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