转载

Elasticsearch聚合 之 Terms

之前总结过metric聚合的内容,本篇来说一下bucket聚合的知识。Bucket可以理解为一个桶,他会遍历文档中的内容,凡是符合要求的就放入按照要求创建的桶中。

本篇着重讲解的terms聚合,它是按照某个字段中的值来分类:

比如性别有男、女,就会创建两个桶,分别存放男女的信息。默认会搜集doc_count的信息,即记录有多少男生,有多少女生,然后返回给客户端,这样就完成了一个terms得统计。

Terms聚合

{     "aggs" : {         "genders" : {             "terms" : { "field" : "gender" }         }     } }

得到的结果如下:

{  ...  "aggregations" : {   "genders" : {    "doc_count_error_upper_bound": 0,     "sum_other_doc_count": 0,     "buckets" : [      {      "key" : "male",      "doc_count" : 10     },     {      "key" : "female",      "doc_count" : 10     },    ]   }  } } 

数据的不确定性

使用terms聚合,结果可能带有一定的偏差与错误性。

举个例子:

我们想要获取name字段中出现频率最高的前5个。

此时,客户端向ES发送聚合请求,主节点接收到请求后,会向每个独立的分片发送该请求。分片独立的计算自己分片上的前5个name,然后返回。当所有的分片结果都返回后,在主节点进行结果的合并,再求出频率最高的前5个,返回给客户端。

这样就会造成一定的误差,比如最后返回的前5个中,有一个叫A的,有50个文档;B有49。 但是由于每个分片独立的保存信息,信息的分布也是不确定的。 有可能第一个分片中B的信息有2个,但是没有排到前5,所以没有在最后合并的结果中出现。 这就导致B的总数少计算了2,本来可能排到第一位,却排到了A的后面。

size与shard_size

为了改善上面的问题,就可以使用size和shard_size参数。

  • size参数规定了最后返回的term个数(默认是10个)
  • shard_size参数规定了每个分片上返回的个数
  • 如果shard_size小于size,那么分片也会按照size指定的个数计算

通过这两个参数,如果我们想要返回前5个,size=5;shard_size可以设置大于5,这样每个分片返回的词条信息就会增多,相应的误差几率也会减小。

order排序

order指定了最后返回结果的排序方式,默认是按照doc_count排序。

{  "aggs" : {   "genders" : {    "terms" : {     "field" : "gender",     "order" : { "_count" : "asc" }    }   }  } } 

也可以按照字典方式排序:

{  "aggs" : {   "genders" : {    "terms" : {     "field" : "gender",     "order" : { "_term" : "asc" }    }   }  } } 

当然也可以通过order指定一个单值的metric聚合,来排序。

{  "aggs" : {   "genders" : {    "terms" : {     "field" : "gender",     "order" : { "avg_height" : "desc" }    },    "aggs" : {     "avg_height" : { "avg" : { "field" : "height" } }    }   }  } } 

同时也支持多值的Metric聚合,不过要指定使用的多值字段:

{  "aggs" : {   "genders" : {    "terms" : {     "field" : "gender",     "order" : { "height_stats.avg" : "desc" }    },    "aggs" : {     "height_stats" : { "stats" : { "field" : "height" } }    }   }  } } 

min_doc_count与shard_min_doc_count

聚合的字段可能存在一些频率很低的词条,如果这些词条数目比例很大,那么就会造成很多不必要的计算。因此可以通过设置min_doc_count和shard_min_doc_count来规定最小的文档数目,只有满足这个参数要求的个数的词条才会被记录返回。

通过名字就可以看出:

  • min_doc_count:规定了最终结果的筛选
  • shard_min_doc_count:规定了分片中计算返回时的筛选

script

桶聚合也支持脚本的使用:

{     "aggs" : {         "genders" : {             "terms" : {                 "script" : "doc['gender'].value"             }         }     } }

以及外部脚本文件:

{  "aggs" : {   "genders" : {    "terms" : {     "script" : {      "file": "my_script",      "params": {       "field": "gender"      }     }    }   }  } } 

filter

filter字段提供了过滤的功能,使用两种方式:include可以过滤出包含该值的文档;相反则使用exclude。例如:

{  "aggs" : {   "tags" : {    "terms" : {     "field" : "tags",     "include" : ".*sport.*",     "exclude" : "water_.*"    }   }  } } 

上面的例子中,最后的结果应该包含sport并且不包含water。也支持数组的方式,定义包含与排除的信息:

{  "aggs" : {   "JapaneseCars" : {     "terms" : {      "field" : "make",      "include" : ["mazda", "honda"]     }    },   "ActiveCarManufacturers" : {     "terms" : {      "field" : "make",      "exclude" : ["rover", "jensen"]     }    }  } } 

多字段聚合

通常情况,terms聚合都是仅针对于一个字段的聚合。因为该聚合是需要把词条放入一个哈希表中,如果多个字段就会造成n^2的内存消耗。

不过,对于多字段,ES也提供了下面两种方式:

  • 1 使用脚本合并字段
  • 2 使用copy_to方法,合并两个字段,创建出一个新的字段,对新字段执行单个字段的聚合。

collect模式

对于子聚合的计算,有两种方式:

  • depth_first 直接进行子聚合的计算
  • breadth_first 先计算出当前聚合的结果,针对这个结果在对子聚合进行计算。

默认情况下ES会使用深度优先,不过可以手动设置成广度优先,比如:

{  "aggs" : {   "actors" : {     "terms" : {      "field" : "actors",      "size" : 10,      "collect_mode" : "breadth_first"     },    "aggs" : {     "costars" : {       "terms" : {        "field" : "actors",        "size" : 5       }      }    }    }  } } 

缺省值Missing value

缺省值指定了缺省的字段的处理方式:

{  "aggs" : {   "tags" : {     "terms" : {      "field" : "tags",      "missing": "N/A"      }    }  } } 
正文到此结束
Loading...