Zum Inhalt

Lab 01: Einführung

Übungsziel

Am Ende dieser Übung hast du:

  • Deine lokale Übungsumgebung selbst gestartet
  • Die Kibana-Oberfläche kennengelernt und dich orientiert
  • Verstanden, was ein Data View ist und wozu er dient
  • Das Index Mapping grafisch über die Data-View-Ansicht untersucht und die Feldtypen verstanden
  • Erste REST-Aufrufe in den Kibana Dev Tools ausgeführt

Dauer: ca. 25 Minuten

Teil 0: Umgebung starten

In dieser Schulung betreibst du Elasticsearch und Kibana lokal auf deinem eigenen Rechner mit Docker.

Voraussetzung: Du hast die Schritte aus environment/VORBEREITUNG.md bereits ausgeführt (Docker installiert, Images geladen).

Schritt 0.1: Docker-Umgebung starten

Öffne ein Terminal im Schulungs-Repository und starte die Umgebung für Tag 1:

cd environment/day1
docker compose up -d --wait

Tipp: Der erste Start kann 1-2 Minuten dauern. Der Befehl kehrt erst zurück, wenn Elasticsearch und Kibana bereit sind (--wait).

Erwartetes Ergebnis: Beide Container werden als Healthy angezeigt.

Schritt 0.2: Kibana öffnen

Öffne in deinem Browser:

http://localhost:5601

Kibana und Elasticsearch laufen lokal ohne Login. Du landest direkt auf der Startseite.

Schritt 0.3: Beispieldaten laden

Für die folgenden Teile brauchst du den eCommerce-Beispieldatensatz:

  1. Gehe auf die Kibana-Startseite (Home)
  2. Klicke auf Try sample data
  3. Öffne Other sample data sets
  4. Wähle Sample eCommerce orders und klicke auf Add data

Erwartetes Ergebnis: Nach kurzer Zeit ist der Index kibana_sample_data_ecommerce samt Data View und Dashboard angelegt.

Teil 1: Kibana-Oberfläche erkunden

Schritt 1.1: Startseite kennenlernen

Nach dem Öffnen von Kibana siehst du die Startseite (Home). Nimm dir einen Moment, um die Hauptbereiche zu identifizieren:

Kibana Startseite

Bereich Position Beschreibung
Hauptmenü Links (Hamburger-Symbol) Navigation zu allen Kibana-Bereichen
Suchleiste Oben mittig Globale Suche nach Funktionen und Daten
Hilfe Oben rechts Dokumentation und Hilfe

Schritt 1.2: Hauptmenü erkunden

Klicke auf das Hamburger-Symbol (drei Striche) oben links, um das Hauptmenü zu öffnen. Mache dich mit den wichtigsten Bereichen vertraut:

Hauptmenü

Menüpunkt Funktion
Analytics > Discover Daten durchsuchen und filtern
Analytics > Dashboard Dashboards anzeigen und erstellen
Analytics > Visualize Library Gespeicherte Visualisierungen
Management > Stack Management Verwaltung von Indizes, Data Views etc.
Management > Dev Tools Konsole für Elasticsearch-Abfragen

Schritt 1.3: Stack Management öffnen

  • Navigiere über das Hauptmenü zu Management > Stack Management
  • Schaue dir die linke Navigation an. Hier findest du unter anderem:
  • Data Views (ehemals Index Patterns)
  • Index Management

Stack Management

  • Klicke auf Index Management
  • Du siehst die aktuell vorhandenen Indizes

Index Management

Merke: Stack Management ist die zentrale Anlaufstelle für die Verwaltung deiner Elasticsearch-Daten in Kibana.

Teil 2: Data View verstehen und erkunden

Was ist ein Data View?

Ein Data View (früher "Index Pattern") ist die Verbindung zwischen Kibana und deinen Elasticsearch-Daten. Ohne Data View kannst du Daten in Kibana weder durchsuchen noch visualisieren.

Stell dir einen Data View wie eine Brille vor: Elasticsearch speichert die Rohdaten, aber erst der Data View legt fest, welche Indizes du in Kibana siehst und wie die Felder interpretiert werden.

Ein Data View definiert:

  • Welche Indizes einbezogen werden (z.B. kibana_sample_data_ecommerce oder ein Muster wie logs-* für mehrere Indizes)
  • Welche Felder verfügbar sind und welchen Typ sie haben (Text, Zahl, Datum ...)
  • Welches Feld als Zeitstempel dient (wichtig für zeitbasierte Analysen)

Jedes Mal, wenn du in Discover, Lens oder einem Dashboard arbeitest, wählst du als Erstes einen Data View aus. Er bestimmt, auf welche Daten du zugreifen kannst.

Schritt 2.1: Data Views öffnen

  1. Navigiere zu Management > Stack Management
  2. Klicke in der linken Navigation auf Data Views
  3. Du siehst eine Liste aller vorhandenen Data Views

Data Views - Liste

Beobachte: Die Liste zeigt pro Data View seinen Namen und die Spaces, in denen er verfügbar ist. Das Index-Muster (welche Elasticsearch-Indizes er abdeckt) und das Zeitstempel-Feld (z.B. order_date) siehst du erst nach dem Öffnen des Data Views auf der Detailseite (Schritt 2.2).

Schritt 2.2: E-Commerce Data View öffnen

  1. Klicke auf kibana_sample_data_ecommerce
  2. Du siehst die Feld-Übersicht des Data Views

Data View - Feldliste

Auf dieser Seite kannst du ablesen:

Information Wo zu finden Beispiel
Feldname Erste Spalte taxful_total_price
Feldtyp Symbol + Typname # = Number
Format Format-Spalte Standard oder benutzerdefiniert
Durchsuchbar Spalte Searchable Ja/Nein
Aggregierbar Spalte Aggregatable Ja/Nein

Wichtig: Nur Felder, die als aggregierbar markiert sind, kannst du in Visualisierungen und Dashboards als Achse oder Gruppierung verwenden. Das betrifft vor allem keyword-Felder, Zahlen und Datumsfelder.

Schritt 2.3: Wichtige Felder für die Schulung

Suche in der Feldliste nach den folgenden Feldern und notiere ihren Typ. Du wirst sie in den nächsten Modulen intensiv nutzen:

Feld Typ Bedeutung
order_date Date Bestelldatum
customer_full_name Text Kundenname
category Text (+ .keyword) Produktkategorie
taxful_total_price Number Gesamtpreis (brutto)
currency Keyword Währung
geoip.country_iso_code Keyword Ländercode des Kunden
geoip.continent_name Keyword Kontinent des Kunden
manufacturer Text (+ .keyword) Hersteller
products.product_name Text Produktname

Teil 3: Index Mapping

Das Mapping legt fest, wie Elasticsearch jedes Feld intern speichert und interpretiert. Du kannst es dir als das Schema deiner Daten vorstellen, vergleichbar mit der Spaltendefinition in einer Excel-Tabelle (Text, Zahl, Datum ...).

Die grafische Feldliste im Data View zeigt dir das Mapping, ohne dass du eine einzige Abfrage schreiben musst.

Schritt 3.1: Feldtypen identifizieren

Öffne den Data View kibana_sample_data_ecommerce (falls nicht noch geöffnet) und scrolle durch die Feldliste. Achte auf die Typ-Symbole links neben den Feldnamen:

Symbol Feldtyp Beschreibung Beispielfeld
t Keyword Exakter Text, nicht zerlegt - für Filter und Gruppierungen currency
t Text Volltext, zerlegt in Wörter - für Freitextsuche customer_full_name
# Number Zahlenwert (integer, float ...) - für Berechnungen taxful_total_price
Kalender Date Datum / Zeitstempel - für Zeitfilter order_date
Pin Geo Point Geokoordinate (Längen-/Breitengrad) geoip.location
{} Object Verschachteltes Objekt mit Unterfeldern products

Tipp: Nutze das Suchfeld oben in der Feldliste, um schnell ein bestimmtes Feld zu finden.

Schritt 3.2: Keyword vs. Text unterscheiden

Suche in der Feldliste nach dem Feld customer_full_name. Du wirst feststellen, dass es zwei Einträge gibt:

  • customer_full_name - Typ Text
  • customer_full_name.keyword - Typ Keyword

Das ist ein sogenanntes Multi-Field-Mapping:

Data View - keyword vs. text

Variante Typ Einsatz
customer_full_name Text Volltextsuche ("Suche nach Müller")
customer_full_name.keyword Keyword Exakte Filterung und Gruppierung ("Gruppiere nach vollem Namen")

Frage: Wenn du in einem Dashboard eine Tabelle mit Kundennamen erstellen möchtest - welche Variante verwendest du? Und wenn du nach einem Namensteil suchen möchtest?

Antwort: Für die Tabelle brauchst du die .keyword-Variante (exakter Wert, aggregierbar). Für die Suche nach einem Namensteil nutzt du das text-Feld.

Schritt 3.3: Verschachtelte Felder erkunden

Suche in der Feldliste nach products. Du siehst zahlreiche Felder, die mit products. beginnen:

  • products.product_name
  • products.category
  • products.price
  • products.quantity
  • products.discount_percentage
  • products.manufacturer

Diese Felder beschreiben die einzelnen Artikel innerhalb einer Bestellung. Eine Bestellung kann mehrere Produkte enthalten - daher sind die Produktfelder als verschachteltes Objekt modelliert.

Praxisrelevanz: In Modul 03 (Dashboards) wirst du sowohl die Bestellfelder (z.B. taxful_total_price) als auch die Produktfelder (z.B. products.discount_percentage) verwenden.

Schritt 3.4: Felder zählen

Scrolle durch die gesamte Feldliste oder nutze die Filteroptionen oben, um dir einen Überblick zu verschaffen:

  1. Wie viele Felder hat der Data View insgesamt?
  2. Filtere nach Typ Number - wie viele numerische Felder gibt es?
  3. Filtere nach Typ Keyword - wie viele Keyword-Felder gibt es?

Der eCommerce-Datensatz hat deutlich mehr Felder, als du zunächst erwartest. Viele davon werden automatisch von Kibana erzeugt (z.B. _id, _index, _score).

Teil 4: Dev Tools - erste REST-Aufrufe

Zum Abschluss sprichst du direkt mit Elasticsearch, so wie es Kibana im Hintergrund die ganze Zeit tut. Dafür nutzt du die Dev Tools Console.

Schritt 4.1: Dev Tools öffnen

  1. Navigiere über das Hauptmenü zu Management > Dev Tools
  2. Links siehst du den Editor für deine Anfragen, rechts erscheinen die Antworten

Tipp: Anfragen führst du mit Ctrl+Enter (Windows/Linux) bzw. Cmd+Enter (macOS) aus, alternativ über das Play-Symbol neben der Anfrage. Die Console bietet Autocomplete für Endpunkte und Felder.

Schritt 4.2: Erstes Dokument anlegen

Lege einen Kunden der Mustertech GmbH an. Tippe in die Console:

PUT kunden/_doc/1
{
  "name": "Firma Müller",
  "stadt": "Köln",
  "branche": "Maschinenbau",
  "kunde_seit": "2019-04-01"
}

Erwartetes Ergebnis: Die Antwort enthält "result": "created" und "_id": "1". Den Index kunden hat Elasticsearch dabei automatisch angelegt.

Schritt 4.3: Dokument lesen

GET kunden/_doc/1

Erwartetes Ergebnis: "found": true. Unter _source steht dein Kunden-Dokument, dazu Metadaten wie _index und _version.

Schritt 4.4: Indizes auflisten

GET _cat/indices?v

Erwartetes Ergebnis: Eine Tabelle aller Indizes. Du findest darin sowohl kunden (mit docs.count 1) als auch kibana_sample_data_ecommerce.

Schritt 4.5: Mehrere Dokumente per Bulk-API anlegen

Statt drei einzelner PUT-Aufrufe bündelst du drei Kunden in einer Anfrage. Beachte das Zeilenformat: immer eine Action-Zeile, dann eine Dokument-Zeile:

POST _bulk
{ "index": { "_index": "kunden", "_id": "2" } }
{ "name": "Schmidt AG", "stadt": "Hamburg", "branche": "Logistik", "kunde_seit": "2021-09-15" }
{ "index": { "_index": "kunden", "_id": "3" } }
{ "name": "Weber & Co", "stadt": "München", "branche": "Handel", "kunde_seit": "2020-02-01" }
{ "index": { "_index": "kunden", "_id": "4" } }
{ "name": "Becker GmbH", "stadt": "Köln", "branche": "Maschinenbau", "kunde_seit": "2023-06-20" }

Wichtig: Bei _bulk muss jedes JSON-Objekt auf genau einer Zeile stehen. Kommt beim Kopieren (besonders aus dem PDF oder über die RDP-Zwischenablage) ein Zeilenumbruch mitten in eine Zeile, meldet Elasticsearch z.B. Malformed action/metadata line [3], expected START_OBJECT but found [VALUE_STRING]. Ziehe umgebrochene Zeilen dann in der Console wieder zu einer Zeile zusammen.

Erwartetes Ergebnis: Die Antwort enthält "errors": false und listet für jedes der drei Dokumente "result": "created" auf.

Schritt 4.6: Erste Suche

Suche alle Kunden, in deren Namen "müller" vorkommt:

GET kunden/_search
{
  "query": {
    "match": {
      "name": "müller"
    }
  }
}

Erwartetes Ergebnis: Unter hits.total.value steht 1, und in hits.hits findest du die Firma Müller, obwohl du klein geschrieben gesucht hast. Die Details der Query DSL lernst du in einem späteren Modul.

Schritt 4.7: Aufräumen

Lösche den Übungsindex wieder, damit er die nächsten Labs nicht stört:

DELETE kunden

Erwartetes Ergebnis: "acknowledged": true. Ein erneutes GET _cat/indices?v zeigt: kunden ist verschwunden, kibana_sample_data_ecommerce ist weiterhin da.

Merke: DELETE kunden löscht den kompletten Index inklusive aller Dokumente und des Mappings, ohne Rückfrage.