Présentation d'Elasticsearch lors de Devoxx France 2012
Contenu en français
English translation available here : http://www.slideshare.net/dadoonet/elasticsearch-devoxx-france-2012-english-version
Solr and Elasticsearch in Action (at Breizhcamp)Lucian Precup
Lucene @ Breizhcamp
Lucene, la fameuse technologie pour l’indexation, la recherche et l’analyse du texte a été présente à l'édition 2012 de Breizhcamp à travers deux sessions « Tools In Action » : ElasticSearch et Solr.
Allant au-delà du tutorial, ces deux sessions ont permis de découvrir des patterns d’architecture pour l'intégration d'un moteur de recherche et navigation dans un SI ainsi que de comprendre l’alternative qu’offrent les moteurs de recherche et les approches NoSQL aux bases de données relationnelles. Des subtilités sur l’analyse du texte ont été abordées afin de montrer les forces mais aussi les limites de la magie Lucene. Les démonstrations de chaque technologie et des outils dans leur écosystème ont rendu la présentation plus interactive.
La vidéo de la présentation se trouve sur Parleys (http://www.parleys.com/#st=5&id=3351).
Introduction à ElasticSearch et les possibilités offertes par l'outil.
Retours d'expériences, recommandations et demonstration des outils gravitant autour : Kibana, Rivers, Logstash...
Téléchargez le fichier pour disposer des animations !
Solr and Elasticsearch in Action (at Breizhcamp)Lucian Precup
Lucene @ Breizhcamp
Lucene, la fameuse technologie pour l’indexation, la recherche et l’analyse du texte a été présente à l'édition 2012 de Breizhcamp à travers deux sessions « Tools In Action » : ElasticSearch et Solr.
Allant au-delà du tutorial, ces deux sessions ont permis de découvrir des patterns d’architecture pour l'intégration d'un moteur de recherche et navigation dans un SI ainsi que de comprendre l’alternative qu’offrent les moteurs de recherche et les approches NoSQL aux bases de données relationnelles. Des subtilités sur l’analyse du texte ont été abordées afin de montrer les forces mais aussi les limites de la magie Lucene. Les démonstrations de chaque technologie et des outils dans leur écosystème ont rendu la présentation plus interactive.
La vidéo de la présentation se trouve sur Parleys (http://www.parleys.com/#st=5&id=3351).
Introduction à ElasticSearch et les possibilités offertes par l'outil.
Retours d'expériences, recommandations et demonstration des outils gravitant autour : Kibana, Rivers, Logstash...
Téléchargez le fichier pour disposer des animations !
Présentation de ElasticSearch / Digital apéro du 12/11/2014Silicon Comté
ElasticSearch est un moteur de recherche open source reposant sur une interface JSON, pouvant fonctionner en mode distribué et interrogeable facilement via son API REST. Cédric Nirousset, Développeur web indépendant, vous fera découvrir les intérêts de l’utiliser dans vos applications à travers quelques exemples pratiques.
A propos de l’intervenant : Cédric Nirousset, diplomé dut DUT SRC Montébliard en 2006 et de l’UTBM en Informatique en 2010, il est maintenant développeur web indépendant à Besançon, travaillant pour des entreprises de toutes tailles et tous horizons. Suivez Cédric sur Twitter @Nyr0
Tirer le meilleur de ses données avec ElasticSearchSéven Le Mesle
Qu'est-ce qu'un moteur de recherche ? Qu'est-ce qu'ElasticSearch ? Comment l'utiliser dans le monde réel et peut-on aller plus loin que la recherche full texte ?
Besoin de rien Envie de Search - Presentation Lucene Solr ElasticSearchfrancelabs
Cette présentation donne un comparatif sur les technologie de recherche open source que sont Apache Solr et ElasticSearch. Après avoir introduit brièvement les notions de moteur de recherche open source pour entreprise, Lucene, Solr et ElasticSearch seront expliqués.
Elastic search
Moteur de recherche
Crée en 2010 par Shay Banon
Basé sur Apache Lucene (+multi-nodes)
Développé en Java
Open source (Licence Apache)
La société a été crée en 2012
La version courante est 2.0
Site officiel: https://www.elastic.co/
[Breizhcamp 2015] MongoDB et Elastic, meilleurs ennemis ?Sébastien Prunier
MongoDB ? Elastic ? Ces technologies sont elles faites pour être concurrentes ?
C'est l'histoire d'une rencontre entre deux technologies. A l'occasion de cette conférence vous apprendrez comment MongoDB et Elastic peuvent se compléter, comment tirer partie du meilleur de chaque monde : "le bon outil pour le bon usage".
Enfin, nous vous présenterons les principaux patterns d'architecture permettant d'intégrer ces deux technologies.
Oxalide Workshop #3 - Elasticearch, an overviewLudovic Piot
Après les 2 précédents ateliers Varnish, c’est au tour d’ElasticSearch de passer entre les mains Ludovic Piot (Oxalide) avec Edouard Fajnzilberg (Kernel42) . Ils ont déroulé le sujet avec les points de vue Syadmin et Dev.
Subject: Oxalide's workshop about an overview of elasticsearch.
Date: 10-mar-2016
Speakers: Edouard Fajnzilberg (Kernel42) and Ludovic Piot (Oxalide)
Language: french
Video capture: https://youtu.be/3bPoeVoUdFI
Main topics:
When do we use elasticsearch?
Why is it cool?
Introduction to Head plugin
Introduction to the REST API
Introduction to the Query DSL and the JSON document
How to configure a cluster?
How does it compare to a SGBD-R?
How does a reversed-index work?
An explaination of Lucene Segments
An explaination of the cluster architecture
An overview of the mappings (principles, dynamic mapping and templates)
An overview of the aggregations (buckets, metrics, multiple, nestable, sortable, aggregation types, use cases, pipelines)
An overview of the ecosystem (Sense, Logstash, Beats, Kibana, TimeLion, Marvel, Watcher, Shield, Head, Kopf, HQ, Inquisitor, BigDesk, SegmentSpy)
Building an ETL pipeline for Elasticsearch using SparkItai Yaffe
How we, at eXelate, built an ETL pipeline for Elasticsearch using Spark, including :
* Processing the data using Spark.
* Indexing the processed data directly into Elasticsearch using elasticsearch-hadoop plugin-in for Spark.
* Managing the flow using some of the services provided by AWS (EMR, Data Pipeline, etc.).
The presentation includes some tips and discusses some of the pitfalls we encountered while setting-up this process.
Présentation de ElasticSearch / Digital apéro du 12/11/2014Silicon Comté
ElasticSearch est un moteur de recherche open source reposant sur une interface JSON, pouvant fonctionner en mode distribué et interrogeable facilement via son API REST. Cédric Nirousset, Développeur web indépendant, vous fera découvrir les intérêts de l’utiliser dans vos applications à travers quelques exemples pratiques.
A propos de l’intervenant : Cédric Nirousset, diplomé dut DUT SRC Montébliard en 2006 et de l’UTBM en Informatique en 2010, il est maintenant développeur web indépendant à Besançon, travaillant pour des entreprises de toutes tailles et tous horizons. Suivez Cédric sur Twitter @Nyr0
Tirer le meilleur de ses données avec ElasticSearchSéven Le Mesle
Qu'est-ce qu'un moteur de recherche ? Qu'est-ce qu'ElasticSearch ? Comment l'utiliser dans le monde réel et peut-on aller plus loin que la recherche full texte ?
Besoin de rien Envie de Search - Presentation Lucene Solr ElasticSearchfrancelabs
Cette présentation donne un comparatif sur les technologie de recherche open source que sont Apache Solr et ElasticSearch. Après avoir introduit brièvement les notions de moteur de recherche open source pour entreprise, Lucene, Solr et ElasticSearch seront expliqués.
Elastic search
Moteur de recherche
Crée en 2010 par Shay Banon
Basé sur Apache Lucene (+multi-nodes)
Développé en Java
Open source (Licence Apache)
La société a été crée en 2012
La version courante est 2.0
Site officiel: https://www.elastic.co/
[Breizhcamp 2015] MongoDB et Elastic, meilleurs ennemis ?Sébastien Prunier
MongoDB ? Elastic ? Ces technologies sont elles faites pour être concurrentes ?
C'est l'histoire d'une rencontre entre deux technologies. A l'occasion de cette conférence vous apprendrez comment MongoDB et Elastic peuvent se compléter, comment tirer partie du meilleur de chaque monde : "le bon outil pour le bon usage".
Enfin, nous vous présenterons les principaux patterns d'architecture permettant d'intégrer ces deux technologies.
Oxalide Workshop #3 - Elasticearch, an overviewLudovic Piot
Après les 2 précédents ateliers Varnish, c’est au tour d’ElasticSearch de passer entre les mains Ludovic Piot (Oxalide) avec Edouard Fajnzilberg (Kernel42) . Ils ont déroulé le sujet avec les points de vue Syadmin et Dev.
Subject: Oxalide's workshop about an overview of elasticsearch.
Date: 10-mar-2016
Speakers: Edouard Fajnzilberg (Kernel42) and Ludovic Piot (Oxalide)
Language: french
Video capture: https://youtu.be/3bPoeVoUdFI
Main topics:
When do we use elasticsearch?
Why is it cool?
Introduction to Head plugin
Introduction to the REST API
Introduction to the Query DSL and the JSON document
How to configure a cluster?
How does it compare to a SGBD-R?
How does a reversed-index work?
An explaination of Lucene Segments
An explaination of the cluster architecture
An overview of the mappings (principles, dynamic mapping and templates)
An overview of the aggregations (buckets, metrics, multiple, nestable, sortable, aggregation types, use cases, pipelines)
An overview of the ecosystem (Sense, Logstash, Beats, Kibana, TimeLion, Marvel, Watcher, Shield, Head, Kopf, HQ, Inquisitor, BigDesk, SegmentSpy)
Building an ETL pipeline for Elasticsearch using SparkItai Yaffe
How we, at eXelate, built an ETL pipeline for Elasticsearch using Spark, including :
* Processing the data using Spark.
* Indexing the processed data directly into Elasticsearch using elasticsearch-hadoop plugin-in for Spark.
* Managing the flow using some of the services provided by AWS (EMR, Data Pipeline, etc.).
The presentation includes some tips and discusses some of the pitfalls we encountered while setting-up this process.
Dans un contexte où la recherche en texte intégral et l’avènement du Web 2.0 remettent en cause l’utilité et donc l’existence même de référentiels, ceux-ci sont obliger d'évoluer pour survivre. Cependant ces référentiels sont très utiles aux bons moteurs de recherche qui savent les exploiter pour réaliser de nombreuses fonctions dont nous donnons dans cette présentation un aperçu.
Est-ce que que les logiciels du marché sont tous équivalents ? Faut-il remplacer le moteur de recherche existant sur son intranet ? Peut-on utiliser un seul logiciel pour traiter les différentes problématiques de recherche d'information de l'ensemble de l'organisation ? Est-ce qu'un logiciel résout tous les problèmes d'accès à l'information ?
Voici un petit comparatif des options de recherche avancées des moteur de recherche Yahoo, Viewzi, Bing et des résultats que l'on obtient (réalisé avant la fusion Yahoo et Bing)
Integrating Elastic and Apache Spark - Elastic London Meetup (2015-09-24)Neil Andrassy
Neil Andrassy, CTO at The Filter, a powerful personalisation engine for optimising media and retail user journeys, presents an introduction to adding highly scalable batch processing capabilities over your Elastic cluster. First presented at Elastic London Meetup (2015-09-24).
Large scale near real-time log indexing with Flume and SolrCloudDataWorks Summit
Apache Flume’s extensible architecture allows Cisco to stream system and application logs from worldwide production data centers to a central Hadoop cluster and Solr. This architecture enables a new level of scalable indexing so that a larger volume of logs is searchable within seconds. Using Solr 4.0′s near real time features together with Hadoop, we can execute mission critical tasks much quicker, improving our ability to meet tight SLAs. At the same time, using the same infrastructure, we can perform large-scale historical analysis and pattern extraction to help further improve our services. This talk will explore our infrastructure and decisions we?ve made to meet key requirements, i.e. high indexing load, high availability and disaster recovery. We will further explore other uses of Flume and SolrCloud within Cisco including dynamic event routing, parsing and multi-tenancy.
2015-06-15 Large-Scale Elastic-Net Regularized Generalized Linear Models at S...DB Tsai
Nonlinear methods are widely used to produce higher performance compared with linear methods; however, nonlinear methods are generally more expensive in model size, training time, and scoring phase. With proper feature engineering techniques like polynomial expansion, the linear methods can be as competitive as those nonlinear methods. In the process of mapping the data to higher dimensional space, the linear methods will be subject to overfitting and instability of coefficients which can be addressed by penalization methods including Lasso and Elastic-Net. Finally, we'll show how to train linear models with Elastic-Net regularization using MLlib.
Several learning algorithms such as kernel methods, decision tress, and random forests are nonlinear approaches which are widely used to have better performance compared with linear methods. However, with feature engineering techniques like polynomial expansion by mapping the data into a higher dimensional space, the performance of linear methods can be as competitive as those nonlinear methods. As a result, linear methods remain to be very useful given that the training time of linear methods is significantly faster than the nonlinear ones, and the model is just a simple small vector which makes the prediction step very efficient and easy. However, by mapping the data into higher dimensional space, those linear methods are subject to overfitting and instability of coefficients, and those issues can be successfully addressed by penalization methods including Lasso and Elastic-Net. Lasso method with L1 penalty tends to result in many coefficients shrunk exactly to zero and a few other coefficients with comparatively little shrinkage. L2 penalty trends to result in all small but non-zero coefficients. Combining L1 and L2 penalties are called Elastic-Net method which tends to give a result in between. In the first part of the talk, we'll give an overview of linear methods including commonly used formulations and optimization techniques such as L-BFGS and OWLQN. In the second part of talk, we will talk about how to train linear models with Elastic-Net using our recent contribution to Spark MLlib. We'll also talk about how linear models are practically applied with big dataset, and how polynomial expansion can be used to dramatically increase the performance.
DB Tsai is an Apache Spark committer and a Senior Research Engineer at Netflix. He is recently working with Apache Spark community to add several new algorithms including Linear Regression and Binary Logistic Regression with ElasticNet (L1/L2) regularization, Multinomial Logistic Regression, and LBFGS optimizer. Prior to joining Netflix, DB was a Lead Machine Learning Engineer at Alpine Data Labs, where he developed innovative large-scale distributed linear algorithms, and then contributed back to open source Apache Spark project.
Solr, c'est simple et Big Data ready - prez au Lyon jug Fév 2014francelabs
Découvrez les outils open source de Search qui ont déjà convaincu de nombreuses entreprises, et qui est proposé par la fondation Apache: Lucene / Solr. Dans la première partie, histoire de savoir de quoi on parle, Aurélien vous présentera les projets Lucene et Solr, leurs composants, leur architecture, leurs features, et on saupoudrera tout ça de scalabilité avec SolrCloud.
En deuxième partie, Aurélien vous présentera l'écosystème (ou du moins une partie) qui gravite autour de Lucene /Solr: ManifoldCF qui permet de gérer les connexions aux sources de données (avec démo d'indexation de contenu et recherche en live), Hadoop, car il faut bien parler de Big Data, et parce que Solr devient un des outils de référence pour faire du search sur Hadoop (avec là encore une démo d'interaction Hadoop et Solr). Avec tout ça vous aurez dans vos bagages de quoi gérer des Big projets avec du Big search dedans.
Recherche full-text et recommandation, deux mondes à part? Nous verrons qu’il est possible de marier Lucene (Elastic Search/Solr) et filtrage collaboratif afin de produire un système de recommandation flexible et scalable. Cela passera par un aperçu des dernières sorties : la plateforme Confluent (Kafka) ainsi que Mahout 0.10 (avec Samsara).
Soirée Search Lucene/Solr
Découvrez les outils open source de Search qui ont déjà convaincu de nombreuses entreprises, et qui est proposé par la fondation Apache: Lucene / Solr.
Dans la première partie de soirée, histoire de savoir de quoi on parle, Olivier vous présentera les projets Lucene et Solr, leurs composants, leur architecture, leurs features, et on saupoudrera tout ça de scalabilité avec SolrCloud (avec démo).
En deuxième partie de soirée, Olivier vous présentera l’écosystème (ou du moins une partie) qui gravite autour de Lucene /Solr: ManifoldCF qui permet de gérer les connexions aux sources de données (avec démo d’indexation de contenu et recherche en live grâce à Datafari) et Hadoop, car il faut bien parler de Big Data, et parce que Solr devient un des outils de référence pour faire du search sur Hadoop.
Avec tout ça vous aurez dans vos bagages de quoi gérer des Big projets avec du Big search dedans.
www.francelabs.com
www.datafari.com
Conférence Devoxx FR 2022
"Microservices, DDD et bootstrapping pour faire un départ lancé"
Résumé de la présentation :
Associer microservices et conception DDD (Domain-Driven Design) semble une évidence. Le découpage en contextes et les différentes couches d’architecture constituent un cadre séduisant pour bâtir des microservices avec une structure stéréotypée. Mais si on souhaite respecter les fondamentaux du DDD et garantir l’isolation des différentes couches on arrive rapidement à une structure de projet basée sur plusieurs modules qui peuvent devenir complexes à gérer et qui risquent de ralentir le cycle de développement, en particulier lors de la phase de démarrage.
Cette présentation est un retour d’expérience d’un grand projet dans lequel le générateur de code Telosys a été utilisé pour automatiser la phase d’amorçage de chaque microservice.
Environnement technique : Java, SpringBoot, Telosys
Architecture d’une app qui fait 5 millions de visites par moisJulien Carnelos
Basé sur un cas réel dans la presse quotidienne régionale, cette présentation vous montrera quels sont les principes d'architecture à respecter pour concevoir et maintenir un parc d'applications mobiles natives iOS / Android / Windows Phone 8. Nous verrons les différentes étapes de la construction d'un socle commun et générique, résistant à la charge et évolutif. Nous parlerons également des solutions hybrides, de la gestion server-side, de la prise en compte du réseau mobile et des difficultés rencontrées.
Créer un moteur de recherche avec des logiciels libresRobert Viseur
Lorsque l’on parle de moteur de recherche, les noms de Google, Bing ou Yahoo! viennent immédiatement à l’esprit. La taille de ces moteurs (plusieurs milliards de pages indexées), l’importance des infrastructures (grands centres de données) et la pertinence des résultats de recherche peuvent donner l’impression que les développements spécifiques sont devenus impossibles ou sans intérêt.
La création de moteurs de recherche spécialisés reste cependant possible, et utile pour certains usages particuliers (ex.: moteurs de recherche d’entreprise, mise en place de systèmes de veille, etc.). Pour ce faire, le développeur peut s’appuyer sur les interfaces de programmation (API) généralement mises à disposition par les moteurs de recherche commerciaux mais aussi sur les très nombreux composants et logiciels libres existants. Ces derniers couvrent la collecte des données textuelles, leur analyse, leur indexation et leur présentation.
La présentation détaille les différentes étapes de création d’un moteur de recherche. Les outils libres disponibles, ainsi que leurs limites et cadres d’utilisation privilégiés, sont ensuite présentés.
MySQL Innovation & Cloud Day - Document Store avec MySQL HeatWave Database Se...Frederic Descamps
Découvrez un nouveau monde où l'on peut gérer ses données sans la moindre ligne de SQL.
MySQL Document Store utilise le nouveau protocol MySQL X, qui est également présent avec MySQL Database Service sur OCI, et permet aux développeurs d'écrire du code simple et efficace.
Mais attention, si nécessaire, MySQL Document Store peut également traiter les document JSON comme s'ils étaient des tables relationnelles et permettre des requêtes très poussées...
Une base de données, pourquoi faire ? Le SQL, c’est quoi ce langage ? Un DBA, ça sert à quoi ? Cette session est là pour démystifier la base de données du point de vue des développeurs. Au programme : des bonnes pratiques, de la méthodologie, quelques tips techniques… De quoi rapprocher les développeurs et les DBA.
Créer une IA capable de reconnaître des fleurs (ou autres)Olivier Eeckhoutte
Conférence donnée par Olivier Eeckhoutte (Lean Deep) sur le sujet du Deep Learning pour Nutigo. Nutigo est une nouvelle association qui traite des sujets d'innovation.
Introduction au web des données (Linked Data)BorderCloud
L'Open Data, le Big Data, le Web des données, le Web sémantique, les ontologies, le NoSql et le SPARQL sont autant de notions qu'il faut comprendre pour ne pas rater la prochaine rupture technologique du Web.
Cette présentation est l'introduction de la formation sur le Web sémantique que donne la société BorderCloud pour prendre un peu de recule sur les buzzwords du moment et savoir si vous avez besoin de faire du Big Data ou bien du Linked Data.
Mise en place d’un moteur de recherche et de recommandation de documents text...AbdeslamAMRANE3
Actuellement, tout organisme est à la recherche d’informations pertinentes sur soit même et son environnement. La détention de cette information constitue un atout majeur et un gain en temps et en argent.
Cependant, le volume d’information stockée électroniquement ne cesse de s’accroître. De plus, l’information disséminée dans un document n’est pas structurée et donc difficilement accessible voire identifiable.
Par conséquent, se pose le problème de retrouver de manière pertinente un ensemble d’informations contenu au sein d’une base documentaire, appelée corpus. Cette problématique générale appelée Recherche d'Information (RI) dans les documents, aussi connue sous le nom Recherche Documentaire (RD) par le contenu, constitue le contexte de nos travaux.
Notre étude est principalement dédiée à la représentation de l’information contenue dans un document au sein d'un système de recherche d'information, c'est à dire à l'indexation des documents. Nos travaux se limitent au traitement de documents textuelles, toute utilisation du terme « document » fera uniquement référence à son contenu textuel.
Nous travaillerons dans un environnement Big data où nos documents seront stockés afin de dépasser les limites de stockages habituelles et profiter les avantages offert par cet environnement.
Dans le but de facilité la recherche aux utilisateurs, nous concevrons un système automatique de recommandation permettant, à partir des recherches précédentes, d’indiquer des thèses qui sont les plus proches des préoccupations de l’utilisateur.
Nous avons intégré un module data mining utilisant la technique d'extraction des règles d'association afin de recommander les documents fréquemment associées dans une même recherche.
Nous adopterons à cet effet l'extraction des itemsets fréquents et nous avons utilisé l’algorithme appriori.
Pour donner un aspect pratique à nos travaux, nous exploiterons le dépôt légal des thèses au niveau du CERIST (versions numérique) dont le contenu textuel jusqu'à présent n’est pas encore indexé, comme corpus pour nos travaux.
- Pour réaliser ce travail on procédera comme suit :
- Le premier chapitre, contiendra une étude théorique et comparative des fonctionnalités des différents moteurs de recherche existants.
- Le deuxième chapitre sera consacré l’état de l’art sur les concepts de base des systèmes de recommandation, et ses techniques et approches de filtrages d’information.
- Le troisième chapitre, donne une idée sur le Big data et les plateformes Big data
- Le quatrième chapitre fera le point sur la conception du projet.
- Le cinquième chapitre pour la l’implémentation de notre projet
- Et enfin un dernier chapitre pour une évaluation d’n système de recherche d’information et un système de recommandation.
L’objet de ce projet est de mettre en œuvre dans un environnement Big data, un système pour stocker, indexer et rechercher les documents de la production scientifique nationale.
2018-10-02 - Un moteur de recherche NoSQL pour chercher^H^H^H^H^H^H^H^H trouv...David Pilato
Vous cherchez toujours dans vos données avec des SELECT * FROM person WHERE name like '%david%pilato%" ?
Au delà des performances obtenues, êtes-vous certain de renvoyer les résultats les plus pertinents pour vos utilisateurs d'abord ?
Venez découvrir comment un moteur de recherche vous aidera à répondre aux questions posées par vos utilisateurs, de manière pertinente et efficace, tout en apportant des fonctionnalités d'analyse des résultats et ce, quelque soit le volume...
Managing your black friday logs Voxxed LuxembourgDavid Pilato
Surveiller une application complexe n'est pas une tâche aisée, mais avec les bons outils, ce n'est pas si sorcier. Néanmoins, des périodes fortes telles que les opérations de type "Black Friday" (Vendredi noir) ou période de Noël peuvent pousser votre application aux limites de ce qu'elle peut supporter, ou pire, la faire crasher. Parce que le système est fortement sollicité, il génère encore davantage de logs qui peuvent également mettre à mal votre système de supervision.
Dans cette session, j'aborderai les bonnes pratiques d'utilisation de la suite Elastic pour centraliser et monitorer vos logs. Je partagerai également avec vous quelques trucs et astuces pour vous aider à passer sans souci vos Vendredis noirs !
Nous verrons :
* Les architectures de monitoring
* Trouver la taille optimale pour l'API _bulk
* Distribuer la charge
* Taille des index et des shards
* Optimiser les E/S disque
Vous ressortirez de la session avec : des bonnes pratiques pour bâtir son système de monitoring avec la suite Elastic, le tuning avancé pour optimiser les performances d'ingestion et de recherche.
Un moteur de recherche NoSQL pour chercher^H^H^H^H^H^H^H^H trouver...David Pilato
Vous cherchez toujours dans vos données avec des SELECT * FROM person WHERE name like '%david%pilato%" ?
Au delà des performances obtenues, êtes-vous certain de renvoyer les résultats les plus pertinents pour vos utilisateurs d'abord ?
Venez découvrir comment un moteur de recherche vous aidera à répondre aux questions posées par vos utilisateurs, de manière pertinente et efficace, tout en apportant des fonctionnalités d'analyse des résultats et ce, quelque soit le volume...
Managing your Black Friday Logs NDC OsloDavid Pilato
Monitoring an entire application is not a simple task, but with the right tools it is not a hard task either. However, events like Black Friday can push your application to the limit, and even cause crashes. As the system is stressed, it generates a lot more logs, which may crash the monitoring system as well. In this talk I will walk through the best practices when using the Elastic Stack to centralize and monitor your logs. I will also share some tricks to help you with the huge increase of traffic typical in Black Fridays.
Topics include:
* monitoring architectures
* optimal bulk size
* distributing the load
* index and shard size
* optimizing disk IO
Takeaway: best practices when building a monitoring system with the Elastic Stack, advanced tuning to optimize and increase event ingestion performance.
Managing your black friday logs - Code EuropeDavid Pilato
Monitoring an entire application is not a simple task, but with the right tools it is not a hard task either. However, events like Black Friday can push your application to the limit, and even cause crashes. As the system is stressed, it generates a lot more logs, which may crash the monitoring system as well. In this talk I will walk through the best practices when using the Elastic Stack to centralize and monitor your logs. I will also share some tricks to help you with the huge increase of traffic typical in Black Fridays.
Topics include:
* monitoring architectures
* optimal bulk size
* distributing the load
* index and shard size
* optimizing disk IO
Takeaway: best practices when building a monitoring system with the Elastic Stack, advanced tuning to optimize and increase event ingestion performance.
Managing your black Friday logs - CloudConf.ITDavid Pilato
Monitoring an entire application is not a simple task, but with the right tools it is not a hard task either. However, events like Black Friday can push your application to the limit, and even cause crashes. As the system is stressed, it generates a lot more logs, which may crash the monitoring system as well. In this talk I will walk through the best practices when using the Elastic Stack to centralize and monitor your logs. I will also share some tricks to help you with the huge increase of traffic typical in Black Fridays.
Elasticsearch - Devoxx France 2012 - English versionDavid Pilato
Elasticsearch presentation for Devoxx France 2012
English translation (feel free to correct my bad english ;-) )
French version is available here : http://www.slideshare.net/dadoonet/elasticsearch-devoxx-france-2012
3. Abstract
• Un moteur ? Pourquoi faire ?
• Elasticsearch : une solution simple, complète, performante
• Et si on indexait Twitter ?
Faites du bruit sur @DevoxxFR
avec le hashtag #elasticsearch !
3
5. Cas d'école « SQL old school »
Un document dans une base de données :
• Un attribut date : 19/04/2012
• Un attribut codifié pays : FR
• Correspondant à la table d’association code/libellé
• Code : FR
• Libellé : France
• Un attribut commentaire : "J’observe une erreur de saisie dans la
désignation commerciale du produit. Songer à téléphoner à David."
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
5
6. Cas d'école « SQL old school »
Un document dans une base de données : doc pays
• Un attribut date : 19/04/2012 date code
• Un attribut codifié pays : FR pays libelle
• Correspondant à la table d’association code/libellé commentaire
• Code : FR
• Libellé : France
• Un attribut commentaire : "J’observe une erreur de saisie dans la
désignation commerciale du produit. Songer à téléphoner à David."
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
5
7. Cas d'école « SQL old school »
• Cherche moi un document de décembre 2011 portant sur la
france et contenant saisie et david
• En SQL :
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
6
8. Cas d'école « SQL old school »
• Cherche moi un document de décembre 2011 portant sur la
france et contenant saisie et david
• En SQL :
SELECT
doc.*, pays.*
FROM
doc, pays
WHERE
doc.pays_code = pays.code AND
doc.date_doc > to_date('2011-12', 'yyyy-mm') AND
doc.date_doc < to_date('2012-01', 'yyyy-mm') AND
lower(pays.libelle) = 'france' AND
lower(doc.commentaire) LIKE ‘%saisie%' AND
lower(doc.commentaire) LIKE ‘%david%';
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
6
9. Performances du like ‘%’
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
7
10. Performances du like ‘%’
Voir aussi : http://www.cestpasdur.com/2012/04/01/elasticsearch-vs-mysql-recherche
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
7
11. C'est quoi un moteur ?
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
8
12. C'est quoi un moteur ?
• Un moteur de recherche est composé de :
• un moteur d’indexation de documents
• un moteur de recherche sur les index
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
8
13. C'est quoi un moteur ?
• Un moteur de recherche est composé de :
• un moteur d’indexation de documents
• un moteur de recherche sur les index
• De fait, un moteur de recherche est énormément plus rapide qu’une
base de données pour faire des recherches :
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
8
14. C'est quoi un moteur ?
• Un moteur de recherche est composé de :
• un moteur d’indexation de documents
• un moteur de recherche sur les index
• De fait, un moteur de recherche est énormément plus rapide qu’une
base de données pour faire des recherches :
c’est son métier !
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
8
18. Elasticsearch
• Moteur de recherche pour la génération NoSQL
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
10
19. Elasticsearch
• Moteur de recherche pour la génération NoSQL
• Basé sur le standard Apache Lucene
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
10
20. Elasticsearch
• Moteur de recherche pour la génération NoSQL
• Basé sur le standard Apache Lucene
• Masque la complexité Java/Lucene à l’aide de services standards HTTP /
RESTful / JSON
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
10
21. Elasticsearch
• Moteur de recherche pour la génération NoSQL
• Basé sur le standard Apache Lucene
• Masque la complexité Java/Lucene à l’aide de services standards HTTP /
RESTful / JSON
• Utilisable à partir de n’importe quelle technologie
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
10
22. Elasticsearch
• Moteur de recherche pour la génération NoSQL
• Basé sur le standard Apache Lucene
• Masque la complexité Java/Lucene à l’aide de services standards HTTP /
RESTful / JSON
• Utilisable à partir de n’importe quelle technologie
• Ajoute la couche cloud manquante à Lucene
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
10
23. Elasticsearch
• Moteur de recherche pour la génération NoSQL
• Basé sur le standard Apache Lucene
• Masque la complexité Java/Lucene à l’aide de services standards HTTP /
RESTful / JSON
• Utilisable à partir de n’importe quelle technologie
• Ajoute la couche cloud manquante à Lucene
• C’est un moteur, pas une interface graphique !
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
10
25. Points clés
• Simple ! En quelques minutes (Zero Conf), on dispose d’un moteur
complet prêt à recevoir nos documents à indexer et à faire des recherches.
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
11
26. Points clés
• Simple ! En quelques minutes (Zero Conf), on dispose d’un moteur
complet prêt à recevoir nos documents à indexer et à faire des recherches.
• Efficace ! Il suffit de démarrer des nœuds Elasticsearch pour bénéficier
immédiatement de la réplication, de l’équilibrage de charge.
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
11
27. Points clés
• Simple ! En quelques minutes (Zero Conf), on dispose d’un moteur
complet prêt à recevoir nos documents à indexer et à faire des recherches.
• Efficace ! Il suffit de démarrer des nœuds Elasticsearch pour bénéficier
immédiatement de la réplication, de l’équilibrage de charge.
• Puissant ! Basé sur Lucene, il en parallélise les traitements pour donner
des temps de réponse acceptables (en général inférieurs à 100ms)
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
11
28. Points clés
• Simple ! En quelques minutes (Zero Conf), on dispose d’un moteur
complet prêt à recevoir nos documents à indexer et à faire des recherches.
• Efficace ! Il suffit de démarrer des nœuds Elasticsearch pour bénéficier
immédiatement de la réplication, de l’équilibrage de charge.
• Puissant ! Basé sur Lucene, il en parallélise les traitements pour donner
des temps de réponse acceptables (en général inférieurs à 100ms)
• Complet ! Beaucoup de fonctionnalités : analyse et facettes, percolation,
rivières, plugins, …
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
11
30. Ranger ses données
• Document : Un objet représentant les données (au sens NoSQL).
Penser "recherche", c'est oublier le SGBDR et penser "Documents"
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
12
31. Ranger ses données
• Document : Un objet représentant les données (au sens NoSQL).
Penser "recherche", c'est oublier le SGBDR et penser "Documents"
{
"text": "Bienvenue à la conférence #elasticsearch pour #devoxxfr",
"created_at": "2012-04-06T20:45:36.000Z",
"source": "Twitter for iPad",
"truncated": false,
Un tweet
"retweet_count": 0,
"hashtag": [ { "text": "elasticsearch", "start": 27, "end": 40 },
{ "text": "devoxxfr", "start": 47, "end": 55 } ],
"user": { "id": 51172224, "name": "David Pilato",
"screen_name": "dadoonet", "location": "France",
"description": "Soft Architect, Project Manager, Senior Developper.rnAt this time, enjoying NoSQL
world : CouchDB, ElasticSearch.rnDeeJay 4 times a year, just for fun !" }
}
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
12
32. Ranger ses données
• Document : Un objet représentant les données (au sens NoSQL).
Penser "recherche", c'est oublier le SGBDR et penser "Documents"
{
"text": "Bienvenue à la conférence #elasticsearch pour #devoxxfr",
"created_at": "2012-04-06T20:45:36.000Z",
"source": "Twitter for iPad",
"truncated": false,
Un tweet
"retweet_count": 0,
"hashtag": [ { "text": "elasticsearch", "start": 27, "end": 40 },
{ "text": "devoxxfr", "start": 47, "end": 55 } ],
"user": { "id": 51172224, "name": "David Pilato",
"screen_name": "dadoonet", "location": "France",
"description": "Soft Architect, Project Manager, Senior Developper.rnAt this time, enjoying NoSQL
world : CouchDB, ElasticSearch.rnDeeJay 4 times a year, just for fun !" }
}
• Type : Regroupe des documents de même type
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
12
33. Ranger ses données
• Document : Un objet représentant les données (au sens NoSQL).
Penser "recherche", c'est oublier le SGBDR et penser "Documents"
{
"text": "Bienvenue à la conférence #elasticsearch pour #devoxxfr",
"created_at": "2012-04-06T20:45:36.000Z",
"source": "Twitter for iPad",
"truncated": false,
Un tweet
"retweet_count": 0,
"hashtag": [ { "text": "elasticsearch", "start": 27, "end": 40 },
{ "text": "devoxxfr", "start": 47, "end": 55 } ],
"user": { "id": 51172224, "name": "David Pilato",
"screen_name": "dadoonet", "location": "France",
"description": "Soft Architect, Project Manager, Senior Developper.rnAt this time, enjoying NoSQL
world : CouchDB, ElasticSearch.rnDeeJay 4 times a year, just for fun !" }
}
• Type : Regroupe des documents de même type
• Index : Espace logique de stockage des documents dont les types sont
fonctionnellement communs
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
12
34. Interagir avec Elasticsearch
API REST : http://host:port/[index]/[type]/[_action/id]
Méthodes HTTP : GET, POST, PUT, DELETE
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
13
35. Interagir avec Elasticsearch
API REST : http://host:port/[index]/[type]/[_action/id]
Méthodes HTTP : GET, POST, PUT, DELETE
Documents
• curl -XPUT http://localhost:9200/twitter/tweet/1
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
13
50. Les résultats de recherche
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
16
51. Les résultats de recherche
• Elasticsearch ne renvoie que les 10 premiers résultats (même sur
plusieurs millions)
• Elasticsearch permet ensuite de se "balader" dans les résultats
$ curl "localhost:9200/twitter/tweet/_search?q=elasticsearch&from=10&size=10"
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
16
52. Les résultats de recherche
• Elasticsearch ne renvoie que les 10 premiers résultats (même sur
plusieurs millions)
• Elasticsearch permet ensuite de se "balader" dans les résultats
$ curl "localhost:9200/twitter/tweet/_search?q=elasticsearch&from=10&size=10"
• La pertinence est calculée suivant le nombre d'occurrences plus ou
moins exactes de chaque terme dans un document
$ curl "localhost:9200/twitter/tweet/_search?q=elasticsearch&explain=true"
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
16
53. Quelques types de recherche
Langage QueryDSL pour les recherches avancées
Type Description
Recherche tout le contenu (pratique avec des filtres)
Recherche avec analyse, jokers (syntaxe Lucene possible* +, -, FROM, TO, ^)
Recherche d'un terme sans analyse préalable
Recherche d'un texte avec analyse (par défaut OR sur chaque token)
Recherche avec joker (*, ?)
Recherche multi-critères (MUST, MUST NOT, SHOULD)
Recherche intervalle (>, >=, <, <=)
Utile pour faire de l'autocomplétion
Filtrage (couplage de filtres et de queries)
Permet des recherches par vraisemblance de termes
Permet de trouver des documents avec un minimum de termes
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
17
54. Quelques types de recherche
Langage QueryDSL pour les recherches avancées
Type Description
Match All Recherche tout le contenu (pratique avec des filtres)
QueryString Recherche avec analyse, jokers (syntaxe Lucene possible* +, -, FROM, TO, ^)
Term Recherche d'un terme sans analyse préalable
Text Recherche d'un texte avec analyse (par défaut OR sur chaque token)
Wildcard Recherche avec joker (*, ?)
Bool Recherche multi-critères (MUST, MUST NOT, SHOULD)
Range Recherche intervalle (>, >=, <, <=)
Prefix Utile pour faire de l'autocomplétion
Filtered Filtrage (couplage de filtres et de queries)
Fuzzy like this Permet des recherches par vraisemblance de termes
More like this Permet de trouver des documents avec un minimum de termes
* http://lucene.apache.org/core/old_versioned_docs/versions/3_5_0/queryparsersyntax.html
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
17
71. Rivers
• CouchDB River
• MongoDB River
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
25
72. Rivers
• CouchDB River
• MongoDB River
• Wikipedia River
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
25
73. Rivers
• CouchDB River
• MongoDB River
• Wikipedia River
• Twitter River
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
25
74. Rivers
• CouchDB River
• MongoDB River
• Wikipedia River
• Twitter River
• RabbitMQ River
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
25
75. Rivers
• CouchDB River
• MongoDB River
• Wikipedia River
• Twitter River
• RabbitMQ River
• RSS River
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
25
76. Rivers
• CouchDB River
• MongoDB River
• Wikipedia River
• Twitter River
• RabbitMQ River
• RSS River
• Dick Rivers
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
25
77. La puissance des facettes ! Faites parler vos données en les regardant sous différentes facettes !
ANALYSE DES RÉSULTATS (EN TEMPS QUASI RÉEL)
26
94. Usage "site marchand"
Ranges
Term
Term
Ranges
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
34
95. La navigation par facettes
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
35
96. La navigation par facettes
Critère fixe
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
35
97. La navigation par facettes
Critère fixe
Résultats
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
35
98. La navigation par facettes
Critère fixe
Term
Résultats
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
35
99. La navigation par facettes
Critère fixe
Term
Date histogram
Résultats
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
35
100. La navigation par facettes
Critère fixe
Term
Ranges Date histogram
Résultats
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
35
101. La navigation par facettes
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
36
102. La navigation par facettes
Critères
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
36
103. Analyse temps-réel des données
• Faire un matchAll sur l'ensemble des données
• Actualiser toutes les x secondes
• Indexer en même temps les nouvelles données
Date histogram
Term
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
37
115. Lexique
• Nœud (node) : Une instance d'Elasticsearch (~ machine ?)
• Cluster : Un ensemble de nœuds
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
41
116. Lexique
• Nœud (node) : Une instance d'Elasticsearch (~ machine ?)
• Cluster : Un ensemble de nœuds
• Partition (shard) : permet de découper un index en plusieurs parties pour y
distribuer les documents
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
41
117. Lexique
• Nœud (node) : Une instance d'Elasticsearch (~ machine ?)
• Cluster : Un ensemble de nœuds
• Partition (shard) : permet de découper un index en plusieurs parties pour y
distribuer les documents
• Réplication (replica) : recopie d’une partition en une ou plusieurs copies dans
l'ensemble du cluster
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
41
118. Lexique
• Nœud (node) : Une instance d'Elasticsearch (~ machine ?)
• Cluster : Un ensemble de nœuds
• Partition (shard) : permet de découper un index en plusieurs parties pour y
distribuer les documents
• Réplication (replica) : recopie d’une partition en une ou plusieurs copies dans
l'ensemble du cluster
• Partition primaire (primary shard) : partition élue "principale" dans
l'ensemble du cluster. C'est là que se fait l'indexation par Lucene. Il n'y en a qu'une
seule par shard dans l'ensemble du cluster.
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
41
119. Lexique
• Nœud (node) : Une instance d'Elasticsearch (~ machine ?)
• Cluster : Un ensemble de nœuds
• Partition (shard) : permet de découper un index en plusieurs parties pour y
distribuer les documents
• Réplication (replica) : recopie d’une partition en une ou plusieurs copies dans
l'ensemble du cluster
• Partition primaire (primary shard) : partition élue "principale" dans
l'ensemble du cluster. C'est là que se fait l'indexation par Lucene. Il n'y en a qu'une
seule par shard dans l'ensemble du cluster.
• Partition secondaire (secondary shard) : partitions secondaires stockant les
replicas des partitions primaires.
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
41
120. Créons un index
Cluster
Nœud 1
Client
CURL
Moteur Elasticsearch Rivers Facets Demo Architecture Communauté
42
Parcours :\n Ecole d'ing&#xE9; &#xE0; Brest, \n puis 3 ans en SSII, \n 3 ans chez SFR/Cegetel r&#xE9;seau de transmission (intranetisation du SI de supervision), \n 4 ans chez Vivendi Universal Net\n Depuis plus de 7 ans, je bosse pour la France &#xE0; la douane pour le d&#xE9;veloppement du SI, principalement\n D&#xE9;claration de douane en ligne (12 millions de marchandises d&#xE9;clar&#xE9;s import/export par an)\n Projet de gestion des contr&#xF4;les douanier\nPassions : \n Ma famille\n Mon job : j'adore mon job\n Le mix occasionnel (sur mon compte twitter un lien vers mes podcasts)\nContacts :\n Twitter : dadoonet et animateur elasticsearchfr\n Email : david@pilato.fr\n
Points abord&#xE9;s :\nA quels besoins essaye t on de r&#xE9;pondre ? A quoi servirait un moteur de recherche dans mon SI ?\nComment Elasticsearch r&#xE9;pond &#xE0; ces besoins et &#xE0; bien d'autres encore\nD&#xE9;mo Live : indexation de messages Twitter ! Faites du bruit en twittant sur @devoxxfr et #elasticsearch\n
Description de ma propre exp&#xE9;rience en arrivant en douane il y a 7 ans par un cas type de la recherche SQL classique.\n
\n
\n
\n
Faire remarquer le like avec des wildcards sur le champ commentaire tr&#xE8;s contre performant.\nTr&#xE8;s contre performant. Jusqu&#x2019;&#xE0; 500 000 documents, on arrivait encore &#xE0; tenir la charge avec des temps de r&#xE9;ponse de moins de 5 secondes.\n
Lorsqu&#x2019;on a atteint le million de d&#xE9;clarations en douane, obligation d&#x2019;enlever la fonctionnalit&#xE9; like pour faire seulement du &#xE9;gal &#xE0;.\n\n
Parmi les moteurs existants, il y a depuis maintenant plus de 2 ans, Elasticsearch...\n
Parmi les moteurs existants, il y a depuis maintenant plus de 2 ans, Elasticsearch...\n
Parmi les moteurs existants, il y a depuis maintenant plus de 2 ans, Elasticsearch...\n
Principe fondamental : Ce sont vos donn&#xE9;es : ce sera votre recherche. Il n'y a que vous qui puissiez savoir ce que s&#xE9;mantiquement repr&#xE9;sentent vos donn&#xE9;es, comment les chercher et comment pr&#xE9;senter les r&#xE9;sultats de recherche.\n
Principe fondamental : Ce sont vos donn&#xE9;es : ce sera votre recherche. Il n'y a que vous qui puissiez savoir ce que s&#xE9;mantiquement repr&#xE9;sentent vos donn&#xE9;es, comment les chercher et comment pr&#xE9;senter les r&#xE9;sultats de recherche.\n
Moteur clairement NOSQL de son orientation Document\nBas&#xE9; sur la formidable biblioth&#xE8;que Lucene dont il masque la complexit&#xE9; Java via des services HTTP / REST / JSON standards. Voir aussi la conf&#xE9;rence de vendredi &#xE0; 14H30 la conf&#xE9;rence de Majirus FANSI sur les fondements de Lucene.\nDe fait, s'utilise &#xE0; partir de n'importe quelle technologie\nAjoute la couche cloud qui manquait &#xE0; Lucene : distribution, partionnement, scalabilit&#xE9; pour en d&#xE9;cupler d'avantage la puissance en autant d&#x2019;instances de Lucene que n&#xE9;cessaire. \n\n\n
Moteur clairement NOSQL de son orientation Document\nBas&#xE9; sur la formidable biblioth&#xE8;que Lucene dont il masque la complexit&#xE9; Java via des services HTTP / REST / JSON standards. Voir aussi la conf&#xE9;rence de vendredi &#xE0; 14H30 la conf&#xE9;rence de Majirus FANSI sur les fondements de Lucene.\nDe fait, s'utilise &#xE0; partir de n'importe quelle technologie\nAjoute la couche cloud qui manquait &#xE0; Lucene : distribution, partionnement, scalabilit&#xE9; pour en d&#xE9;cupler d'avantage la puissance en autant d&#x2019;instances de Lucene que n&#xE9;cessaire. \n\n\n
Moteur clairement NOSQL de son orientation Document\nBas&#xE9; sur la formidable biblioth&#xE8;que Lucene dont il masque la complexit&#xE9; Java via des services HTTP / REST / JSON standards. Voir aussi la conf&#xE9;rence de vendredi &#xE0; 14H30 la conf&#xE9;rence de Majirus FANSI sur les fondements de Lucene.\nDe fait, s'utilise &#xE0; partir de n'importe quelle technologie\nAjoute la couche cloud qui manquait &#xE0; Lucene : distribution, partionnement, scalabilit&#xE9; pour en d&#xE9;cupler d'avantage la puissance en autant d&#x2019;instances de Lucene que n&#xE9;cessaire. \n\n\n
Moteur clairement NOSQL de son orientation Document\nBas&#xE9; sur la formidable biblioth&#xE8;que Lucene dont il masque la complexit&#xE9; Java via des services HTTP / REST / JSON standards. Voir aussi la conf&#xE9;rence de vendredi &#xE0; 14H30 la conf&#xE9;rence de Majirus FANSI sur les fondements de Lucene.\nDe fait, s'utilise &#xE0; partir de n'importe quelle technologie\nAjoute la couche cloud qui manquait &#xE0; Lucene : distribution, partionnement, scalabilit&#xE9; pour en d&#xE9;cupler d'avantage la puissance en autant d&#x2019;instances de Lucene que n&#xE9;cessaire. \n\n\n
Moteur clairement NOSQL de son orientation Document\nBas&#xE9; sur la formidable biblioth&#xE8;que Lucene dont il masque la complexit&#xE9; Java via des services HTTP / REST / JSON standards. Voir aussi la conf&#xE9;rence de vendredi &#xE0; 14H30 la conf&#xE9;rence de Majirus FANSI sur les fondements de Lucene.\nDe fait, s'utilise &#xE0; partir de n'importe quelle technologie\nAjoute la couche cloud qui manquait &#xE0; Lucene : distribution, partionnement, scalabilit&#xE9; pour en d&#xE9;cupler d'avantage la puissance en autant d&#x2019;instances de Lucene que n&#xE9;cessaire. \n\n\n
Moteur clairement NOSQL de son orientation Document\nBas&#xE9; sur la formidable biblioth&#xE8;que Lucene dont il masque la complexit&#xE9; Java via des services HTTP / REST / JSON standards. Voir aussi la conf&#xE9;rence de vendredi &#xE0; 14H30 la conf&#xE9;rence de Majirus FANSI sur les fondements de Lucene.\nDe fait, s'utilise &#xE0; partir de n'importe quelle technologie\nAjoute la couche cloud qui manquait &#xE0; Lucene : distribution, partionnement, scalabilit&#xE9; pour en d&#xE9;cupler d'avantage la puissance en autant d&#x2019;instances de Lucene que n&#xE9;cessaire. \n\n\n
Si je devais r&#xE9;sumer ES en quatre mots :\nIl est simple. Just run ! Pas de conf compliqu&#xE9;e &#xE0; faire. Comme la pub apple il y a une dizaine (ou vingtaine) : "1&#xE8;re &#xE9;tape : branchez, 2&#xE8;me &#xE9;tape, connectez, 3&#xE8;me &#xE9;tape ...... il n'y a pas de troisi&#xE8;me &#xE9;tape !"\nIl est efficace. On ajoute des n&#x153;uds et on b&#xE9;n&#xE9;ficie imm&#xE9;diatement de la r&#xE9;plication et de l'&#xE9;quilibrage de charge.\nIl est puissant. Bas&#xE9; sur Lucene, il parall&#xE9;lise ses traitements pour d&#xE9;cupler la puissance de Lucene.\nIl est complet. Beaucoup de fonctionnalit&#xE9;s natives ou sous forme de plugins.\nOn va voir &#xE7;a de fa&#xE7;on un peu plus pr&#xE9;cise maintenant&#x2026;\n
Si je devais r&#xE9;sumer ES en quatre mots :\nIl est simple. Just run ! Pas de conf compliqu&#xE9;e &#xE0; faire. Comme la pub apple il y a une dizaine (ou vingtaine) : "1&#xE8;re &#xE9;tape : branchez, 2&#xE8;me &#xE9;tape, connectez, 3&#xE8;me &#xE9;tape ...... il n'y a pas de troisi&#xE8;me &#xE9;tape !"\nIl est efficace. On ajoute des n&#x153;uds et on b&#xE9;n&#xE9;ficie imm&#xE9;diatement de la r&#xE9;plication et de l'&#xE9;quilibrage de charge.\nIl est puissant. Bas&#xE9; sur Lucene, il parall&#xE9;lise ses traitements pour d&#xE9;cupler la puissance de Lucene.\nIl est complet. Beaucoup de fonctionnalit&#xE9;s natives ou sous forme de plugins.\nOn va voir &#xE7;a de fa&#xE7;on un peu plus pr&#xE9;cise maintenant&#x2026;\n
Si je devais r&#xE9;sumer ES en quatre mots :\nIl est simple. Just run ! Pas de conf compliqu&#xE9;e &#xE0; faire. Comme la pub apple il y a une dizaine (ou vingtaine) : "1&#xE8;re &#xE9;tape : branchez, 2&#xE8;me &#xE9;tape, connectez, 3&#xE8;me &#xE9;tape ...... il n'y a pas de troisi&#xE8;me &#xE9;tape !"\nIl est efficace. On ajoute des n&#x153;uds et on b&#xE9;n&#xE9;ficie imm&#xE9;diatement de la r&#xE9;plication et de l'&#xE9;quilibrage de charge.\nIl est puissant. Bas&#xE9; sur Lucene, il parall&#xE9;lise ses traitements pour d&#xE9;cupler la puissance de Lucene.\nIl est complet. Beaucoup de fonctionnalit&#xE9;s natives ou sous forme de plugins.\nOn va voir &#xE7;a de fa&#xE7;on un peu plus pr&#xE9;cise maintenant&#x2026;\n
Si je devais r&#xE9;sumer ES en quatre mots :\nIl est simple. Just run ! Pas de conf compliqu&#xE9;e &#xE0; faire. Comme la pub apple il y a une dizaine (ou vingtaine) : "1&#xE8;re &#xE9;tape : branchez, 2&#xE8;me &#xE9;tape, connectez, 3&#xE8;me &#xE9;tape ...... il n'y a pas de troisi&#xE8;me &#xE9;tape !"\nIl est efficace. On ajoute des n&#x153;uds et on b&#xE9;n&#xE9;ficie imm&#xE9;diatement de la r&#xE9;plication et de l'&#xE9;quilibrage de charge.\nIl est puissant. Bas&#xE9; sur Lucene, il parall&#xE9;lise ses traitements pour d&#xE9;cupler la puissance de Lucene.\nIl est complet. Beaucoup de fonctionnalit&#xE9;s natives ou sous forme de plugins.\nOn va voir &#xE7;a de fa&#xE7;on un peu plus pr&#xE9;cise maintenant&#x2026;\n
Un Document au sens NoSQL (tout est JSON dans Elasticsearch)\nPenser DOCUMENT ! Et non penser &#xE0; l&#x2019;organisation technique de ces documents (jointures, donn&#xE9;es de r&#xE9;f&#xE9;rence, ...).\nQUE CHERCHENT MES UTILISATEURS : \ndes produits ? \ndes logs des serveurs, \ndes forums ou des discussions dans des forums ?\n
Un Document au sens NoSQL (tout est JSON dans Elasticsearch)\nPenser DOCUMENT ! Et non penser &#xE0; l&#x2019;organisation technique de ces documents (jointures, donn&#xE9;es de r&#xE9;f&#xE9;rence, ...).\nQUE CHERCHENT MES UTILISATEURS : \ndes produits ? \ndes logs des serveurs, \ndes forums ou des discussions dans des forums ?\n
Un Document au sens NoSQL (tout est JSON dans Elasticsearch)\nPenser DOCUMENT ! Et non penser &#xE0; l&#x2019;organisation technique de ces documents (jointures, donn&#xE9;es de r&#xE9;f&#xE9;rence, ...).\nQUE CHERCHENT MES UTILISATEURS : \ndes produits ? \ndes logs des serveurs, \ndes forums ou des discussions dans des forums ?\n
Un Document au sens NoSQL (tout est JSON dans Elasticsearch)\nPenser DOCUMENT ! Et non penser &#xE0; l&#x2019;organisation technique de ces documents (jointures, donn&#xE9;es de r&#xE9;f&#xE9;rence, ...).\nQUE CHERCHENT MES UTILISATEURS : \ndes produits ? \ndes logs des serveurs, \ndes forums ou des discussions dans des forums ?\n
Un Document au sens NoSQL (tout est JSON dans Elasticsearch)\nPenser DOCUMENT ! Et non penser &#xE0; l&#x2019;organisation technique de ces documents (jointures, donn&#xE9;es de r&#xE9;f&#xE9;rence, ...).\nQUE CHERCHENT MES UTILISATEURS : \ndes produits ? \ndes logs des serveurs, \ndes forums ou des discussions dans des forums ?\n
Maintenant que nous avons ces bases, commen&#xE7;ons par indexer un document&#x2026;\n\n
Maintenant que nous avons ces bases, commen&#xE7;ons par indexer un document&#x2026;\n\n
Maintenant que nous avons ces bases, commen&#xE7;ons par indexer un document&#x2026;\n\n
Maintenant que nous avons ces bases, commen&#xE7;ons par indexer un document&#x2026;\n\n
Maintenant que nous avons ces bases, commen&#xE7;ons par indexer un document&#x2026;\n\n
Maintenant que nous avons ces bases, commen&#xE7;ons par indexer un document&#x2026;\n\n
Maintenant que nous avons ces bases, commen&#xE7;ons par indexer un document&#x2026;\n\n
Maintenant que nous avons ces bases, commen&#xE7;ons par indexer un document&#x2026;\n\n
Maintenant que nous avons ces bases, commen&#xE7;ons par indexer un document&#x2026;\n\n
Maintenant que nous avons ces bases, commen&#xE7;ons par indexer un document&#x2026;\n\n
Maintenant que nous avons ces bases, commen&#xE7;ons par indexer un document&#x2026;\n\n
Maintenant que nous avons ces bases, commen&#xE7;ons par indexer un document&#x2026;\n\n
On indexe notre TWEET. ES nous r&#xE9;pond que c'est OK. Il faut imaginer qu&#x2019;on vient juste de d&#xE9;marrer un noeud elasticsearch et qu&#x2019;on n&#x2019;a absolument rien configur&#xE9;. La commande est juste un PUT en CURL.\nES cr&#xE9;&#xE9; l&#x2019;index, le type et trouve tout seul le mapping correspondant &#xE0; chaque champ. Des chaines de caract&#xE8;res, des dates, des bool&#xE9;ens, des nombres, des tableaux, des objets, ...\nVous pouvez d&#xE9;finir votre propre mapping pour chaque champ ainsi que des propri&#xE9;t&#xE9;s d&#x2019;indexation. Par exemple, vous pourriez indiquer &#xE0; Elasticsearch que le champ text est &#xE0; analyser en FRANCAIS et donc qu&#x2019;il faut ignorer les mots comme un, une, le, la, ...\nParmi les mappings possibles, il existe aussi la possibilit&#xE9; d&#x2019;envoyer des documents PDF, oOo ou autres dans un champ texte en les encodant en BASE64. ES indexera alors automatiquement le contenu. Tr&#xE8;s puissant.\n
Un cas tr&#xE8;s simple de recherche : en g&#xE9;n&#xE9;ral, on commence tous par l&#xE0; !\nOn cherche le mot cl&#xE9; elasticsearch\nES nous ram&#xE8;ne un document JSON en retour qui contient :\nLe nb total de documents trouv&#xE9;s\nUn tableau contenant les 10 premiers documents les plus pertinents avec pour chaque document :\n Ses coordonn&#xE9;es (dans quel index, quel est le type et quel est l'ID)\n Son score (autrement dit sa pertinence relative par rapport &#xE0; d'autres documents trouv&#xE9;s)\n Et surtout : directement le source du document JSON que vous avez index&#xE9; ! Pas besoin de retourner dans votre syst&#xE8;me d'information source pour afficher le r&#xE9;sultat aux utilisateurs. Vous avez tout sous la main !\n
Un cas tr&#xE8;s simple de recherche : en g&#xE9;n&#xE9;ral, on commence tous par l&#xE0; !\nOn cherche le mot cl&#xE9; elasticsearch\nES nous ram&#xE8;ne un document JSON en retour qui contient :\nLe nb total de documents trouv&#xE9;s\nUn tableau contenant les 10 premiers documents les plus pertinents avec pour chaque document :\n Ses coordonn&#xE9;es (dans quel index, quel est le type et quel est l'ID)\n Son score (autrement dit sa pertinence relative par rapport &#xE0; d'autres documents trouv&#xE9;s)\n Et surtout : directement le source du document JSON que vous avez index&#xE9; ! Pas besoin de retourner dans votre syst&#xE8;me d'information source pour afficher le r&#xE9;sultat aux utilisateurs. Vous avez tout sous la main !\n
Un cas tr&#xE8;s simple de recherche : en g&#xE9;n&#xE9;ral, on commence tous par l&#xE0; !\nOn cherche le mot cl&#xE9; elasticsearch\nES nous ram&#xE8;ne un document JSON en retour qui contient :\nLe nb total de documents trouv&#xE9;s\nUn tableau contenant les 10 premiers documents les plus pertinents avec pour chaque document :\n Ses coordonn&#xE9;es (dans quel index, quel est le type et quel est l'ID)\n Son score (autrement dit sa pertinence relative par rapport &#xE0; d'autres documents trouv&#xE9;s)\n Et surtout : directement le source du document JSON que vous avez index&#xE9; ! Pas besoin de retourner dans votre syst&#xE8;me d'information source pour afficher le r&#xE9;sultat aux utilisateurs. Vous avez tout sous la main !\n
Un cas tr&#xE8;s simple de recherche : en g&#xE9;n&#xE9;ral, on commence tous par l&#xE0; !\nOn cherche le mot cl&#xE9; elasticsearch\nES nous ram&#xE8;ne un document JSON en retour qui contient :\nLe nb total de documents trouv&#xE9;s\nUn tableau contenant les 10 premiers documents les plus pertinents avec pour chaque document :\n Ses coordonn&#xE9;es (dans quel index, quel est le type et quel est l'ID)\n Son score (autrement dit sa pertinence relative par rapport &#xE0; d'autres documents trouv&#xE9;s)\n Et surtout : directement le source du document JSON que vous avez index&#xE9; ! Pas besoin de retourner dans votre syst&#xE8;me d'information source pour afficher le r&#xE9;sultat aux utilisateurs. Vous avez tout sous la main !\n
Un cas tr&#xE8;s simple de recherche : en g&#xE9;n&#xE9;ral, on commence tous par l&#xE0; !\nOn cherche le mot cl&#xE9; elasticsearch\nES nous ram&#xE8;ne un document JSON en retour qui contient :\nLe nb total de documents trouv&#xE9;s\nUn tableau contenant les 10 premiers documents les plus pertinents avec pour chaque document :\n Ses coordonn&#xE9;es (dans quel index, quel est le type et quel est l'ID)\n Son score (autrement dit sa pertinence relative par rapport &#xE0; d'autres documents trouv&#xE9;s)\n Et surtout : directement le source du document JSON que vous avez index&#xE9; ! Pas besoin de retourner dans votre syst&#xE8;me d'information source pour afficher le r&#xE9;sultat aux utilisateurs. Vous avez tout sous la main !\n
Un cas tr&#xE8;s simple de recherche : en g&#xE9;n&#xE9;ral, on commence tous par l&#xE0; !\nOn cherche le mot cl&#xE9; elasticsearch\nES nous ram&#xE8;ne un document JSON en retour qui contient :\nLe nb total de documents trouv&#xE9;s\nUn tableau contenant les 10 premiers documents les plus pertinents avec pour chaque document :\n Ses coordonn&#xE9;es (dans quel index, quel est le type et quel est l'ID)\n Son score (autrement dit sa pertinence relative par rapport &#xE0; d'autres documents trouv&#xE9;s)\n Et surtout : directement le source du document JSON que vous avez index&#xE9; ! Pas besoin de retourner dans votre syst&#xE8;me d'information source pour afficher le r&#xE9;sultat aux utilisateurs. Vous avez tout sous la main !\n
Un cas tr&#xE8;s simple de recherche : en g&#xE9;n&#xE9;ral, on commence tous par l&#xE0; !\nOn cherche le mot cl&#xE9; elasticsearch\nES nous ram&#xE8;ne un document JSON en retour qui contient :\nLe nb total de documents trouv&#xE9;s\nUn tableau contenant les 10 premiers documents les plus pertinents avec pour chaque document :\n Ses coordonn&#xE9;es (dans quel index, quel est le type et quel est l'ID)\n Son score (autrement dit sa pertinence relative par rapport &#xE0; d'autres documents trouv&#xE9;s)\n Et surtout : directement le source du document JSON que vous avez index&#xE9; ! Pas besoin de retourner dans votre syst&#xE8;me d'information source pour afficher le r&#xE9;sultat aux utilisateurs. Vous avez tout sous la main !\n
Un cas tr&#xE8;s simple de recherche : en g&#xE9;n&#xE9;ral, on commence tous par l&#xE0; !\nOn cherche le mot cl&#xE9; elasticsearch\nES nous ram&#xE8;ne un document JSON en retour qui contient :\nLe nb total de documents trouv&#xE9;s\nUn tableau contenant les 10 premiers documents les plus pertinents avec pour chaque document :\n Ses coordonn&#xE9;es (dans quel index, quel est le type et quel est l'ID)\n Son score (autrement dit sa pertinence relative par rapport &#xE0; d'autres documents trouv&#xE9;s)\n Et surtout : directement le source du document JSON que vous avez index&#xE9; ! Pas besoin de retourner dans votre syst&#xE8;me d'information source pour afficher le r&#xE9;sultat aux utilisateurs. Vous avez tout sous la main !\n
Il est possible &#xE9;videmment de faire des recherches beaucoup plus complexes&#x2026;\n
Il est possible &#xE9;videmment de faire des recherches beaucoup plus complexes&#x2026;\n
Il est possible &#xE9;videmment de faire des recherches beaucoup plus complexes&#x2026;\n
Il est possible &#xE9;videmment de faire des recherches beaucoup plus complexes&#x2026;\n
Il est possible &#xE9;videmment de faire des recherches beaucoup plus complexes&#x2026;\n
Il existe pour cela le langage QueryDSL :\nMatch all : ram&#xE8;ne tous les r&#xE9;sultats de mon cluster, de mon index ou de mon type.\nQueryString : tr&#xE8;s int&#xE9;ressant pour passer des requ&#xEA;tes type Lucene avec des + pour rendre obligatoire un terme ou &#x2013; pour en exclure)\nTerm : recherche d'un terme sans analyser le terme pass&#xE9; en argument\nText : recherche d'un texte qui sera analys&#xE9; (donc les mots inutiles seront exclus)\nWildcard : joker\nBool : permet de combiner des crit&#xE8;res : avec MUST : DOIT, MUST NOT : NE DOIT PAS, ou SHOULD : CA SERAIT BIEN SI IL Y &#xC9;TAIT&#x2026;\nRange : recherche dans un intervalle de valeurs (on l'a vu avec les dates)\nPrefix : recherche de ce qui commence par : tr&#xE8;s pratique pour l'autocompletion car rapide en plus\nFiltered : on vient de le voir sur le slide d'avant\nFuzzy like this : recherche par vraisemblance de termes. Il va prendre notre mot et en g&#xE9;n&#xE9;rer d'autres ressemblants puis faire la recherche.\nMore like this : Dans l'id&#xE9;e, cela permet de trouver des documents ressemblants &#xE0; d'autres\n\nNous avons donc abord&#xE9; jusqu'&#xE0; pr&#xE9;sent : la cr&#xE9;ation de documents, le mapping et la recherche.\nPour alimenter Elasticsearch, il faut aller puiser du contenu dans votre SI.\n\n\n
Il existe pour cela le langage QueryDSL :\nMatch all : ram&#xE8;ne tous les r&#xE9;sultats de mon cluster, de mon index ou de mon type.\nQueryString : tr&#xE8;s int&#xE9;ressant pour passer des requ&#xEA;tes type Lucene avec des + pour rendre obligatoire un terme ou &#x2013; pour en exclure)\nTerm : recherche d'un terme sans analyser le terme pass&#xE9; en argument\nText : recherche d'un texte qui sera analys&#xE9; (donc les mots inutiles seront exclus)\nWildcard : joker\nBool : permet de combiner des crit&#xE8;res : avec MUST : DOIT, MUST NOT : NE DOIT PAS, ou SHOULD : CA SERAIT BIEN SI IL Y &#xC9;TAIT&#x2026;\nRange : recherche dans un intervalle de valeurs (on l'a vu avec les dates)\nPrefix : recherche de ce qui commence par : tr&#xE8;s pratique pour l'autocompletion car rapide en plus\nFiltered : on vient de le voir sur le slide d'avant\nFuzzy like this : recherche par vraisemblance de termes. Il va prendre notre mot et en g&#xE9;n&#xE9;rer d'autres ressemblants puis faire la recherche.\nMore like this : Dans l'id&#xE9;e, cela permet de trouver des documents ressemblants &#xE0; d'autres\n\nNous avons donc abord&#xE9; jusqu'&#xE0; pr&#xE9;sent : la cr&#xE9;ation de documents, le mapping et la recherche.\nPour alimenter Elasticsearch, il faut aller puiser du contenu dans votre SI.\n\n\n
Il existe pour cela le langage QueryDSL :\nMatch all : ram&#xE8;ne tous les r&#xE9;sultats de mon cluster, de mon index ou de mon type.\nQueryString : tr&#xE8;s int&#xE9;ressant pour passer des requ&#xEA;tes type Lucene avec des + pour rendre obligatoire un terme ou &#x2013; pour en exclure)\nTerm : recherche d'un terme sans analyser le terme pass&#xE9; en argument\nText : recherche d'un texte qui sera analys&#xE9; (donc les mots inutiles seront exclus)\nWildcard : joker\nBool : permet de combiner des crit&#xE8;res : avec MUST : DOIT, MUST NOT : NE DOIT PAS, ou SHOULD : CA SERAIT BIEN SI IL Y &#xC9;TAIT&#x2026;\nRange : recherche dans un intervalle de valeurs (on l'a vu avec les dates)\nPrefix : recherche de ce qui commence par : tr&#xE8;s pratique pour l'autocompletion car rapide en plus\nFiltered : on vient de le voir sur le slide d'avant\nFuzzy like this : recherche par vraisemblance de termes. Il va prendre notre mot et en g&#xE9;n&#xE9;rer d'autres ressemblants puis faire la recherche.\nMore like this : Dans l'id&#xE9;e, cela permet de trouver des documents ressemblants &#xE0; d'autres\n\nNous avons donc abord&#xE9; jusqu'&#xE0; pr&#xE9;sent : la cr&#xE9;ation de documents, le mapping et la recherche.\nPour alimenter Elasticsearch, il faut aller puiser du contenu dans votre SI.\n\n\n
Il existe pour cela le langage QueryDSL :\nMatch all : ram&#xE8;ne tous les r&#xE9;sultats de mon cluster, de mon index ou de mon type.\nQueryString : tr&#xE8;s int&#xE9;ressant pour passer des requ&#xEA;tes type Lucene avec des + pour rendre obligatoire un terme ou &#x2013; pour en exclure)\nTerm : recherche d'un terme sans analyser le terme pass&#xE9; en argument\nText : recherche d'un texte qui sera analys&#xE9; (donc les mots inutiles seront exclus)\nWildcard : joker\nBool : permet de combiner des crit&#xE8;res : avec MUST : DOIT, MUST NOT : NE DOIT PAS, ou SHOULD : CA SERAIT BIEN SI IL Y &#xC9;TAIT&#x2026;\nRange : recherche dans un intervalle de valeurs (on l'a vu avec les dates)\nPrefix : recherche de ce qui commence par : tr&#xE8;s pratique pour l'autocompletion car rapide en plus\nFiltered : on vient de le voir sur le slide d'avant\nFuzzy like this : recherche par vraisemblance de termes. Il va prendre notre mot et en g&#xE9;n&#xE9;rer d'autres ressemblants puis faire la recherche.\nMore like this : Dans l'id&#xE9;e, cela permet de trouver des documents ressemblants &#xE0; d'autres\n\nNous avons donc abord&#xE9; jusqu'&#xE0; pr&#xE9;sent : la cr&#xE9;ation de documents, le mapping et la recherche.\nPour alimenter Elasticsearch, il faut aller puiser du contenu dans votre SI.\n\n\n
Il existe pour cela le langage QueryDSL :\nMatch all : ram&#xE8;ne tous les r&#xE9;sultats de mon cluster, de mon index ou de mon type.\nQueryString : tr&#xE8;s int&#xE9;ressant pour passer des requ&#xEA;tes type Lucene avec des + pour rendre obligatoire un terme ou &#x2013; pour en exclure)\nTerm : recherche d'un terme sans analyser le terme pass&#xE9; en argument\nText : recherche d'un texte qui sera analys&#xE9; (donc les mots inutiles seront exclus)\nWildcard : joker\nBool : permet de combiner des crit&#xE8;res : avec MUST : DOIT, MUST NOT : NE DOIT PAS, ou SHOULD : CA SERAIT BIEN SI IL Y &#xC9;TAIT&#x2026;\nRange : recherche dans un intervalle de valeurs (on l'a vu avec les dates)\nPrefix : recherche de ce qui commence par : tr&#xE8;s pratique pour l'autocompletion car rapide en plus\nFiltered : on vient de le voir sur le slide d'avant\nFuzzy like this : recherche par vraisemblance de termes. Il va prendre notre mot et en g&#xE9;n&#xE9;rer d'autres ressemblants puis faire la recherche.\nMore like this : Dans l'id&#xE9;e, cela permet de trouver des documents ressemblants &#xE0; d'autres\n\nNous avons donc abord&#xE9; jusqu'&#xE0; pr&#xE9;sent : la cr&#xE9;ation de documents, le mapping et la recherche.\nPour alimenter Elasticsearch, il faut aller puiser du contenu dans votre SI.\n\n\n
Il existe pour cela le langage QueryDSL :\nMatch all : ram&#xE8;ne tous les r&#xE9;sultats de mon cluster, de mon index ou de mon type.\nQueryString : tr&#xE8;s int&#xE9;ressant pour passer des requ&#xEA;tes type Lucene avec des + pour rendre obligatoire un terme ou &#x2013; pour en exclure)\nTerm : recherche d'un terme sans analyser le terme pass&#xE9; en argument\nText : recherche d'un texte qui sera analys&#xE9; (donc les mots inutiles seront exclus)\nWildcard : joker\nBool : permet de combiner des crit&#xE8;res : avec MUST : DOIT, MUST NOT : NE DOIT PAS, ou SHOULD : CA SERAIT BIEN SI IL Y &#xC9;TAIT&#x2026;\nRange : recherche dans un intervalle de valeurs (on l'a vu avec les dates)\nPrefix : recherche de ce qui commence par : tr&#xE8;s pratique pour l'autocompletion car rapide en plus\nFiltered : on vient de le voir sur le slide d'avant\nFuzzy like this : recherche par vraisemblance de termes. Il va prendre notre mot et en g&#xE9;n&#xE9;rer d'autres ressemblants puis faire la recherche.\nMore like this : Dans l'id&#xE9;e, cela permet de trouver des documents ressemblants &#xE0; d'autres\n\nNous avons donc abord&#xE9; jusqu'&#xE0; pr&#xE9;sent : la cr&#xE9;ation de documents, le mapping et la recherche.\nPour alimenter Elasticsearch, il faut aller puiser du contenu dans votre SI.\n\n\n
Il existe pour cela le langage QueryDSL :\nMatch all : ram&#xE8;ne tous les r&#xE9;sultats de mon cluster, de mon index ou de mon type.\nQueryString : tr&#xE8;s int&#xE9;ressant pour passer des requ&#xEA;tes type Lucene avec des + pour rendre obligatoire un terme ou &#x2013; pour en exclure)\nTerm : recherche d'un terme sans analyser le terme pass&#xE9; en argument\nText : recherche d'un texte qui sera analys&#xE9; (donc les mots inutiles seront exclus)\nWildcard : joker\nBool : permet de combiner des crit&#xE8;res : avec MUST : DOIT, MUST NOT : NE DOIT PAS, ou SHOULD : CA SERAIT BIEN SI IL Y &#xC9;TAIT&#x2026;\nRange : recherche dans un intervalle de valeurs (on l'a vu avec les dates)\nPrefix : recherche de ce qui commence par : tr&#xE8;s pratique pour l'autocompletion car rapide en plus\nFiltered : on vient de le voir sur le slide d'avant\nFuzzy like this : recherche par vraisemblance de termes. Il va prendre notre mot et en g&#xE9;n&#xE9;rer d'autres ressemblants puis faire la recherche.\nMore like this : Dans l'id&#xE9;e, cela permet de trouver des documents ressemblants &#xE0; d'autres\n\nNous avons donc abord&#xE9; jusqu'&#xE0; pr&#xE9;sent : la cr&#xE9;ation de documents, le mapping et la recherche.\nPour alimenter Elasticsearch, il faut aller puiser du contenu dans votre SI.\n\n\n
Il existe pour cela le langage QueryDSL :\nMatch all : ram&#xE8;ne tous les r&#xE9;sultats de mon cluster, de mon index ou de mon type.\nQueryString : tr&#xE8;s int&#xE9;ressant pour passer des requ&#xEA;tes type Lucene avec des + pour rendre obligatoire un terme ou &#x2013; pour en exclure)\nTerm : recherche d'un terme sans analyser le terme pass&#xE9; en argument\nText : recherche d'un texte qui sera analys&#xE9; (donc les mots inutiles seront exclus)\nWildcard : joker\nBool : permet de combiner des crit&#xE8;res : avec MUST : DOIT, MUST NOT : NE DOIT PAS, ou SHOULD : CA SERAIT BIEN SI IL Y &#xC9;TAIT&#x2026;\nRange : recherche dans un intervalle de valeurs (on l'a vu avec les dates)\nPrefix : recherche de ce qui commence par : tr&#xE8;s pratique pour l'autocompletion car rapide en plus\nFiltered : on vient de le voir sur le slide d'avant\nFuzzy like this : recherche par vraisemblance de termes. Il va prendre notre mot et en g&#xE9;n&#xE9;rer d'autres ressemblants puis faire la recherche.\nMore like this : Dans l'id&#xE9;e, cela permet de trouver des documents ressemblants &#xE0; d'autres\n\nNous avons donc abord&#xE9; jusqu'&#xE0; pr&#xE9;sent : la cr&#xE9;ation de documents, le mapping et la recherche.\nPour alimenter Elasticsearch, il faut aller puiser du contenu dans votre SI.\n\n\n
Il existe pour cela le langage QueryDSL :\nMatch all : ram&#xE8;ne tous les r&#xE9;sultats de mon cluster, de mon index ou de mon type.\nQueryString : tr&#xE8;s int&#xE9;ressant pour passer des requ&#xEA;tes type Lucene avec des + pour rendre obligatoire un terme ou &#x2013; pour en exclure)\nTerm : recherche d'un terme sans analyser le terme pass&#xE9; en argument\nText : recherche d'un texte qui sera analys&#xE9; (donc les mots inutiles seront exclus)\nWildcard : joker\nBool : permet de combiner des crit&#xE8;res : avec MUST : DOIT, MUST NOT : NE DOIT PAS, ou SHOULD : CA SERAIT BIEN SI IL Y &#xC9;TAIT&#x2026;\nRange : recherche dans un intervalle de valeurs (on l'a vu avec les dates)\nPrefix : recherche de ce qui commence par : tr&#xE8;s pratique pour l'autocompletion car rapide en plus\nFiltered : on vient de le voir sur le slide d'avant\nFuzzy like this : recherche par vraisemblance de termes. Il va prendre notre mot et en g&#xE9;n&#xE9;rer d'autres ressemblants puis faire la recherche.\nMore like this : Dans l'id&#xE9;e, cela permet de trouver des documents ressemblants &#xE0; d'autres\n\nNous avons donc abord&#xE9; jusqu'&#xE0; pr&#xE9;sent : la cr&#xE9;ation de documents, le mapping et la recherche.\nPour alimenter Elasticsearch, il faut aller puiser du contenu dans votre SI.\n\n\n
Il existe pour cela le langage QueryDSL :\nMatch all : ram&#xE8;ne tous les r&#xE9;sultats de mon cluster, de mon index ou de mon type.\nQueryString : tr&#xE8;s int&#xE9;ressant pour passer des requ&#xEA;tes type Lucene avec des + pour rendre obligatoire un terme ou &#x2013; pour en exclure)\nTerm : recherche d'un terme sans analyser le terme pass&#xE9; en argument\nText : recherche d'un texte qui sera analys&#xE9; (donc les mots inutiles seront exclus)\nWildcard : joker\nBool : permet de combiner des crit&#xE8;res : avec MUST : DOIT, MUST NOT : NE DOIT PAS, ou SHOULD : CA SERAIT BIEN SI IL Y &#xC9;TAIT&#x2026;\nRange : recherche dans un intervalle de valeurs (on l'a vu avec les dates)\nPrefix : recherche de ce qui commence par : tr&#xE8;s pratique pour l'autocompletion car rapide en plus\nFiltered : on vient de le voir sur le slide d'avant\nFuzzy like this : recherche par vraisemblance de termes. Il va prendre notre mot et en g&#xE9;n&#xE9;rer d'autres ressemblants puis faire la recherche.\nMore like this : Dans l'id&#xE9;e, cela permet de trouver des documents ressemblants &#xE0; d'autres\n\nNous avons donc abord&#xE9; jusqu'&#xE0; pr&#xE9;sent : la cr&#xE9;ation de documents, le mapping et la recherche.\nPour alimenter Elasticsearch, il faut aller puiser du contenu dans votre SI.\n\n\n
Il existe pour cela le langage QueryDSL :\nMatch all : ram&#xE8;ne tous les r&#xE9;sultats de mon cluster, de mon index ou de mon type.\nQueryString : tr&#xE8;s int&#xE9;ressant pour passer des requ&#xEA;tes type Lucene avec des + pour rendre obligatoire un terme ou &#x2013; pour en exclure)\nTerm : recherche d'un terme sans analyser le terme pass&#xE9; en argument\nText : recherche d'un texte qui sera analys&#xE9; (donc les mots inutiles seront exclus)\nWildcard : joker\nBool : permet de combiner des crit&#xE8;res : avec MUST : DOIT, MUST NOT : NE DOIT PAS, ou SHOULD : CA SERAIT BIEN SI IL Y &#xC9;TAIT&#x2026;\nRange : recherche dans un intervalle de valeurs (on l'a vu avec les dates)\nPrefix : recherche de ce qui commence par : tr&#xE8;s pratique pour l'autocompletion car rapide en plus\nFiltered : on vient de le voir sur le slide d'avant\nFuzzy like this : recherche par vraisemblance de termes. Il va prendre notre mot et en g&#xE9;n&#xE9;rer d'autres ressemblants puis faire la recherche.\nMore like this : Dans l'id&#xE9;e, cela permet de trouver des documents ressemblants &#xE0; d'autres\n\nNous avons donc abord&#xE9; jusqu'&#xE0; pr&#xE9;sent : la cr&#xE9;ation de documents, le mapping et la recherche.\nPour alimenter Elasticsearch, il faut aller puiser du contenu dans votre SI.\n\n\n
Il existe pour cela le langage QueryDSL :\nMatch all : ram&#xE8;ne tous les r&#xE9;sultats de mon cluster, de mon index ou de mon type.\nQueryString : tr&#xE8;s int&#xE9;ressant pour passer des requ&#xEA;tes type Lucene avec des + pour rendre obligatoire un terme ou &#x2013; pour en exclure)\nTerm : recherche d'un terme sans analyser le terme pass&#xE9; en argument\nText : recherche d'un texte qui sera analys&#xE9; (donc les mots inutiles seront exclus)\nWildcard : joker\nBool : permet de combiner des crit&#xE8;res : avec MUST : DOIT, MUST NOT : NE DOIT PAS, ou SHOULD : CA SERAIT BIEN SI IL Y &#xC9;TAIT&#x2026;\nRange : recherche dans un intervalle de valeurs (on l'a vu avec les dates)\nPrefix : recherche de ce qui commence par : tr&#xE8;s pratique pour l'autocompletion car rapide en plus\nFiltered : on vient de le voir sur le slide d'avant\nFuzzy like this : recherche par vraisemblance de termes. Il va prendre notre mot et en g&#xE9;n&#xE9;rer d'autres ressemblants puis faire la recherche.\nMore like this : Dans l'id&#xE9;e, cela permet de trouver des documents ressemblants &#xE0; d'autres\n\nNous avons donc abord&#xE9; jusqu'&#xE0; pr&#xE9;sent : la cr&#xE9;ation de documents, le mapping et la recherche.\nPour alimenter Elasticsearch, il faut aller puiser du contenu dans votre SI.\n\n\n
Il existe pour cela le langage QueryDSL :\nMatch all : ram&#xE8;ne tous les r&#xE9;sultats de mon cluster, de mon index ou de mon type.\nQueryString : tr&#xE8;s int&#xE9;ressant pour passer des requ&#xEA;tes type Lucene avec des + pour rendre obligatoire un terme ou &#x2013; pour en exclure)\nTerm : recherche d'un terme sans analyser le terme pass&#xE9; en argument\nText : recherche d'un texte qui sera analys&#xE9; (donc les mots inutiles seront exclus)\nWildcard : joker\nBool : permet de combiner des crit&#xE8;res : avec MUST : DOIT, MUST NOT : NE DOIT PAS, ou SHOULD : CA SERAIT BIEN SI IL Y &#xC9;TAIT&#x2026;\nRange : recherche dans un intervalle de valeurs (on l'a vu avec les dates)\nPrefix : recherche de ce qui commence par : tr&#xE8;s pratique pour l'autocompletion car rapide en plus\nFiltered : on vient de le voir sur le slide d'avant\nFuzzy like this : recherche par vraisemblance de termes. Il va prendre notre mot et en g&#xE9;n&#xE9;rer d'autres ressemblants puis faire la recherche.\nMore like this : Dans l'id&#xE9;e, cela permet de trouver des documents ressemblants &#xE0; d'autres\n\nNous avons donc abord&#xE9; jusqu'&#xE0; pr&#xE9;sent : la cr&#xE9;ation de documents, le mapping et la recherche.\nPour alimenter Elasticsearch, il faut aller puiser du contenu dans votre SI.\n\n\n
Principe : propager un contenu en &#xE9;volution permanente vers Elasticsearch\nL'image est : "les rivi&#xE8;res de donn&#xE9;es qui se d&#xE9;versent dans le fleuve de la recherche"\n\n
Principe : propager un contenu en &#xE9;volution permanente vers Elasticsearch\nL'image est : "les rivi&#xE8;res de donn&#xE9;es qui se d&#xE9;versent dans le fleuve de la recherche"\n\n
\n
\n
\n
\n
\n
\n
\n
\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Plus s&#xE9;rieusement, aborde un des points que je pr&#xE9;f&#xE8;re de ES : l&#x2019;analyse des donn&#xE9;es en temps r&#xE9;el\n
Regarder ses donn&#xE9;es sous un autre angle. Les pr&#xE9;senter sous des facettes diff&#xE9;rentes...\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
Beaucoup d&#x2019;autres type de facettes existent comme par exemple geodistance qui permet de calculer le nombre d&#x2019;&#xE9;l&#xE9;ments autour de moi dans un rayon de 10, 20 ou 50 km\nUn syst&#xE8;me tr&#xE8;s puissant qu&#x2019;on peut donc retrouver sur les sites marchands\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
Fiche entreprise avec liste des contr&#xF4;les douaniers\nDiff&#xE9;rentes facettes et la liste des r&#xE9;sultats en bas\nUn clic sur non conforme : ajout crit&#xE8;re, relance recherche, c-a-d, nouveaux r&#xE9;sultats et nouvelles facettes.\n
Fiche entreprise avec liste des contr&#xF4;les douaniers\nDiff&#xE9;rentes facettes et la liste des r&#xE9;sultats en bas\nUn clic sur non conforme : ajout crit&#xE8;re, relance recherche, c-a-d, nouveaux r&#xE9;sultats et nouvelles facettes.\n
Fiche entreprise avec liste des contr&#xF4;les douaniers\nDiff&#xE9;rentes facettes et la liste des r&#xE9;sultats en bas\nUn clic sur non conforme : ajout crit&#xE8;re, relance recherche, c-a-d, nouveaux r&#xE9;sultats et nouvelles facettes.\n
Fiche entreprise avec liste des contr&#xF4;les douaniers\nDiff&#xE9;rentes facettes et la liste des r&#xE9;sultats en bas\nUn clic sur non conforme : ajout crit&#xE8;re, relance recherche, c-a-d, nouveaux r&#xE9;sultats et nouvelles facettes.\n
Fiche entreprise avec liste des contr&#xF4;les douaniers\nDiff&#xE9;rentes facettes et la liste des r&#xE9;sultats en bas\nUn clic sur non conforme : ajout crit&#xE8;re, relance recherche, c-a-d, nouveaux r&#xE9;sultats et nouvelles facettes.\n
Fiche entreprise avec liste des contr&#xF4;les douaniers\nDiff&#xE9;rentes facettes et la liste des r&#xE9;sultats en bas\nUn clic sur non conforme : ajout crit&#xE8;re, relance recherche, c-a-d, nouveaux r&#xE9;sultats et nouvelles facettes.\n
Fiche entreprise avec liste des contr&#xF4;les douaniers\nDiff&#xE9;rentes facettes et la liste des r&#xE9;sultats en bas\nUn clic sur non conforme : ajout crit&#xE8;re, relance recherche, c-a-d, nouveaux r&#xE9;sultats et nouvelles facettes.\n
Fiche entreprise avec liste des contr&#xF4;les douaniers\nDiff&#xE9;rentes facettes et la liste des r&#xE9;sultats en bas\nUn clic sur non conforme : ajout crit&#xE8;re, relance recherche, c-a-d, nouveaux r&#xE9;sultats et nouvelles facettes.\n
Fiche entreprise avec liste des contr&#xF4;les douaniers\nDiff&#xE9;rentes facettes et la liste des r&#xE9;sultats en bas\nUn clic sur non conforme : ajout crit&#xE8;re, relance recherche, c-a-d, nouveaux r&#xE9;sultats et nouvelles facettes.\n
Fiche entreprise avec liste des contr&#xF4;les douaniers\nDiff&#xE9;rentes facettes et la liste des r&#xE9;sultats en bas\nUn clic sur non conforme : ajout crit&#xE8;re, relance recherche, c-a-d, nouveaux r&#xE9;sultats et nouvelles facettes.\n
Ici, on pourra observer que les 6 cas de fraude ont &#xE9;t&#xE9; trouv&#xE9;s en d&#xE9;cembre 2010, Janvier, Octobre 2011 et Mars 2012.\n
Ici, on pourra observer que les 6 cas de fraude ont &#xE9;t&#xE9; trouv&#xE9;s en d&#xE9;cembre 2010, Janvier, Octobre 2011 et Mars 2012.\n
Profite de l&#x2019;indexation permanente de ES sans d&#xE9;gradation des performances de la recherche\nPour pr&#xE9;senter des r&#xE9;sultats en temps presque r&#xE9;el. D&#xE9;mo twitter.\n\n
Et nous allons v&#xE9;rifier si nous (ou plut&#xF4;t si VOUS) avez fait du bruit sur twitter&#x2026;\n\n\n
Vous avez donc twitt&#xE9; &#xE0; fond pendant toute cette conf&#xE9;rence. Ces tweets sont h&#xE9;berg&#xE9;s chez Twitter qui met &#xE0; notre disposition une API streaming qui permet d'&#xE9;couter en permanence le bruit de fond (the hoose).\nPour cela, j'ai pris une machine chez Amazon sur laquelle j'ai install&#xE9; ES.\nJ'ai ajout&#xE9; le plugin twitter et j'ai cr&#xE9;&#xE9; une rivi&#xE8;re twitter qui &#xE9;coute ce flux de tweets en filtrant sur le mot devoxxfr.\nAinsi depuis fin Mars, le contenu devoxxfr se d&#xE9;verse dans Elasticsearch.\nIl suffit ensuite de r&#xE9;aliser une petite application d'analyse. J'ai fait &#xE7;a en jQuery.\n\n
Vous avez donc twitt&#xE9; &#xE0; fond pendant toute cette conf&#xE9;rence. Ces tweets sont h&#xE9;berg&#xE9;s chez Twitter qui met &#xE0; notre disposition une API streaming qui permet d'&#xE9;couter en permanence le bruit de fond (the hoose).\nPour cela, j'ai pris une machine chez Amazon sur laquelle j'ai install&#xE9; ES.\nJ'ai ajout&#xE9; le plugin twitter et j'ai cr&#xE9;&#xE9; une rivi&#xE8;re twitter qui &#xE9;coute ce flux de tweets en filtrant sur le mot devoxxfr.\nAinsi depuis fin Mars, le contenu devoxxfr se d&#xE9;verse dans Elasticsearch.\nIl suffit ensuite de r&#xE9;aliser une petite application d'analyse. J'ai fait &#xE7;a en jQuery.\n\n
Vous avez donc twitt&#xE9; &#xE0; fond pendant toute cette conf&#xE9;rence. Ces tweets sont h&#xE9;berg&#xE9;s chez Twitter qui met &#xE0; notre disposition une API streaming qui permet d'&#xE9;couter en permanence le bruit de fond (the hoose).\nPour cela, j'ai pris une machine chez Amazon sur laquelle j'ai install&#xE9; ES.\nJ'ai ajout&#xE9; le plugin twitter et j'ai cr&#xE9;&#xE9; une rivi&#xE8;re twitter qui &#xE9;coute ce flux de tweets en filtrant sur le mot devoxxfr.\nAinsi depuis fin Mars, le contenu devoxxfr se d&#xE9;verse dans Elasticsearch.\nIl suffit ensuite de r&#xE9;aliser une petite application d'analyse. J'ai fait &#xE7;a en jQuery.\n\n
Vous avez donc twitt&#xE9; &#xE0; fond pendant toute cette conf&#xE9;rence. Ces tweets sont h&#xE9;berg&#xE9;s chez Twitter qui met &#xE0; notre disposition une API streaming qui permet d'&#xE9;couter en permanence le bruit de fond (the hoose).\nPour cela, j'ai pris une machine chez Amazon sur laquelle j'ai install&#xE9; ES.\nJ'ai ajout&#xE9; le plugin twitter et j'ai cr&#xE9;&#xE9; une rivi&#xE8;re twitter qui &#xE9;coute ce flux de tweets en filtrant sur le mot devoxxfr.\nAinsi depuis fin Mars, le contenu devoxxfr se d&#xE9;verse dans Elasticsearch.\nIl suffit ensuite de r&#xE9;aliser une petite application d'analyse. J'ai fait &#xE7;a en jQuery.\n\n
Vous avez donc twitt&#xE9; &#xE0; fond pendant toute cette conf&#xE9;rence. Ces tweets sont h&#xE9;berg&#xE9;s chez Twitter qui met &#xE0; notre disposition une API streaming qui permet d'&#xE9;couter en permanence le bruit de fond (the hoose).\nPour cela, j'ai pris une machine chez Amazon sur laquelle j'ai install&#xE9; ES.\nJ'ai ajout&#xE9; le plugin twitter et j'ai cr&#xE9;&#xE9; une rivi&#xE8;re twitter qui &#xE9;coute ce flux de tweets en filtrant sur le mot devoxxfr.\nAinsi depuis fin Mars, le contenu devoxxfr se d&#xE9;verse dans Elasticsearch.\nIl suffit ensuite de r&#xE9;aliser une petite application d'analyse. J'ai fait &#xE7;a en jQuery.\n\n
Vous avez donc twitt&#xE9; &#xE0; fond pendant toute cette conf&#xE9;rence. Ces tweets sont h&#xE9;berg&#xE9;s chez Twitter qui met &#xE0; notre disposition une API streaming qui permet d'&#xE9;couter en permanence le bruit de fond (the hoose).\nPour cela, j'ai pris une machine chez Amazon sur laquelle j'ai install&#xE9; ES.\nJ'ai ajout&#xE9; le plugin twitter et j'ai cr&#xE9;&#xE9; une rivi&#xE8;re twitter qui &#xE9;coute ce flux de tweets en filtrant sur le mot devoxxfr.\nAinsi depuis fin Mars, le contenu devoxxfr se d&#xE9;verse dans Elasticsearch.\nIl suffit ensuite de r&#xE9;aliser une petite application d'analyse. J'ai fait &#xE7;a en jQuery.\n\n
Vous avez donc twitt&#xE9; &#xE0; fond pendant toute cette conf&#xE9;rence. Ces tweets sont h&#xE9;berg&#xE9;s chez Twitter qui met &#xE0; notre disposition une API streaming qui permet d'&#xE9;couter en permanence le bruit de fond (the hoose).\nPour cela, j'ai pris une machine chez Amazon sur laquelle j'ai install&#xE9; ES.\nJ'ai ajout&#xE9; le plugin twitter et j'ai cr&#xE9;&#xE9; une rivi&#xE8;re twitter qui &#xE9;coute ce flux de tweets en filtrant sur le mot devoxxfr.\nAinsi depuis fin Mars, le contenu devoxxfr se d&#xE9;verse dans Elasticsearch.\nIl suffit ensuite de r&#xE9;aliser une petite application d'analyse. J'ai fait &#xE7;a en jQuery.\n\n
Vous avez donc twitt&#xE9; &#xE0; fond pendant toute cette conf&#xE9;rence. Ces tweets sont h&#xE9;berg&#xE9;s chez Twitter qui met &#xE0; notre disposition une API streaming qui permet d'&#xE9;couter en permanence le bruit de fond (the hoose).\nPour cela, j'ai pris une machine chez Amazon sur laquelle j'ai install&#xE9; ES.\nJ'ai ajout&#xE9; le plugin twitter et j'ai cr&#xE9;&#xE9; une rivi&#xE8;re twitter qui &#xE9;coute ce flux de tweets en filtrant sur le mot devoxxfr.\nAinsi depuis fin Mars, le contenu devoxxfr se d&#xE9;verse dans Elasticsearch.\nIl suffit ensuite de r&#xE9;aliser une petite application d'analyse. J'ai fait &#xE7;a en jQuery.\n\n
Vous avez donc twitt&#xE9; &#xE0; fond pendant toute cette conf&#xE9;rence. Ces tweets sont h&#xE9;berg&#xE9;s chez Twitter qui met &#xE0; notre disposition une API streaming qui permet d'&#xE9;couter en permanence le bruit de fond (the hoose).\nPour cela, j'ai pris une machine chez Amazon sur laquelle j'ai install&#xE9; ES.\nJ'ai ajout&#xE9; le plugin twitter et j'ai cr&#xE9;&#xE9; une rivi&#xE8;re twitter qui &#xE9;coute ce flux de tweets en filtrant sur le mot devoxxfr.\nAinsi depuis fin Mars, le contenu devoxxfr se d&#xE9;verse dans Elasticsearch.\nIl suffit ensuite de r&#xE9;aliser une petite application d'analyse. J'ai fait &#xE7;a en jQuery.\n\n
Vous avez donc twitt&#xE9; &#xE0; fond pendant toute cette conf&#xE9;rence. Ces tweets sont h&#xE9;berg&#xE9;s chez Twitter qui met &#xE0; notre disposition une API streaming qui permet d'&#xE9;couter en permanence le bruit de fond (the hoose).\nPour cela, j'ai pris une machine chez Amazon sur laquelle j'ai install&#xE9; ES.\nJ'ai ajout&#xE9; le plugin twitter et j'ai cr&#xE9;&#xE9; une rivi&#xE8;re twitter qui &#xE9;coute ce flux de tweets en filtrant sur le mot devoxxfr.\nAinsi depuis fin Mars, le contenu devoxxfr se d&#xE9;verse dans Elasticsearch.\nIl suffit ensuite de r&#xE9;aliser une petite application d'analyse. J'ai fait &#xE7;a en jQuery.\n\n
Vous avez donc twitt&#xE9; &#xE0; fond pendant toute cette conf&#xE9;rence. Ces tweets sont h&#xE9;berg&#xE9;s chez Twitter qui met &#xE0; notre disposition une API streaming qui permet d'&#xE9;couter en permanence le bruit de fond (the hoose).\nPour cela, j'ai pris une machine chez Amazon sur laquelle j'ai install&#xE9; ES.\nJ'ai ajout&#xE9; le plugin twitter et j'ai cr&#xE9;&#xE9; une rivi&#xE8;re twitter qui &#xE9;coute ce flux de tweets en filtrant sur le mot devoxxfr.\nAinsi depuis fin Mars, le contenu devoxxfr se d&#xE9;verse dans Elasticsearch.\nIl suffit ensuite de r&#xE9;aliser une petite application d'analyse. J'ai fait &#xE7;a en jQuery.\n\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n
50 contributeurs directs au projet. Plus de 2000 d&#xE9;veloppeurs qui surveillent le projet sur github et il y a presque 300 forks. Spring ou Hibernate c'est moins de 200 forks.\nPROD : Klout.com : 100 millions d&#x2019;utilisateurs dans le monde pour lesquels ES fait le calcul des perks\nSonian : archivage et recherche de documents dans le cloud (plus de 20 clusters et plus de 5 milliards de documents index&#xE9;s)\nYfrog : indexation des photos et vid&#xE9;os pour twitter (3 millions de tweets par jour)\nhttp://elasticsearch-users.115913.n3.nabble.com/some-ES-stats-at-yfrog-com-td3759891.html\nDouane : Gestion des contr&#xF4;les r&#xE9;alis&#xE9;s par les douaniers (500 000 documents index&#xE9;s dont 50% de documents oOo, pdf, &#x2026;). Moteur sur les d&#xE9;clarations de douane est en cours : un volume de plus 100 millions de marchandises &#xE0; traiter.\nRejoignez le mouvement ! Essayez et vous verrez &#xE0; quel point c&#x2019;est simple et efficace.\n\n