资讯详情

认识elasticsearch

分布式搜索引擎01

– elasticsearch基础

0.学习目标

1.初识elasticsearch

1.1.了解ES

1.1.1.elasticsearch的作用

elasticsearch它是一个非常强大的开源搜索引擎，具有许多强大的功能，可以帮助我们快速从海量数据中找到所需的内容

例如：

  • 在GitHub搜索代码

    [外链图片存储失败，源站可能有防盗链机制，建议保存图片直接上传(img-4sjiqkLv-1648949935571)(assets/image-20210720193623245.png)]

  • 在电子商务网站上搜索商品

    [外链图片存储失败，源站可能有防盗链机制，建议保存图片直接上传(img-obP0vZNf-1648949935572)(assets/image-20210720193633483.png)]

  • 百度搜索答案

    [外链图片存储失败，源站可能有防盗链机制，建议保存图片直接上传(img-rxQHNcNP-1648949935572)(assets/image-20210720193641907.png)]

  • 在出租车软件附近搜索汽车

    [外链图片存储失败，源站可能有防盗链机制，建议保存图片直接上传(img-WDPEHD7T-1648949935572)(assets/image-20210720193648044.png)]

1.1.2.ELK技术栈

elasticsearch结合kibana、Logstash、Beats，也就是elastic stack（ELK）。广泛应用于日志数据分析、实时监控等领域：

[外链图片存储失败，源站可能有防盗链机制，建议保存图片直接上传(img-8WbtWiNo-1648949935573)(assets/image-20210720194008781.png)]

而elasticsearch是elastic stack负责数据存储、搜索和分析。

[外链图片存储失败，源站可能有防盗链机制，建议保存图片直接上传(img-YdzfmWjn-1648949935573)(assets/image-20210720194230265.png)]

1.1.3.elasticsearch和lucene

elasticsearch底层是基于来实现的。

是一个Java语言的搜索引擎类库，是Apache公司顶级项目，由DougCutting研发于1999年。官网地址:https://lucene.apache.org/ 。

[外链图片存储失败，源站可能有防盗链机制，建议保存图片直接上传(img-yzWJMJQQ-1648949935573)(assets/image-20210720194547780.png)]

发展历史：

  • 2004年Shay Banon基于Lucene开发了Compass
  • 2010年Shay Banon 重写了Compass，取名为Elasticsearch。

[外链图片存储失败，源站可能有防盗链机制，建议保存图片直接上传(img-6cdTy9M7-1648949935574)(assets/image-20210720195001221.png)]

1.1.4.为什么不是其他搜索技术呢？

目前知名搜索引擎技术排名:

[外链图片存储失败，源站可能有防盗链机制，建议保存图片直接上传(img-gpofrEgr-1648949935574)(assets/image-20210720195142535.png)]

尽管在早期，Apache Solr它是最重要的搜索引擎技术，但随着发展elasticsearch已逐渐超越Solr，独占鳌头：

[外链图片存储失败，源站可能有防盗链机制，建议保存图片直接上传(img-mcdVh3pL-1648949935574)(assets/image-20210720195306484.png)]

1.1.5.总结

什么是elasticsearch？

  • 开源分布式搜索引擎可用于实现搜索、日志统计、分析、系统监控等功能

什么是elastic stack（ELK）？

  • 是以elasticsearch核心技术栈，包括beats、Logstash、kibana、elasticsearch

什么是Lucene？

  • 是Apache开源搜索引擎类库为搜索引擎提供了核心API

1.2.倒排索引

倒排索引的概念是基于MySQL这种正向索引。

1.2.1.正向索引

那么什么是正向索引呢？例如，给下表（tb_goods）中的id创建索引：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-fxi1SgBN-1648949935575)(assets/image-20210720195531539.png)]

如果是根据id查询，然后直接走索引，查询速度很快。

但如果是基础的话title模糊查询只能逐行扫描数据，流程如下:

1)用户搜索数据的条件是title符合"%手机%"

2)逐步获取数据，如id为1的数据

3)判断数据中的数据title是否符合用户搜索条件

4)如果符合，则放入结果集，如果不符合，则丢弃。返回步骤1

逐行扫描，即全表扫描，随着数据量的增加，其查询效率也会越来越低。当数据量达到数百万时，这是一场灾难。

1.2.2.倒排索引

倒排索引中有两个非常重要的概念：

  • 文档（Document）：用来搜索的数据，其中的每一条数据就是一个文档。例如一个网页、一个商品信息
  • 词条（Term）：对于文档数据或用户搜索数据，使用某种算法来划分单词，获得的有意义的单词是条目。例如：我是一个中国人，可以分为：我、是的、中国人、中国人和中国人

是对正向索引的特殊处理，过程如下：

  • 利用算法对每个文档的数据进行分词，逐个获得条目
  • 每行数据包括条目和条目所在的文档id、位置等信息
  • 由于条目的独特性，可以为条目创建索引，例如hash表结构索引

如图：

[外链图片存储失败，源站可能有防盗链机制，建议保存图片直接上传(img-l8zM0Gu9-1648949935575)(assets/image-20210720200457207.png)]

倒排索引的以下(搜索"华为手机"为例）：

1)用户输入条件"华为手机"进行搜索。

2)向用户输入内容，得到词条：华为、手机。

3)用词条在倒排索引中搜索，可以获得包含词条的文档id：1、2、3。

4）拿着文档id在正向索引中找到具体文档。

如图：

[外链图片存储失败，源站可能有防盗链机制，建议保存图片直接上传(img-mMpC4PhC-1648949935575)(assets/image-20210720201115192.png)]

虽然要先查询倒排索引，再查询倒排索引，但无论是词条还是文档id所有索引都建立了，查询速度非常快！无需扫描全表。

1.2.三、正向倒排

那为什么一个叫正向索引，一个叫倒排索引呢？

  • 根据最传统的id索引的方式。但是，在查询条目时，必须逐一获取每个文档，然后判断文档中是否包含所需条目。。

  • 而相反，首先要找到用户要搜索的条目，并根据条目获得保护条目的文档id，然后根据id获取文件。

恰恰相反吗？

那两种方式的优缺点是什么呢？

：

  • 优点：
    • 可以给多个字段创建索引
    • 根据索引字段搜索、排序速度非常快
  • 缺点：
    • 根据非索引字段，或者索引字段中的部分词条查找时，只能全表扫描。

：

  • 优点：
    • 根据词条搜索、模糊搜索时，速度非常快
  • 缺点：
    • 只能给词条创建索引，而不是字段
    • 无法根据字段做排序

1.3.es的一些概念

elasticsearch中有很多独有的概念，与mysql中略有差别，但也有相似之处。

1.3.1.文档和字段

elasticsearch是面向**文档（Document）**存储的，可以是数据库中的一条商品数据，一个订单信息。文档数据会被序列化为json格式后存储在elasticsearch中：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qgNJZdtl-1648949935576)(assets/image-20210720202707797.png)]

而Json文档中往往包含很多的，类似于数据库中的列。

1.3.2.索引和映射

，就是相同类型的文档的集合。

例如：

  • 所有用户文档，就可以组织在一起，称为用户的索引；
  • 所有商品的文档，可以组织在一起，称为商品的索引；
  • 所有订单的文档，可以组织在一起，称为订单的索引；

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-0bhmekE0-1648949935576)(assets/image-20210720203022172.png)]

因此，我们可以把索引当做是数据库中的表。

数据库的表会有约束信息，用来定义表的结构、字段的名称、类型等信息。因此，索引库中就有，是索引中文档的字段约束信息，类似表的结构约束。

1.3.3.mysql与elasticsearch

我们统一的把mysql与elasticsearch的概念做一下对比：
Table Index 索引(index)，就是文档的集合，类似数据库的表(table)
Row Document 文档（Document），就是一条条的数据，类似数据库中的行（Row），文档都是JSON格式
Column Field 字段（Field），就是JSON文档中的字段，类似数据库中的列（Column）
Schema Mapping Mapping（映射）是索引中文档的约束，例如字段类型约束。类似数据库的表结构（Schema）
SQL DSL DSL是elasticsearch提供的JSON风格的请求语句，用来操作elasticsearch，实现CRUD

是不是说，我们学习了elasticsearch就不再需要mysql了呢？

并不是如此，两者各自有自己的擅长支出：

  • Mysql：擅长事务类型操作，可以确保数据的安全和一致性

  • Elasticsearch：擅长海量数据的搜索、分析、计算

因此在企业中，往往是两者结合使用：

  • 对安全性要求较高的写操作，使用mysql实现
  • 对查询性能要求较高的搜索需求，使用elasticsearch实现
  • 两者再基于某种方式，实现数据的同步，保证一致性

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-70F0Y35k-1648949935576)(assets/image-20210720203534945.png)]

1.4.安装es、kibana

1.4.1.安装

参考课前资料：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-dSG9zUbO-1648949935576)(assets/image-20210720203805350.png)]

1.4.2.分词器

参考课前资料：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-MEM6AOyi-1648949935577)(assets/image-20210720203805350.png)]

1.4.3.总结

分词器的作用是什么？

  • 创建倒排索引时对文档分词
  • 用户搜索时，对输入的内容分词

IK分词器有几种模式？

  • ik_smart：智能切分，粗粒度
  • ik_max_word：最细切分，细粒度

IK分词器如何拓展词条？如何停用词条？

  • 利用config目录的IkAnalyzer.cfg.xml文件添加拓展词典和停用词典
  • 在词典中添加拓展词条或者停用词条

2.索引库操作

索引库就类似数据库表，mapping映射就类似表的结构。

我们要向es中存储数据，必须先创建“库”和“表”。

2.1.mapping映射属性

mapping是对索引库中文档的约束，常见的mapping属性包括：

  • type：字段数据类型，常见的简单类型有：
    • 字符串：text（可分词的文本）、keyword（精确值，例如：品牌、国家、ip地址）
    • 数值：long、integer、short、byte、double、float、
    • 布尔：boolean
    • 日期：date
    • 对象：object
  • index：是否创建索引，默认为true
  • analyzer：使用哪种分词器
  • properties：该字段的子字段

例如下面的json文档：

{ 
        
    "age": 21,
    "weight": 52.1,
    "isMarried": false,
    "info": "黑马程序员Java讲师",
    "email": "zy@itcast.cn",
    "score": [99.1, 99.5, 98.9],
    "name": { 
        
        "firstName": "云",
        "lastName": "赵"
    }
}

对应的每个字段映射（mapping）：

  • age：类型为 integer；参与搜索，因此需要index为true；无需分词器
  • weight：类型为float；参与搜索，因此需要index为true；无需分词器
  • isMarried：类型为boolean；参与搜索，因此需要index为true；无需分词器
  • info：类型为字符串，需要分词，因此是text；参与搜索，因此需要index为true；分词器可以用ik_smart
  • email：类型为字符串，但是不需要分词，因此是keyword；不参与搜索，因此需要index为false；无需分词器
  • score：虽然是数组，但是我们只看元素的类型，类型为float；参与搜索，因此需要index为true；无需分词器
  • name：类型为object，需要定义多个子属性
    • name.firstName；类型为字符串，但是不需要分词，因此是keyword；参与搜索，因此需要index为true；无需分词器
    • name.lastName；类型为字符串，但是不需要分词，因此是keyword；参与搜索，因此需要index为true；无需分词器

2.2.索引库的CRUD

这里我们统一使用Kibana编写DSL的方式来演示。

2.2.1.创建索引库和映射

基本语法：

格式：

PUT /索引库名称
{ 
        
  "mappings": { 
        
    "properties": { 
        
      "字段名":{ 
        
        "type": "text",
        "analyzer": "ik_smart"
      },
      "字段名2":{ 
        
        "type": "keyword",
        "index": "false"
      },
      "字段名3":{ 
        
        "properties": { 
        
          "子字段": { 
        
            "type": "keyword"
          }
        }
      },
      // ...略
    }
  }
}

示例：

PUT /heima
{
  "mappings":{
    "properties":{
      "info":{
        "type":"text",
        "analyzer":"ik_smart"
      },
      "email":{
        "type":"keyword",
        "index":false
      },
      "name":{
        "type":"object",
        "properties":{
          "firstName":{
            "type":"keyword"
          },
          "lastName":{
            "type":"keyword"
          }
        }
      }
    }
  }
}

2.2.2.查询索引库

：

  • 请求方式：GET

  • 请求路径：/索引库名

  • 请求参数：无

：

GET /索引库名

：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JVMCZUVI-1648949935577)(assets/image-20210720211019329.png)]

2.2.3.修改索引库

倒排索引结构虽然不复杂，但是一旦数据结构改变（比如改变了分词器），就需要重新创建倒排索引，这简直是灾难。因此索引库。

虽然无法修改mapping中已有的字段，但是却允许添加新的字段到mapping中，因为不会对倒排索引产生影响。

：

PUT /索引库名/_mapping
{ 
        
  "properties": { 
        
    "新字段名":{ 
        
      "type": "integer"
    }
  }
}

：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-9u5WhTW0-1648949935577)(assets/image-20210720212357390.png)]

2.2.4.删除索引库

  • 请求方式：DELETE

  • 请求路径：/索引库名

  • 请求参数：无

DELETE /索引库名

在kibana中测试：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-o87hmwwI-1648949935577)(assets/image-20210720212123420.png)]

2.2.5.总结

索引库操作有哪些？

  • 创建索引库：PUT /索引库名
  • 查询索引库：GET /索引库名
  • 删除索引库：DELETE /索引库名
  • 添加字段：PUT /索引库名/_mapping

3.文档操作

3.1.新增文档

POST /索引库名/_doc/文档id
{ 
        
    "字段1": "值1",
    "字段2": "值2",
    "字段3": { 
        
        "子属性1": "值3",
        "子属性2": "值4"
    },
    // ...
}


POST /heima/_doc/1
{ 
        
    "info": "黑马程序员Java讲师",
    "email": "zy@itcast.cn",
    "name": { 
        
        "firstName": "云",
        "lastName": "赵"
    }
}

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-rsxQ572N-1648949935578)(assets/image-20210720212933362.png)]

3.2.查询文档

根据rest风格，新增是post，查询应该是get，不过查询一般都需要条件，这里我们把文档id带上。

GET /{ 
        索引库名称}/_doc/{ 
        id}


GET /heima/_doc/1

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-HmSUYhcI-1648949935578)(assets/image-20210720213345003.png)]

3.3.删除文档

删除使用DELETE请求，同样，需要根据id进行删除：

DELETE /{ 
        索引库名}/_doc/id值


# 根据id删除数据
DELETE /heima/_doc/1

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-yyr0A6pK-1648949935578)(assets/image-20210720213634918.png)]

3.4.修改文档

修改有两种方式：

  • 全量修改：直接覆盖原来的文档
  • 增量修改：修改文档中的部分字段

3.4.1.全量修改

全量修改是覆盖原来的文档，其本质是：

  • 根据指定的id删除文档
  • 新增一个相同id的文档

：如果根据id删除时，id不存在，第二步的新增也会执行，也就从修改变成了新增操作了。

PUT /{ 
        索引库名}/_doc/文档id
{ 
        
    "字段1": "值1",
    "字段2": "值2",
    // ... 略
}



PUT /heima/_doc/1
{ 
        
    "info": "黑马程序员高级Java讲师",
    "email": "zy@itcast.cn",
    "name": { 
        
        "firstName": "云",
        "lastName": "赵"
    }
}

3.4.2.增量修改

增量修改是只修改指定id匹配的文档中的部分字段。

POST /{ 
        索引库名}/_update/文档id
{ 
        
    "doc": { 
        
         "字段名": "新的值",
    }
}


POST /heima/_update/1
{ 
        
  "doc": { 
        
    "email": "ZhaoYun@itcast.cn"
  }
}

3.5.总结

文档操作有哪些？

  • 创建文档：POST /{索引库名}/_doc/文档id { json文档 }
  • 查询文档：GET /{索引库名}/_doc/文档id
  • 删除文档：DELETE /{索引库名}/_doc/文档id
  • 修改文档：
    • 全量修改：PUT /{索引库名}/_doc/文档id { json文档 }
    • 增量修改：POST /{索引库名}/_update/文档id { “doc”: {字段}}

4.RestAPI

ES官方提供了各种不同语言的客户端，用来操作ES。这些客户端的本质就是组装DSL语句，通过http请求发送给ES。官方文档地址：https://www.elastic.co/guide/en/elasticsearch/client/index.html

其中的Java Rest Client又包括两种：

  • Java Low Level Rest Client
  • Java High Level Rest Client

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-d45jG2nt-1648949935579)(assets/image-20210720214555863.png)]

我们学习的是Java HighLevel Rest Client客户端API

4.0.导入Demo工程

4.0.1.导入数据

首先导入课前资料提供的数据库数据：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JQ2nSQ2L-1648949935579)(assets/image-20210720220400297.png)]

数据结构如下：

CREATE TABLE `tb_hotel` (
  `id` bigint(20) NOT NULL COMMENT '酒店id',
  `name` varchar(255) NOT NULL COMMENT '酒店名称；例：7天酒店',
  `address` varchar(255) NOT NULL COMMENT '酒店地址；例：航头路',
  `price` int(10) NOT NULL COMMENT '酒店价格；例：329',
  `score` int(2) NOT NULL COMMENT '酒店评分；例：45，就是4.5分',
  `brand` varchar(32) NOT NULL COMMENT '酒店品牌；例：如家',
  `city` varchar(32) NOT NULL COMMENT '所在城市；例：上海',
  `star_name` varchar(16) DEFAULT NULL COMMENT '酒店星级，从低到高分别是：1星到5星，1钻到5钻',
  `business` varchar(255) DEFAULT NULL COMMENT '商圈；例：虹桥',
  `latitude` varchar(32) NOT NULL COMMENT '纬度；例：31.2497',
  `longitude` varchar(32) NOT NULL COMMENT '经度；例：120.3925',
  `pic` varchar(255) DEFAULT NULL COMMENT '酒店图片；例:/img/1.jpg',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

4.0.2.导入项目

然后导入课前资料提供的项目:

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5j24of65-1648949935579)(assets/image-20210720220503411.png)]

项目结构如图：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-tFipdGqK-1648949935580)(assets/image-20210720220647541.png)]

4.0.3.mapping映射分析

创建索引库，最关键的是mapping映射，而mapping映射要考虑的信息包括：

  • 字段名
  • 字段数据类型
  • 是否参与搜索
  • 是否需要分词
  • 如果分词，分词器是什么？

其中：

  • 字段名、字段数据类型，可以参考数据表结构的名称和类型
  • 是否参与搜索要分析业务来判断，例如图片地址，就无需参与搜索
  • 是否分词呢要看内容，内容如果是一个整体就无需分词，反之则要分词
  • 分词器，我们可以统一使用ik_max_word

来看下酒店数据的索引库结构:

PUT /hotel
{ 
        
  "mappings": { 
        
    "properties": { 
        
      "id": { 
        
        "type": "keyword"
      },
      "name":{ 
        
        "type": "text",
        "analyzer": "ik_max_word",
        "copy_to": "all"
      },
      "address":{ 
        
        "type": "keyword",
        "index": false
      },
      "price":{ 
        
        "type": "integer"
      },
      "score":{ 
        
        "type": "integer"
      },
      "brand":{ 
        
        "type": "keyword",
        "copy_to": "all"
      },
      "city":{ 
        
        "type": "keyword",
        "copy_to": "all"
      },
      "starName":{ 
        
        "type": "keyword"
      },
      "business":{ 
        
        "type": "keyword"
      },
      "location":{ 
        
        "type": "geo_point"
      },
      "pic":{ 
        
        "type": "keyword",
        "index": false
      },
      "all":{ 
        
        "type": "text",
        "analyzer": "ik_max_word"
      }
    }
  }
}

几个特殊字段说明：

  • location：地理坐标，里面包含精度、纬度
  • all：一个组合字段，其目的是将多字段的值 利用copy_to合并，提供给用户搜索

地理坐标说明：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NGHL5fkw-1648949935580)(assets/image-20210720222110126.png)]

copy_to说明：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7OJhBpau-1648949935580)(assets/image-20210720222221516.png)]

4.0.4.初始化RestClient

在elasticsearch提供的API中，与elasticsearch一切交互都封装在一个名为RestHighLevelClient的类中，必须先完成这个对象的初始化，建立与elasticsearch的连接。

分为三步：

1）引入es的RestHighLevelClient依赖：

<dependency>
    <groupId>org.elasticsearch.client</groupId>
    <artifactId>elasticsearch-rest-high-level-client</artifactId>
</dependency>

2）因为SpringBoot默认的ES版本是7.6.2，所以我们需要覆盖默认的ES版本：

<properties>
    <java.version>1.8</java.version>
    <elasticsearch.version>7.12.1</elasticsearch.version>
</properties>

3）初始化RestHighLevelClient：

初始化的代码如下：

RestHighLevelClient client = new RestHighLevelClient(RestClient.builder(
        HttpHost.create("http://192.168.150.101:9200")
));

这里为了单元测试方便，我们创建一个测试类HotelIndexTest，然后将初始化的代码编写在@BeforeEach方法中：

package cn.itcast.hotel;

import org.apache.http.HttpHost;
import org.elasticsearch.client.RestHighLevelClient;
import org.junit.jupiter.api.AfterEach;
import org.junit.jupiter.api.BeforeEach;
import org.junit.jupiter.api.Test;

import java.io.IOException;

public class HotelIndexTest { 
        
    private RestHighLevelClient client;

    @BeforeEach
    void setUp() { 
        
        this.client = new RestHighLevelClient(RestClient.builder(
                HttpHost.create("http://192.168.150.101:9200")
        ));
    }

    @AfterEach
    void tearDown() throws IOException { 
        
        this.client.close();
    }
}

4.1.创建索引库

4.1.1.代码解读

创建索引库的API如下：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ktoVJ8Nd-1648949935581)(assets/image-20210720223049408.png)]

代码分为三步：

  • 1）创建Request对象。因为是创建索引库的操作，因此Request是CreateIndexRequest。
  • 2）添加请求参数，其实就是DSL的JSON参数部分。因为json字符串很长，这里是定义了静态字符串常量MAPPING_TEMPLATE，让代码看起来更加优雅。
  • 3）发送请求，client.indices()方法的返回值是IndicesClient类型，封装了所有与索引库操作有关的方法。

4.1.2.完整示例

在hotel-demo的cn.itcast.hotel.constants包下，创建一个类，定义mapping映射的JSON字符串常量：

package cn.itcast.hotel.constants;

public class HotelConstants { 
        
    public static final String MAPPING_TEMPLATE = "{\n" +
            " \"mappings\": {\n" +
            " \"properties\": {\n" +
            " \"id\": {\n" +
            " \"type\": \"keyword\"\n" +
            " },\n" +
            " \"name\":{\n" +
            " \"type\": \"text\",\n" +
            " \"analyzer\": \"ik_max_word\",\n" +
            " \"copy_to\": \"all\"\n" +
            " },\n" +
            " \"address\":{\n" +
            " \"type\": \"keyword\",\n" +
            " \"index\": false\n" +
            " },\n" +
            " \"price\":{\n" +
            " \"type\": \"integer\"\n" +
            " },\n" +
            " \"score\":{\n" +
            " \"type\": \"integer\"\n" +
            " },\n" +
            " \"brand\":{\n" +

标签： 61082连接器

锐单商城拥有海量元器件数据手册、 IC替代型号，打造 电子元器件IC百科大全！

锐单商城 - 一站式电子元器件采购平台