Loading [MathJax]/jax/output/CommonHTML/config.js
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >ELK学习笔记之使用curl命令操作elasticsearch

ELK学习笔记之使用curl命令操作elasticsearch

作者头像
Jetpropelledsnake21
发布于 2019-05-17 03:52:34
发布于 2019-05-17 03:52:34
1.7K00
代码可运行
举报
文章被收录于专栏:JetpropelledSnakeJetpropelledSnake
运行总次数:0
代码可运行

0x00 _cat系列

_cat系列提供了一系列查询elasticsearch集群状态的接口。你可以通过执行 curl -XGET localhost:9200/_cat

1. 获取所有_cat系列的操作

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
/_cat/allocation
/_cat/shards
/_cat/shards/{index}
/_cat/master
/_cat/nodes
/_cat/indices
/_cat/indices/{index}
/_cat/segments
/_cat/segments/{index}
/_cat/count
/_cat/count/{index}
/_cat/recovery
/_cat/recovery/{index}
/_cat/health
/_cat/pending_tasks
/_cat/aliases
/_cat/aliases/{alias}
/_cat/thread_pool
/_cat/plugins
/_cat/fielddata
/_cat/fielddata/{fields}

你也可以后面加一个v,让输出内容表格显示表头,举例

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
name       component        version type url
Prometheus analysis-mmseg   NA      j
Prometheus analysis-pinyin  NA      j
Prometheus analysis-ik      NA      j
Prometheus analysis-ik      NA      j
Prometheus analysis-smartcn 2.1.0   j
Prometheus segmentspy       NA      s    /_plugin/segmentspy/
Prometheus head             NA      s    /_plugin/head/
Prometheus bigdesk          NA      s    /_plugin/bigdesk/
Xandu      analysis-ik      NA      j
Xandu      analysis-pinyin  NA      j
Xandu      analysis-mmseg   NA      j
Xandu      analysis-smartcn 2.1.0   j
Xandu      head             NA      s    /_plugin/head/
Xandu      bigdesk          NA      s    /_plugin/bigdesk/
Onyxx      analysis-ik      NA      j
Onyxx      analysis-mmseg   NA      j
Onyxx      analysis-smartcn 2.1.0   j
Onyxx      analysis-pinyin  NA      j
Onyxx      head             NA      s    /_plugin/head/
Onyxx      bigdesk          NA      s    /_plugin/bigdesk/

0x01 _cluster系列

1、查询设置集群状态

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
curl -XGET localhost:9200/_cluster/health?pretty=true

pretty=true表示格式化输出 level=indices 表示显示索引状态 level=shards 表示显示分片信息

2、显示集群系统信息,包括CPU JVM等等

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
curl -XGET localhost:9200/_cluster/stats?pretty=true

3、 集群的详细信息。包括节点、分片等。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
curl -XGET localhost:9200/_cluster/state?pretty=true

3、获取集群堆积的任务

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
curl -XGET localhost:9200/_cluster/pending_tasks?pretty=true 

4、修改集群配置

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
curl -XPUT localhost:9200/_cluster/settings -d '{
    "persistent" : {
        "discovery.zen.minimum_master_nodes" : 2
    }
}'

transient 表示临时的,persistent表示永久的

5、对shard的手动控制

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
curl -XPOST ‘localhost:9200/_cluster/reroute’ -d ‘xxxxxx’

对shard的手动控制,参考http://zhaoyanblog.com/archives/687.html

6、关闭节点

关闭指定192.168.1.1节点

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
curl -XPOST ‘http://192.168.1.1:9200/_cluster/nodes/_local/_shutdown’
curl -XPOST ‘http://localhost:9200/_cluster/nodes/192.168.1.1/_shutdown’

7、关闭主节点

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
curl -XPOST ‘http://localhost:9200/_cluster/nodes/_master/_shutdown’

8、关闭整个集群

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
$ curl -XPOST ‘http://localhost:9200/_shutdown?delay=10s’
$ curl -XPOST ‘http://localhost:9200/_cluster/nodes/_shutdown’
$ curl -XPOST ‘http://localhost:9200/_cluster/nodes/_all/_shutdown’

delay=10s表示延迟10秒关闭

0x02 _nodes系列

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
1、查询节点的状态
curl -XGET ‘http://localhost:9200/_nodes/stats?pretty=true’
curl -XGET ‘http://localhost:9200/_nodes/192.168.1.2/stats?pretty=true’
curl -XGET ‘http://localhost:9200/_nodes/process’
curl -XGET ‘http://localhost:9200/_nodes/_all/process’
curl -XGET ‘http://localhost:9200/_nodes/192.168.1.2,192.168.1.3/jvm,process’
curl -XGET ‘http://localhost:9200/_nodes/192.168.1.2,192.168.1.3/info/jvm,process’
curl -XGET ‘http://localhost:9200/_nodes/192.168.1.2,192.168.1.3/_all
curl -XGET ‘http://localhost:9200/_nodes/hot_threads

0x03 索引操作

1、获取索引

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
curl -XGET ‘http://localhost:9200/{index}/{type}/{id}

2、索引数据

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
curl -XPOST ‘http://localhost:9200/{index}/{type}/{id}-d'{“a”:”avalue”,”b”:”bvalue”}

3、删除索引

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
curl -XDELETE ‘http://localhost:9200/{index}/{type}/{id}

4、设置mapping

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
curl -XPUT http://localhost:9200/{index}/{type}/_mapping -d '{
  "{type}" : {
    "properties" : {
      "date" : {
        "type" : "long"
      },
      "name" : {
        "type" : "string",
        "index" : "not_analyzed"
      },
      "status" : {
        "type" : "integer"
      },
      "type" : {
        "type" : "integer"
      }
    }
  }
}'

5、获取mapping

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
curl -XGET http://localhost:9200/{index}/{type}/_mapping

6、搜索

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
curl -XGET 'http://localhost:9200/{index}/{type}/_search' -d '{
    "query" : {
        "term" : { "user" : "kimchy" } //查所有 "match_all": {}
    },
    "sort" : [{ "age" : {"order" : "asc"}},{ "name" : "desc" } ],
    "from":0,
    "size":100
}
curl -XGET 'http://localhost:9200/{index}/{type}/_search' -d '{
    "filter": {"and":{"filters":[{"term":{"age":"123"}},{"term":{"name":"张三"}}]},
    "sort" : [{ "age" : {"order" : "asc"}},{ "name" : "desc" } ],
    "from":0,
    "size":100
}
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2019-05-15 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
原创 | 变分自动编码器(VAE)
变分自动编码器(Variational autoEncoder,VAE)是生成模型的一种。这些方法的主要目标是从对象的学习分布中生成新的采样数据。2014 年,Kingma et al. [3]提出了这种生成模型,该模型可以从隐变量空间的概率分布中学习潜在属性并构造新的元素。
数据派THU
2021/09/29
2.2K0
原创 | 变分自动编码器(VAE)
GAN 并不是你所需要的全部:从AE到VAE的自编码器全面总结
说到计算机生成的图像肯定就会想到deep fake:将马变成的斑马或者生成一个不存在的猫。在图像生成方面GAN似乎成为了主流,但是尽管这些模型在生成逼真的图像方面取得了巨大成功,但他们的缺陷也是十分明显的,而且并不是生成图像的全部。自编码器(autoencoder)作为生成的图像的传统模型还没有过时并且还在发展,所以不要忘掉自编码器!
deephub
2022/04/14
9600
GAN 并不是你所需要的全部:从AE到VAE的自编码器全面总结
变分自编码器 VAE
简单来讲,变分自编码器是可以和GAN相媲美的生成网络。我们可以输入一个低维空间的Z,映射到高维空间的真实数据。比如,生成不同样的数字,人脸等等。
为为为什么
2022/09/27
1.7K0
变分自编码器 VAE
无监督训练用堆叠自编码器是否落伍?ML博士对比了8个自编码器
深度学习中的自编码器。图源:https://debuggercafe.com/autoencoders-in-deep-learning/
机器之心
2021/03/15
8740
无监督训练用堆叠自编码器是否落伍?ML博士对比了8个自编码器
变分自编码器VAE的数学原理
变分自编码器(VAE)是一种应用广泛的无监督学习方法,它的应用包括图像生成、表示学习和降维等。虽然在网络架构上经常与Auto-Encoder联系在一起,但VAE的理论基础和数学公式是截然不同的。本文将讨论是什么让VAE如此不同,并解释VAE如何连接“变分”方法和“自编码器”。
deephub
2023/02/01
1.2K0
​变分自编码器概述
变分自编码器(VAE)[1] 如今已经成为在复杂场景中进行推断(inference)的基本工具,同时它作为生成模型在生成连续型数据上也得到了广泛的关注和应用。本文简要介绍了变分推断的问题背景,接着介绍VAE的基本思想和原理,指出VAE是变分推断思想和神经网络结合的产物,并对它作简单的分析和理解。最后概述VAE的发展,包括在聚类任务上的应用,在生成任务上的改进,在无监督的解耦表征(disentangled representations)上的进展等等。
SIGAI学习与实践平台
2019/08/05
1K0
​变分自编码器概述
在表格数据集上训练变分自编码器 (VAE)示例
变分自编码器 (VAE) 是在图像数据应用中被提出,但VAE不仅可以应用在图像中。在这篇文章中,我们将简单介绍什么是VAE,以及解释“为什么”变分自编码器是可以应用在数值类型的数据上,最后使用Numerai数据集展示“如何”训练它。
deephub
2022/11/11
1.1K0
在表格数据集上训练变分自编码器 (VAE)示例
万字长文带你了解变分自编码器VAEs
原文标题:Understanding Variational Autoencoders (VAEs)
朴素人工智能
2020/06/02
1.9K0
万字长文带你了解变分自编码器VAEs
【干货】深入理解变分自编码器
【导读】自编码器是一种非常直观的无监督神经网络方法,由编码器和解码器两部分构成,自编码器近年来很受研究人员的欢迎。本文是机器学习工程师Jeremy撰写的一篇非常棒的博文,介绍了变分自编码器理论基础和工作原理,通过人脸示例帮助读者更直观的理解。本文强调了变分自编码器的理论推导和实现细节,在文末展示了变分自编码器作为生成模型的输出结果。希望深入理解变分自编码器的读者不妨读一读。 Variational autoencoders 变分自编码器 自编码器是发现数据的一些隐状态(不完整,稀疏,去噪,收缩)表示的模型
WZEARW
2018/04/08
1.9K0
【干货】深入理解变分自编码器
详解自动编码器(AE)
传统的自动编码器是一种数据的压缩算法 其算法包括编码阶段和解码阶段,且拥有对称的结构。
全栈程序员站长
2022/08/14
1.3K0
详解自动编码器(AE)
【GNN】VGAE:利用变分自编码器完成图重构
今天学习的是 Thomas N. Kipf 的 2016 年的工作《Variational Graph Auto-Encoders》,目前引用量为 260 多。
阿泽 Crz
2020/07/21
3.8K0
变分自编码器(VAE)在AIGC中的应用及其技术解析
变分自编码器(Variational Autoencoder, VAE)是一种生成模型,在人工智能生成内容(AI-Generated Content, AIGC)领域中具有广泛的应用。本文将介绍VAE的基本原理、技术细节,并通过代码实例展示其在AIGC中的具体应用。
一键难忘
2024/06/25
1.7K0
理解变分自编码器VAE
参考文章 https://arxiv.org/pdf/1312.6114.pdf https://dfdazac.github.io/01-vae.html https://spaces.ac.cn/tag/vae/ https://cloud.tencent.com/developer/article/1096650
水球喵子
2020/03/20
9480
理解变分自编码器VAE
深度 | 变分自编码器VAE面临的挑战与发展方向
选自akosiorek 机器之心编译 参与:刘天赐、李泽南 变分自编码器(VAE)与生成对抗网络(GAN)一样,是无监督学习最具前景的方法之一。本文中,牛津大学统计系在读博士 Adam Kosiorek 从原理上向我们介绍了 VAE 目前面临的挑战。同时,文中也提出了对于该方法的几种改进方向。 隐变量模型 假设你希望通过一个定义在 x∈RD 上的概率分布来对整个世界建模,其中 p(x)表示 x 可能处于的状态。这个世界可能非常复杂,我们无法知道 p(x)的具体形式。为了解决这个问题,我们引入另一个变量 z∈
机器之心
2018/05/08
9810
深度 | 变分自编码器VAE面临的挑战与发展方向
一文读懂自动编码器
变分自动编码器(VAE)可以说是最实用的自动编码器,但是在讨论VAE之前,还必须了解一下用于数据压缩或去噪的传统自动编码器。
商业新知
2019/05/21
9520
一文读懂自动编码器
【机器学习-无监督学习】自编码器
  在前面的文章中,我们介绍了各种类型的无监督学习算法,如聚类算法、降维算法等。归根结底,无监督学习的目的是从复杂数据中提取出可以代表数据的特征,例如数据的分布、数据的主要成分等等,再用这些信息帮助后续的其他任务。随着机器学习向深度学习发展和神经网络的广泛应用,用神经网络提取数据特征的方法也越来越重要。本文介绍的自编码器(autoencoder,AE)就是其中最基础的一种无监督特征提取方法,也是一种深度学习模型。
Francek Chen
2025/01/22
3950
【机器学习-无监督学习】自编码器
【干货】一文读懂什么是变分自编码器
【导读】本文是工程师Irhum Shafkat的一篇博文,主要梳理了变分自编码器的相关知识。我们知道,变分自编码器是一种生成模型,在文本生成、图像风格迁移等诸多任务中有显著的效果,那么什么是变分自编码
WZEARW
2018/04/13
11.5K0
【干货】一文读懂什么是变分自编码器
基于可变自动编码器(VAE)的生成建模,理解可变自动编码器背后的原理
生成模型是机器学习中一个有趣的领域,在这个领域中,网络学习数据分布,然后生成新的内容,而不是对数据进行分类。生成建模最常用的两种方法是生成对抗网络(GAN)和可变自编码器(VAE)。在这篇文章中,我将尝试解释可变自动编码器(VAE)背后的原理,以及它是如何生成上述面的数据的。
deephub
2020/10/19
1.7K0
基于可变自动编码器(VAE)的生成建模,理解可变自动编码器背后的原理
AI绘画中VAE压缩图像
在Stable Diffusion中,所有的去噪和加噪过程并非在图像空间直接进行,而是通过VAE模块将图像编码到一个低维空间。
Dlimeng
2023/12/23
4730
AI绘画中VAE压缩图像
学界 | 面向无监督任务:DeepMind提出神经离散表示学习生成模型VQ-VAE
选自arXiv 机器之心编译 参与:路雪、李泽南 DeepMind 最近提出的 VQ-VAE 是一种简单而强大的生成模型,结合向量量化和变分自编码器学习离散表示,实现在图像识别、语音和对话等任务上的无监督学习。 近期,图像、音频、视频领域生成模型的发展产生了惊人的案例与应用。同时,few-shot 学习、域适应或强化学习这样具有挑战性的任务也极为依赖从原始数据学习到的表征。但以无监督方式训练的通用表征的有效性仍无法成为该领域的主流方法。 最大似然和重构误差(reconstruction error)是在像素
机器之心
2018/05/10
1.4K0
推荐阅读
相关推荐
原创 | 变分自动编码器(VAE)
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验