이전에는 많은 사람들이 서로 다른 인덱스를 결합하는 메커니즘으로 nested 필드 유형을 사용했습니다. 그러나 비용이 많이 드는 쿼리와 Kibana의 불완전한 지원, 특히 Lens 시각화로 인해 제한적이었습니다.

이 문서에서는 다음 접근 방식에 초점을 맞춰 Elasticsearch에서 두 인덱스를 결합하는 프로세스를 자세히 설명합니다:

1. terms 쿼리 사용

2. 수집 파이프라인에서 enrich 프로세서 사용

3. Logstash elasticsearch 필터 플러그인

4. ES|QL ENRICH

5. ES|QL LOOKUP JOIN

용어 쿼리 사용

용어 쿼리는 Elasticsearch에서 두 인덱스를 결합하는 가장 효과적인 방법 중 하나입니다. 이 쿼리는 특정 필드에 하나 이상의 정확한 용어가 포함된 문서를 검색하는 데 사용됩니다. 여기서는 두 인덱스를 조인하는 데 사용하는 방법에 대해 설명합니다.

먼저 첫 번째 인덱스에서 필요한 데이터를 검색해야 합니다. 이는 간단한 GET 요청을 사용하여 _source 속성에서 값을 가져와서 수행할 수 있습니다.

첫 번째 인덱스의 데이터를 확보하면 이를 사용하여 두 번째 인덱스를 쿼리할 수 있습니다. terms 쿼리를 사용하여 일치시킬 필드와 값을 지정합니다.

다음은 그 예입니다:

이 예에서 field_in_second_index 은 두 번째 인덱스에서 첫 번째 인덱스의 값과 일치시키려는 필드입니다. value1_from_first_index 와 value2_from_first_index 는 두 번째 인덱스에서 일치시키려는 첫 번째 인덱스의 값입니다.

용어 조회는 용어 조회라는 기술을 사용하여 위의 두 단계를 한 번에 수행할 수 있는 기능도 지원합니다. Elasticsearch는 다른 인덱스에서 일치할 값을 투명하게 검색하는 작업을 처리합니다. 예를 들어 선수 목록이 포함된 팀 색인이 있는 경우입니다:

아래와 같이 팀1에서 플레이하는 모든 사람에 대한 사람 인덱스를 쿼리할 수 있습니다:

위의 예에서, Elasticsearch는 팀 인덱스에서 id가 team1인 문서에서 선수 이름을 투명하게 검색합니다(즉, 다음과 같이). "john", "bill", "michael")을 검색하여 이름 필드에 이러한 값이 포함된 모든 문서를 사람 색인에서 찾습니다.

궁금하신 분들을 위해 동등한 SQL 쿼리는 다음과 같습니다:

인리치 프로세서 사용

enrich 프로세서는 Elasticsearch에서 두 개의 인덱스를 조인하는 데 사용할 수 있는 또 다른 강력한 도구입니다. 이 프로세서는 미리 정의된 보강 색인에서 데이터를 추가하여 수신 문서의 데이터를 보강합니다.

인리치 프로세서를 사용하여 두 인덱스를 결합하는 방법은 다음과 같습니다:

1. 먼저 인라이크 정책을 만들어야 합니다. 이 정책은 보강에 사용할 인덱스, 일치시킬 필드, 들어오는 문서를 보강하는 데 사용할 필드를 정의합니다.

다음은 그 예입니다:

2. 정책이 생성되면 정책을 실행하여 새로 생성한 정책에서 색인 강화 인덱스를 생성해야 합니다:

이렇게 하면 강화하는 동안 사용될 새로운 숨겨진 강화 인덱스가 생성됩니다. 소스 인덱스의 크기에 따라 이 작업에는 다소 시간이 걸릴 수 있습니다. 다음 단계로 진행하기 전에 인라이크 정책이 완전히 구축되었는지 확인하세요.

3. 강화 정책이 구축된 후에는 수집 파이프라인에서 강화 프로세서를 사용하여 들어오는 문서의 데이터를 강화할 수 있습니다:

이 예에서 field_in_second_index 은 첫 번째 인덱스의 match_field 과 일치해야 하는 두 번째 인덱스의 필드입니다. enriched_field 는 첫 번째 인덱스의 enrich_fields 에서 보강된 데이터를 포함할 두 번째 인덱스의 새 필드입니다.

이 접근 방식의 한 가지 단점은 first_index 에서 데이터가 변경되면 보강 정책을 다시 실행해야 한다는 것입니다. 보강된 인덱스는 구축된 소스 인덱스에서 자동으로 업데이트되거나 동기화되지 않습니다. 하지만 first_index 이 비교적 안정적이라면 이 접근 방식이 잘 작동합니다.

Logstash 엘라스틱서치 필터 플러그인

Logstash를 사용하는 경우, 위에서 설명한 enrich 프로세서와 유사한 또 다른 옵션은 elasticsearch 필터 플러그인을 사용하여 지정된 쿼리를 기반으로 이벤트에 관련 필드를 추가하는 것입니다. Logstash 파이프라인의 구성은 my-pipeline.conf 과 같은 .conf 파일에 저장됩니다.

우리의 파이프라인이 elasticsearch 입력 플러그인을 사용하여 Elasticsearch에서 로그를 가져오고, 선택 범위를 좁히기 위한 쿼리를 사용한다고 가정해 보겠습니다:

주어진 인덱스의 정보로 이러한 메시지를 보강하려면 filter 섹션의 elasticsearch 필터 플러그인을 사용하여 로그를 보강할 수 있습니다:

위의 코드는 인덱스 index_name 에서 type 이 시작이고 작업 필드가 지정된 opid 과 일치하는 문서를 찾은 다음 @timestamp 필드의 값을 started 라는 새 필드에 복사합니다 .

그런 다음 보강된 문서는 적절한 출력 소스(이 경우 elasticsearch 출력 플러그인을 사용하여 Elasticsearch로)로 전송됩니다:

이미 Logstash를 사용하고 있는 경우, 이 옵션은 보강 로직을 한 곳에 통합하고 새로운 이벤트가 들어올 때 처리하는 데 유용할 수 있습니다. 그러나 그렇지 않은 경우 솔루션이 복잡해지고 실행 및 유지 관리해야 하는 또 다른 구성 요소가 추가됩니다.

ES|QL 리치

버전 8.14에서 정식 버전으로 출시된 ES|QL은 Elasticsearch에서 지원하는 파이핑 쿼리 언어로, 데이터를 필터링, 변환, 분석할 수 있게 해줍니다. ENRICH 처리 명령을 사용하면 강화 정책을 사용하여 기존 인덱스의 데이터를 추가할 수 있습니다.

원래의 인리치 프로세서 예제에서 동일한 정책 my_enrich_policy 을 사용하면 ES|QL 예제는 다음과 같이 됩니다:

이 예제에서는 각각 field_in_first_index 및 field_to_enrich 인 일치 및 보강 필드를 재정의할 수도 있습니다:

강화 정책을 먼저 지정해야 한다는 분명한 한계가 있지만, ES|QL은 필요에 따라 필드를 조정할 수 있는 유연성을 제공합니다.

ES|QL 조회 조인

Elasticsearch 8.18에서는 LOOKUP JOIN 명령이라는 새로운 인덱스 조인 방법이 도입되었습니다. 이 명령은 조인의 오른쪽에 있는 새 조회 인덱스 모드를 사용하여 SQL 스타일의 LEFT OUTER JOIN으로 작동합니다.

이전 예제를 다시 살펴보면 새 쿼리는 다음과 같으며, match_field 는 first_index 과 second_index 모두에 존재해야 합니다:

다른 접근 방식에 비해 조회 조인의 장점은 enrich 정책이 필요하지 않으므로 정책 설정과 관련된 추가 처리가 필요하지 않다는 점입니다. 이 글에서 설명하는 다른 접근 방식과 달리 자주 변경되는 보강 데이터로 작업할 때 유용합니다.

결론

결론적으로, Elasticsearch는 전통적인 조인 작업을 지원하지는 않지만, 유사한 결과를 얻기 위해 사용할 수 있는 다양한 기능을 제공합니다. 특히 다음을 사용하여 조인 작업을 수행하는 방법에 대해 설명했습니다:

1. terms 쿼리

2. 수집 파이프라인의 enrich 프로세서

3. Logstash elasticsearch 필터 플러그인

4. ES|QL ENRICH

5. ES|QL LOOKUP JOIN

이러한 방법에는 한계가 있으므로 특정 요구 사항과 데이터의 특성에 따라 신중하게 사용해야 한다는 점에 유의하세요.

필수 구성 요소

이 시리즈의 1부와 마찬가지로 이 예제에도 다음과 같은 전제 조건이 필요합니다:

1. Go 버전 1.21 이상 설치

2. Go 문서에서다루는 권장 구조와 패키지 관리를 사용하여 자신만의 Go 리포지토리를 만드세요.

3. 위키피디아에서 친숙한 Gopher를 포함해 설치류 기반 페이지 세트로 채워진 자체 Elasticsearch 클러스터를 생성합니다:

Elasticsearch에 연결

다시 한 번 말씀드리지만, 이 예제에서는 Go 클라이언트에서 제공하는 Typed API를 사용하겠습니다. 쿼리에 대한 보안 연결을 설정하려면 다음 중 하나를 사용하여 클라이언트를 구성해야 합니다:

1. Elastic Cloud를 사용하는 경우 클라우드 ID 및 API 키

2. 클러스터 URL, 사용자 이름, 비밀번호 및 인증서

Elastic Cloud에 위치한 클러스터에 연결하면 다음과 같이 됩니다:

그러면 다음 섹션에서 설명하는 것처럼 client 연결을 검색에 사용할 수 있습니다.

하이브리드 검색을 위한 수동 부스팅

검색 알고리즘 세트를 결합할 때 기존 방식은 각 쿼리 유형을 강화하기 위해 상수를 수동으로 구성하는 것이었습니다. 구체적으로, 각 쿼리에 대해 요인을 지정하고 결합된 결과 집합을 예상 집합과 비교하여 쿼리의 리콜을 결정합니다. 그런 다음 여러 요소 집합에 대해 반복하여 원하는 상태에 가장 가까운 요소를 선택합니다.

예를 들어, 아래 예시와 같이 0.8 계수가 부스트된 단일 텍스트 검색 쿼리와 0.2 계수가 낮은 knn 쿼리를 결합하려면 두 쿼리 유형에 모두 Boost 필드를 지정하면 됩니다:

각 쿼리에 대해 Boost 옵션에 지정된 요소가 문서 점수에 추가됩니다. 검색 쿼리의 점수를 knn 쿼리보다 더 큰 폭으로 높이면 키워드 쿼리의 결과에 더 많은 가중치가 부여됩니다.

특히 검색 전문가가 아닌 경우 수동 부스팅의 어려움은 원하는 결과 집합으로 이어지는 요소를 파악하기 위해 튜닝이 필요하다는 점입니다. 원하는 결과 집합에 가장 근접한 값이 무엇인지 확인하기 위해 임의의 값을 시도해 보는 것입니다.

하이브리드 검색의 상호 순위 퓨전 & Go 클라이언트

상호 순위 퓨전(RRF)은 Elasticsearch 8.9의 하이브리드 검색을 위한 기술 미리보기로 출시되었습니다. 튜닝과 관련된 학습 곡선을 줄이고 결과 집합을 최적화하기 위해 요소를 실험하는 시간을 줄이는 것을 목표로 합니다.

RRF를 사용하면 아래 알고리즘에 따라 점수를 혼합하여 문서 점수를 다시 계산합니다:

RRF 사용의 장점은 Elasticsearch 내에서 합리적인 기본값을 사용할 수 있다는 것입니다. 순위 상수 k 기본값은 60 입니다. 대규모 데이터 집합을 검색할 때 반환된 문서의 관련성과 쿼리 성능 간의 균형을 맞추기 위해 고려되는 각 쿼리에 대한 결과 집합의 크기는 문서에 설명된 대로 기본값이 100 인 window_size 의 값으로 제한됩니다.

k 및 windows_size 는 아래 예시와 같이 Go 클라이언트의 Rank 메소드 내 Rrf 설정에서도 구성할 수 있습니다:

결론

여기서는 Elasticsearch Go 클라이언트를 사용하여 Elasticsearch에서 벡터 검색과 키워드 검색을 결합하는 방법에 대해 설명했습니다.

이 시리즈의 모든 코드는 GitHub 리포지토리에서 확인하세요. 아직 읽어보지 않았다면 이 시리즈의 모든 코드를 파트 1과 파트 2에서 확인하세요.

즐거운 고퍼 사냥 되세요!

리소스

1. Elasticsearch 가이드

2. Elasticsearch Go 클라이언트

3. 벡터 검색이란 무엇인가요? | Elastic

4. 상호 등급 융합

동물, 프로그래밍 언어, 친근한 작가와 마찬가지로 검색도 검색 사용 사례에 따라 결정하기 어려울 정도로 다양한 방식으로 진화해 왔습니다. 이 블로그에서는 벡터 검색에 대한 개요와 함께 Elasticsearch와 Elasticsearch Go 클라이언트를 사용한 각 접근 방식의 예를 공유하겠습니다. 이 예제에서는 Elasticsearch와 Go에서 벡터 검색을 사용해 고퍼를 찾고 고퍼가 무엇을 먹는지 알아내는 방법을 보여드립니다.

필수 구성 요소

이 예제를 따라 하려면 다음 전제 조건이 충족되는지 확인하세요:

1. Go 버전 1.21 이상 설치

2. 를 사용하여 나만의 Go 리포지토리를 생성합니다.

3. 위키피디아에서 친숙한 Gopher를 포함한 설치류 기반 페이지 세트로 채워진 자체 Elasticsearch 클러스터를 생성합니다:

Elasticsearch에 연결

이 예제에서는 Go 클라이언트에서 제공하는 Typed API를 사용하겠습니다. 쿼리에 대한 보안 연결을 설정하려면 다음 중 하나를 사용하여 클라이언트를 구성해야 합니다:

1. Elastic Cloud를 사용하는 경우 클라우드 ID와 API 키입니다.

2. 클러스터 URL, 사용자 이름, 비밀번호 및 인증서를 입력합니다.

Elastic Cloud에 위치한 클러스터에 연결하면 다음과 같이 됩니다:

그런 다음 다음 섹션에 표시된 것처럼 client 연결을 벡터 검색에 사용할 수 있습니다.

벡터 검색

벡터 검색은 벡터를 사용하여 검색 문제를 수학적 비교로 변환하여 이 문제를 해결하려고 시도합니다. 문서 임베딩 프로세스에는 모델을 사용하여 문서를 고밀도 벡터 표현 또는 단순히 숫자 스트림으로 변환하는 추가 단계가 있습니다. 이 접근 방식의 장점은 이미지나 오디오와 같은 텍스트가 아닌 문서를 쿼리와 함께 벡터로 변환하여 검색할 수 있다는 점입니다.

간단히 말해서 벡터 검색은 벡터 거리 계산의 집합입니다. 아래 그림에서는 쿼리 Go Gopher의 벡터 표현을 벡터 공간의 문서와 비교하여 가장 가까운 결과(상수 k 로 표시됨)를 반환합니다:

문서 임베딩을 생성하는 데 사용하는 접근 방식에 따라 고퍼가 무엇을 먹는지 알아내는 방법은 두 가지가 있습니다.

접근 방식 1: 나만의 모델 가져오기

플래티넘 라이선스를 사용하면 모델을 업로드하고 추론 API를 사용하여 Elasticsearch 내에서 임베딩을 생성할 수 있습니다. 모델을 설정하는 데는 6단계가 있습니다:

1. 모델 리포지토리에서 업로드할 PyTorch 모델을 선택합니다. 이 예제에서는 임베딩을 생성하기 위해 Hugging Face의 문장 트랜스포머/msmarco-MiniLM-L-12-v3를 사용하고 있습니다.

2. Elasticsearch 클러스터에 대한 자격 증명과 작업 유형 text_embeddings 을 사용하여 Python용 Eland Machine Learning 클라이언트를 사용하여 모델을 Elastic에 로드합니다. Eland가 설치되어 있지 않은 경우 아래와 같이 Docker를 사용하여 가져오기 단계를 실행할 수 있습니다:

1. 업로드가 완료되면 샘플 문서로 sentence-transformers__msmarco-minilm-l-12-v3 모델을 빠르게 테스트하여 임베딩이 예상대로 생성되는지 확인합니다:

1. 추론 프로세서가 포함된 수집 파이프라인을 만듭니다. 이렇게 하면 업로드한 모델을 사용하여 벡터 표현을 생성할 수 있습니다:

1. 각 문서에 대해 생성된 벡터 임베딩을 저장하기 위해 dense_vector 유형의 text_embedding.predicted_value 필드를 포함하는 새 인덱스를 만듭니다:

1. 새로 생성된 수집 파이프라인을 사용하여 문서를 재색인하여 각 문서에 추가 필드 text_embedding.predicted_value 로 텍스트 임베딩을 생성합니다:

이제 아래 예시와 같이 새 인덱스 vector-search-rodents 를 사용하여 동일한 검색 API에서 Knn 옵션을 사용할 수 있습니다:

마샬링 해제를 통해 JSON 결과 객체를 변환하는 것은 키워드 검색 예제와 똑같은 방식으로 수행됩니다. 상수 K 및 NumCandidates 을 사용하여 반환할 이웃 문서의 수와 샤드당 고려할 후보의 수를 구성할 수 있습니다. 후보자 수를 늘리면 결과의 정확도는 높아지지만 더 많은 비교가 수행되므로 쿼리 실행 시간이 길어집니다.

What do Gophers eat? 쿼리를 사용하여 코드를 실행하면 반환되는 결과는 아래와 유사하게 표시되며, 이전 키워드 검색과 달리 Gopher 문서에 요청된 정보가 포함되어 있음을 강조합니다:

접근 방식 2: 허깅 얼굴 추론 API

또 다른 옵션은 Elasticsearch 외부에서 동일한 임베딩을 생성하여 문서의 일부로 수집하는 것입니다. 이 옵션은 Elasticsearch 머신 러닝 노드를 사용하지 않으므로 무료 티어에서 수행할 수 있습니다.

허깅 페이스는 무료로 사용할 수 있는 속도 제한이 없는 추론 API를 제공하며, 계정과 API 토큰을 사용하면 실험 및 프로토타이핑을 위해 동일한 임베딩을 수동으로 생성하여 시작할 수 있습니다. 프로덕션용으로는 권장하지 않습니다. 로컬에서 자체 모델을 호출하여 임베딩을 생성하거나 유료 API를 사용하는 것도 비슷한 방식으로 수행할 수 있습니다.

아래 함수 GetTextEmbeddingForQuery 에서는 쿼리 문자열에 대한 추론 API를 사용하여 POST 요청에서 엔드포인트로 반환된 벡터를 생성합니다:

그런 다음 []float32 유형의 결과 벡터가 QueryVectorBuilder 옵션을 사용하는 대신 QueryVector 으로 전달되어 이전에 Elastic에 업로드한 모델을 활용합니다.

K 및 NumCandidates 옵션은 두 옵션에 관계없이 동일하게 유지되며 동일한 모델을 사용하여 임베딩을 생성하기 때문에 동일한 결과가 생성됩니다.

결론

여기서는 Elasticsearch Go 클라이언트를 사용하여 Elasticsearch에서 벡터 검색을 수행하는 방법에 대해 설명했습니다. 이 시리즈의 모든 코드는 GitHub 리포지토리에서 확인하세요. 3부에서는 1부에서 다룬 벡터 검색과 키워드 검색 기능을 Go에서 결합하는 방법에 대한 개요를 살펴봅니다.

그때까지 고퍼 사냥을 즐기세요!

리소스

1. Elasticsearch 가이드

2. Elasticsearch Go 클라이언트

3. 벡터 검색이란 무엇인가요? | Elastic

동물, 프로그래밍 언어, 친근한 저자 중 한 명처럼 검색도 검색 사용 사례에 따라 결정하기 어려울 정도로 다양한 방식으로 진화해 왔습니다. 이 블로그에서는 기존 키워드 검색에 대한 개요와 함께 Elasticsearch 및 Elasticsearch Go 클라이언트를 사용한 예제를 공유합니다.

필수 구성 요소

이 예제를 따라 하려면 다음 전제 조건이 충족되는지 확인하세요:

1. Go 버전 1.21 이상 설치

2. Go 문서에서다루는 권장 구조와 패키지 관리를 사용하여 자신만의 Go 리포지토리를 만드세요.

3. 위키피디아에서 친숙한 Gopher를 포함한 설치류 기반 페이지 세트로 채워진 자체 Elasticsearch 클러스터를 생성합니다:

Elasticsearch에 연결

이 예제에서는 Go 클라이언트에서 제공하는 Typed API를 사용하겠습니다. 쿼리에 대한 보안 연결을 설정하려면 둘 중 하나를 사용하여 클라이언트를 구성해야 합니다:

1. Elastic Cloud를 사용하는 경우 클라우드 ID와 API 키입니다.

2. 클러스터 URL, 사용자 이름, 비밀번호 및 인증서를 입력합니다.

Elastic Cloud에 위치한 클러스터에 연결하면 다음과 같이 됩니다:

그러면 나중에 표시된 것처럼 client 연결을 검색에 사용할 수 있습니다.

키워드 검색

키워드 검색은 1990년 문서화된 최초의 인터넷 검색 엔진인 Archie가 처음 등장한 이래로 우리에게 익숙한 기본적인 검색 유형입니다.

키워드 검색의 핵심 구성 요소는 문서를 반전된 색인으로 변환하는 것입니다. 교과서 뒷면에 있는 색인과 마찬가지로, 반전된 색인에는 토큰 목록과 각 문서 내 토큰 위치 간의 매핑이 포함되어 있습니다. 아래 다이어그램은 인덱스 생성의 주요 단계를 보여줍니다:

위에 표시된 바와 같이, Elasticsearch에서 토큰 생성은 세 가지 주요 단계로 구성됩니다:

1. 0 개 이상을 통해 불필요한 문자 제거 char_filters. 이 예에서는 html_strip 필터를 통해 body_content 필드 내의 HTML 요소를 제거합니다.

2. standard 토큰화 도구로 콘텐츠에서 토큰을 분할하면 간격과 키 구두점에 따라 토큰이 분할됩니다.

3. 원치 않는 토큰을 제거하거나 토큰을 언어 루트로 다시 변환하는 lowercase 토큰 필터 또는 snowball 스템머와 같은 0개 이상의 filter 옵션을 사용하여 토큰라이저의 출력 스트림에서 토큰을 변환합니다.

Go로 Elasticsearch에서 검색하기

Go 클라이언트로 쿼리할 때는 아래 예시와 같이 검색할 인덱스를 지정하고 쿼리 및 기타 옵션을 전달합니다:

위의 예에서는 표준 match 쿼리를 수행하여 인덱스에서 함수에 전달된 지정된 문자열이 포함된 문서를 찾습니다. Do(context.Background()) 을 통해 검색 실행에 새로운 빈 컨텍스트를 전달합니다. 또한, Elasticsearch에서 반환된 모든 오류는 로깅 및 오류 처리를 위해 err 속성으로 출력됩니다.

결과는 _Source 속성과 함께 문서 자체를 JSON 형식으로 포함하는 res.Hits.Hits 형식으로 반환됩니다. 이 소스를 Go 친화적인 구조체로 변환하려면 아래 예시와 같이 Go encoding/json 패키지를 사용하여 JSON 응답을 마샬링 해제해야 합니다:

gopher 쿼리를 검색하고 마샬링을 해제하면 예상대로 Gopher의 Wikipedia 페이지가 반환됩니다:

하지만 What do Gophers eat? 에 문의하면 원하는 결과를 얻지 못합니다:

간단한 키워드 검색을 통해 우리가 사용하는 애플리케이션에서 익숙한 방식으로 작동하는 성능 좋은 결과를 Go 애플리케이션에 반환할 수 있습니다. 또한 특정 회사나 용어를 찾는 것과 같은 시나리오와 관련된 정확한 용어 검색에도 유용합니다.

그러나 위에서 보았듯이 어휘 불일치 문제로 인해 문맥과 의미를 파악하는 데 어려움을 겪고 있습니다. 또한 이미지 및 오디오와 같은 텍스트가 아닌 파일 형식에 대한 지원도 어렵습니다.

결론

여기서는 Elasticsearch Go 클라이언트를 사용하여 Elasticsearch에서 기존 텍스트 쿼리를 수행하는 방법에 대해 설명했습니다. Go는 인프라 스크립팅과 웹 서버 구축에 널리 사용되므로 Go에서 검색하는 방법을 아는 것이 유용합니다.

이 시리즈의 모든 코드는 GitHub 리포지토리에서 확인하세요. 2부에서 벡터 검색에 대한 개요와 Go에서 벡터 검색을 수행하는 방법을 알아보세요. 그때까지 고퍼 사냥을 즐기세요!

리소스

1. Elasticsearch 가이드

2. Elasticsearch Go 클라이언트

3. 보 앤더슨의 Elasticsearch(분석기)에서 분석 이해하기 | #CodingExplained