasticsearch_parse import Search, Q s = Search(index="my-index") \ .filter("term", blog="xiaorui.cc") \ .query("match", author="ruifengyun") \ .query(~Q("match", face="good")) s.aggs.bucket('per_tag', 'terms', field='tags') response = s.execute() ``` 我们得到的结果是: ``` { "query": { "filtered": { "filter": { "term": { "blog": "xiaorui.cc" } }, "query": { "bool": { "must_not": [ { "match": { "face": "good" } } ], "must": [ { "match": { "author": "ruifengyun" } } ] } } } }, "aggs": { "per_tag": { "terms": { "field": "tags" } } } } ``` 我们把语法的用法给过一遍. ``` s = search.Search() ``` 通过match查询,f字段值为55的数据 ``` s.query('match', f=55) ``` 时间范围 ``` s.query('range', ** {'@timestamp': {'lt': 'now'}}) ``` 外围的size的控制 ``` s = s.query('match', f=42) s[3].to_dict() {'query': {'match_all': {}}, 'from': 3, 'size': 1} ``` ``` assert s.to_dict(size=10) == {"query": {"match": {'f': 42}}, "size": 10} ``` 嵌入内部size控制 ``` s = search.Search.from_dict({"size": 5}) assert { "query": {"match_all": {}}, "size": 5 } == s.to_dict() ``` 对于aggs的聚合的使用 ``` s = s.query('match', f=42) assert {"query": {"match": {'f': 42}}} == s.to_dict() assert {"query": {"match": {'f': 42}}, "size": 10} == s.to_dict(size=10) s.aggs.bucket('per_tag', 'terms', field='f').metric('max_score', 'max', field='score') d = { 'aggs': { 'per_tag': { 'terms': {'field': 'f'}, 'aggs': {'max_score': {'max': {'field': 'score'}}} } } ``` ...

نحوه نصب

نصب پکیج whl elasticsearch_parse-2.0:

pip install elasticsearch_parse-2.0.whl

نصب پکیج tar.gz elasticsearch_parse-2.0:

pip install elasticsearch_parse-2.0.tar.gz