背景：
由于本人使用的是6.0以上的版本es，在使用发现很多中文博客对于mapping参数的说明已过时。ES6.0以后有很多参数变化。
现我根据官网总结mapping最新的参数，希望能对大家有用处。
es6.0与之前版本区别：
-新增字段： eager_global_ordinals
-删除的字段： include_in_all
※特别提示：
1，建议大家创建索引的时候指定mapping(用到特定分词器，规划字段是否被索引来节省空间等)
2，mapping创建并插入数据后就无法进行更改了！所以要对需求考虑全面：例如对于text类型字段需要聚合查询(类似group by)对数据进行统计分析，
就需要设置fielddata为true 和fields字段才能进行聚合操作(此处详解请看下面的内容2)
3，如果必须更改字段属性只能进行reindex，进行重新建立索引再将doc导入
1，es 6.2 mapping详细说明
{ "type" : "text", #是数据类型一般文本使用text(可分词进行模糊查询)；keyword无法被分词(不需要执行分词器)，用于精确查找 "analyzer" : "ik_max_word", #指定分词器，一般使用最大分词：ik_max_word "normalizer" : "normalizer_name", #字段标准化规则；如把所有字符转为小写；具体如下举例 "boost" : 1.5, #字段权重；用于查询时评分，关键字段的权重就会高一些，默认都是1；另外查询时可临时指定权重 "coerce" : true, #清理脏数据：1，字符串会被强制转换为整数 2，浮点数被强制转换为整数；默认为true "copy_to" : "field_name", #自定_all字段；指定某几个字段拼接成自定义；具体如下举例 "doc_values" : true, #加快排序、聚合操作，但需要额外存储空间；默认true，对于确定不需要排序和聚合的字段可false "dynamic" : true, #新字段动态添加 true:无限制 false:数据可写入但该字段不保留 'strict':无法写入抛异常 "enabled" : true, #是否会被索引，但都会存储;可以针对一整个_doc "fielddata" : false, #针对text字段加快排序和聚合（doc_values对text无效）；此项官网建议不开启，非常消耗内存 "eager_global_ordinals": true, #是否开启全局预加载,加快查询；此参数只支持text和keyword，keyword默认可用，而text需要设置fielddata属性 "format" : "yyyy-MM-dd HH:mm:ss||yyyy-MM-dd||epoch_millis" ,#格式化 此参数代表可接受的时间格式 3种都接受 "ignore_above" : 100, #指定字段索引和存储的长度最大值，超过最大值的会被忽略 "ignore_malformed" : false ,#插入文档时是否忽略类型 默认是false 类型不一致无法插入 "index_options" : "docs" , # 4个可选参数 # docs（索引文档号）, # freqs（文档号 + 词频）， # positions（文档号 + 词频 + 位置，通常用来距离查询）， # offsets（文档号 + 词频 + 位置 + 偏移量，通常被使用在高亮字段） # 分词字段默认是position，其他的默认是docs "index" : true, #该字段是否会被索引和可查询 默认true "fields": {"raw": {"type": "keyword"}} ,#可以对一个字段提供多种索引模式，使用text类型做全文检索，也可使用keyword类型做聚合和排序 "norms" : true, #用于标准化文档，以便查询时计算文档的相关性。建议不开启 "null_value" : "NULL", #可以让值为null的字段显式的可索引、可搜索 "position_increment_gap" : 0 ,#词组查询时可以跨词查询 既可变为分词查询 默认100 "properties" : {}, #嵌套属性，例如该字段是音乐，音乐还有歌词，类型，歌手等属性 "search_analyzer" : "ik_max_word" ,#查询分词器;一般情况和analyzer对应 "similarity" : "BM25",#用于指定文档评分模型，参数有三个： # BM25 ：ES和Lucene默认的评分模型 # classic ：TF/IDF评分 # boolean：布尔模型评分 "store" : true, #默认情况false,其实并不是真没有存储，_source字段里会保存一份原始文档。 # 在某些情况下，store参数有意义，比如一个文档里面有title、date和超大的content字段，如果只想获取title和date "term_vector" : "no" #默认不存储向量信息， # 支持参数yes（term存储）， # with_positions（term + 位置）, # with_offsets（term + 偏移量）， # with_positions_offsets(term + 位置 + 偏移量) # 对快速高亮fast vector highlighter能提升性能，但开启又会加大索引体积，不适合大数据量用 } normalizer举例： { "settings": { "analysis": { "normalizer": { "my_normalizer": { "type": "custom", "char_filter": [], "filter": ["lowercase", "asciifolding"] } } } }, "mappings": { "type": { "properties": { "foo": { "type": "keyword", "normalizer": "my_normalizer" } } } } } copy_to举例： { "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类型字段进行聚合查询(count(*) group by)
需求：对机构字段既可以进行模糊查询，又可以按照字段全名进行聚合统计
实现：
-设置字段参数
"institution": { "type": "text", "analyzer": "ik_max_word", "search_analyzer": "ik_max_word", "fielddata" : true, "fields": {"raw": {"type": "keyword"}}#如果不设置keyword索引在聚合时将会使用已分解后的词。例如：想用“国泰君安”聚合，结果使用“国泰”，“君安”聚合 }
-查询时aggs参数
body = { "query": { "range": { "time": { "gte": '2018-02-01' } } }, "aggs": { "institution_count": { "terms": {"field": "institution.raw"},#使用keyword分组 "aggs": { } } } }