什麼是 Elasticsearch？

Elasticsearch 本身是一個開源的專案，用於大數據分析以及搜尋的引擎。

下面這張圖片是 Elasticsearch 官方的 demo 網站：

當我們輸入 az 兩個字母的時候，這些顯示的相關資料是從哪裡來的呢？你可能第一個直覺是從資料庫，對，這是一種做法。

當前端輸入某些字母時，傳送到後端，接著去資料庫搜尋相關連的資料，但這樣真的可行嗎？當資料量太大的時候，資料庫能夠應付搜尋這麼頻繁的功能嗎？

答案是不，資料庫不應該處理這樣的事情。

所以圖片中的功能是當前端輸入某些字母時，會送到 Elasticsearch 的引擎中，並返回相關的結果，以達到這樣的效果。

我們可以暫時把 Elasticsearch 理解成一個處理搜尋的引擎即可，即使它能做的事情遠遠大於搜尋這件事。

為什麼要學 Elasticsearch？

搜尋可以說是現代應用程式一個必備的功能，不論是電商、部落格、書店等等，都會用到搜尋這個功能。

學習 Elasticsearch 可以建構出更好的搜尋體驗，常見的資料庫，如 MySQL, PostgreSQL 等，他們的目的並不是『 專門拿來搜尋的 』，而是建立資料之間的關聯，所以才叫做關聯式資料庫。

光是這一點就很值得學習這項技術，更不用提 Elasticsearch 還能夠做到大數據的分析，搭配 Elastic Stack 全家餐做出一個圖形化的分析介面，使用官方的機器學習功能還能做到提前警告的功能。

Elasticsearch 在 DB-ENGINES 這個網站分類 Search engines 中排名第一，可以見得其備受市場的喜愛以及接受。

性能也是 Elasticsearch 常常被提出來的一個優點，當資料量大到千萬級別的時候，才能感受到 Elasticsearch 和關聯性資料庫的差別，這邊建議可以自己往 MySQL 倒入 1000 萬筆資料，和 Elasticsearch 的 1000 萬筆，稍微比較看看之間關於速度上的差別。

建立一個 Elasticsearch 的服務在本地有多簡單呢？不論是要用 Docker 啟動，還是要去官網下載應用程式，這都像是你在電腦上安裝 Slack 一樣簡單，裝好了就能透過 http 的協議訪問、搜尋資料。

高擴展性也是 Elasticsearch 的一個大優點，我們都知道水平擴展本身並不是一件簡單的事情，要如何同步資料？確保資料的一制性，訪問節點，分配資源等等的問題都會隨著水平擴展而浮現。

這一點 Elasticsearch 提供了很多的設定讓我們可以應付各種情況，讓擴展這件事情不再是惡夢。

GitHub, Facebook, Netflix 都是 Elasticsearch 的使用者，尤其是 GitHub 的程式碼搜尋就是用 Elasticsearch 實現，可以想像一下如果這要用資料庫實現，那會是什麼樣的一個情況呢？

Netflix 用 Elasticsearch 搜尋電影以及電視節目也不是新聞，這部影片就有提到 Netflix 是如何使用的。

同樣的這部影片則是 Facebook 的工程師們說明他們如何把這項技術應用在 Elasticsearch 之中。

好了，上述這三間公司我相信就足夠證明這項技術的實用性以及普及性。

Elasticsearch 本身有提供認證的考試，這邊是傳送門，這項認證不是那種中華民國丙級廚師的認證 ( 沒有歧視的意思，我自己就有，所以我知道考起來有多簡單 )，聽說考的內容都是實際要你解決某些問題，而不是選 ABCD。

要價 500 USD，而且官方有特別說重考沒有打折，所以我看這個考試應該是沒辦法一直刷一直賽，賽到過的那一種。

我自己本身也沒有認證，也不是什麼講師，單純就是學習這項技術，加上最近工作時也需要用到，就乾脆更認真地栽進去學習，而不是用用套件，隨便的 INDEX 一些 document 交差。

當然最棒的就是，希望我寫了 30 天的鐵人賽，就具備考證照的基本能力，但我猜應該是不可能，通常這種認證都需要特別地準備。

這 30 天的鐵人賽會學到什麼呢？

我希望可以啦 😜