ElasticHD 是一款 ElasticSearch的可视化应用。不依赖ES的插件安装,更便捷;导航栏直接填写对应的ES IP和端口就可以操作Es了。目前支持如下功能:
ES Real time data search
ES Dashboard data visualization
ES Index Template (在线修改、查看、上传)
ES Indices Index deletion and search
SQL Converts to Elasticsearch DSL
ES 基本查询文档
Precompiled binaries for supported operating systems are available.
linux and MacOs use ElasticHD
下载对应的elasticHD版本,unzip xxx_elasticHd_xxx.zip 修改权限 chmod 0777 ElasticHD 可指定ip端口运行elastichd ./ElasticHD -p 127.0.0.1:9800 默认 ip和端口也是这个
windows
直接下载对应windows版本,解压,双击运行。当然想指定端口的话同linux
测试过elasticsearch 1.5版本到5.2.1的版本都能正常使用。 关于 sql 转化成 dsl 马上会出elasticHD 1.1版本修复一些兼容性错误。
Contributions are welcome! Open a pull request to fix a bug, or open an issue to discuss a new feature or change.
[x] SQL Select
[x] SQL Where
[x] SQL Order BySQL
[x] SQL Group By
[x] SQL AND & OR
[x] SQL Like & NOT Like
[x] SQL COUNT distinct
[x] SQL In & Not In
[x] SQL Between
[x] SQL avg()、count(*), count(field), min(field), max(field)
[x] ES TopHits
[x] ES date_histogram
[x] ES STATS
[x] ES RANGE
[x] ES DATE_RANGE
Improvement : now the query DSL is much more flat
Query
select * from test where a=1 and b="c" and create_time between '2015-01-01T00:00:00+0800' and '2016-01-01T00:00:00+0800' and process_id > 1 order by id desc limit 100,10
Aggregation
select avg(age),min(age),max(age),count(student),count(distinct student) from test group by grade,class limit 10
Beyond SQL
range age group 20-25,25-30,30-35,35-40
SELECT COUNT(age) FROM bank GROUP BY range(age, 20,25,30,35,40)
range date group by your config
SELECT online FROM online GROUP BY date_range(field="insert_time",format="yyyy-MM-dd" ,"2014-08-18","2014-08-17","now-8d","now-7d","now-6d","now")
range date group by day
select * from test group by date_histogram(field="changeTime",interval="1h",format="yyyy-MM-dd HH����ss")
stats
SELECT online FROM online group by stats(field="grade")
topHits
select top_hits(field="class", hitssort="age:desc", taglimit = "10", hitslimit = "1", _source="name,age,class,gender") from school
# 需要go环境 git Clone https://github.com/farmerx/ElasticHD # 进入到应用目录下 cd ElasticHD npm install # build vue 源码 npm run build # 进入到服务端程序目录 cd ./main # 使用statik 压缩编译好的程序(github上的一款go应用) statik -src=../dist # go build GO_ENABLED=0 GOOS=windows GOARCH=amd64 go build -o elasticHD.exe github.com/elasticHD/main
![6(https://static.oschina.net/uploads/img/201706/17154148_y3cf.png "在这里输入图片标题")
More plugins support
The indices list supports search, better sorting, detailed viewing, and more
Program logo design
Monitoring information collection
This program is under the terms of the MIT License. See LICENSE for the full license text.
ElasticHD 是一款 ElasticSearch的可视化应用。不依赖ES的插件安装,更便捷;导航栏直接填写对应的ES IP和端口就可以操作Es了。目前支持如下功能:ES Real time data search ES Dashboard data visualization ES Index Template (在线修改、查看、上传) ES Indices Index deletion a
ElasticHD两种安装方式 1、ElasticHD介绍 ElasticHD 支持 ES监控、实时搜索,Index template快捷替换修改,索引列表信息查看, SQL converts to DSL工具等 2、安装 ElasticHD是gitHub上的一个开源项目,没有官方网站,需要安装直接在releases里下载对应的版本即可,gitHub地址 https://github.com/36
Python 中有很多库可以用来可视化数据,比如 Pandas、Matplotlib、Seaborn 等。 Matplotlib import matplotlib.pyplot as plt import numpy as np %matplotlib inline t = np.arange(0., 5., 0.2) plt.plot(t, t, "r--", t, t**2, "bs", t
表格是一种组织和可视化数据的强大方式。然而,无论数据如何组织,数字的大型表格可能难以解释。 有时解释图片比数字容易得多。 在本章中,我们将开发一些数据分析的基本图形方法。 我们的数据源是互联网电影数据库(IMDB),这是一个在线数据库,包含电影,电视节目,和视频游戏等信息。Box Office Mojo 网站提供了许多 IMDB 数据摘要,我们已经采用了其中一些。 我们也使用了 The Numbe
要创建可视化视图: 点击左侧导航栏的 Visualize 。 点击 Create new visualization 按钮或 + 按钮。 选择视图类型: 基础图形 Line, Area and Bar charts 在X/Y图中比较两个不同的序列。 Heat maps 使用矩阵的渐变单元格. Pie chart 显示每个来源的占比。 数据 Data table 显示一个组合聚合的原始数据。 Met
问题内容: 通常,不清楚并行流如何精确地将输入拆分为多个块以及以什么顺序连接这些块。是否有任何方法可以可视化任何流源的整个过程,从而更好地了解发生了什么?假设我创建了这样的流: 我想看一些树状结构: 这意味着将整个输入范围划分为和,然后将范围进一步划分。当然,该图应反映Stream API的实际工作,因此,如果我对此类流执行某些实际操作,则拆分应该以相同的方式执行。 问题答案: 我想用一种解决方案
主要内容:可视化检测系统可视化测试用于通过定义数据来检查软件故障发生的情况,开发人员可以快速识别故障原因,并清楚地表达信息,以便任何其他开发人员可以利用这些信息。 可视化测试旨在显示实际问题,而不仅仅是描述它,显着增加理解和清晰度,以便快速解决问题。 可视化意味着我们可以看到的。因此,可视化测试需要整个过程的视频录制。它捕获视频格式系统测试时发生的所有事情。测试仪将图片网络摄像头中的图片和来自麦克风的音频评论作为输入值。
TensorFlow包含一个可视化工具 - TensorBoard。它用于分析数据流图,也用于理解机器学习模型。TensorBoard的重要功能包括有关垂直对齐中任何图形的参数和详细信息的不同类型统计信息的视图。 深度神经网络包括有36,000个节点。TensorBoard有助于在高级块中折叠这些节点并突出显示相同的结构。这允许更好地分析关注计算图的主要部分的图。TensorBoard可视化非常具
在本章中,我们将在Convents的帮助下专注于数据可视化模型。需要以下步骤才能使用传统的神经网络获得完美的可视化图像。 第1步 导入必要的模块,这对于传统神经网络的可视化非常重要。 第2步 要通过训练和测试数据来停止潜在的随机性,请调用以下代码中给出的相应数据集 - 第3步 使用以下代码绘制必要的图像,以完美的方式定义训练和测试数据 - 输出显示如下 -
模型可视化 keras.utils.vis_utils 模块提供了一些绘制 Keras 模型的实用功能(使用 graphviz)。 以下实例,将绘制一张模型图,并保存为文件: from keras.utils import plot_model plot_model(model, to_file='model.png') plot_model 有 4 个可选参数: show_shapes (默认