ES之五：ElasticSearch聚合

 

前言

說完了ES的索引與檢索，接着再介紹一個ES高級功能API – 聚合(Aggregations)，聚合功能為ES注入了統計分析的血統，使用戶在面對大數據提取統計指標時變得游刃有余。同樣的工作，你在Hadoop中可能需要寫mapreduce或Hive，在mongo中你必須得用大段的mapreduce腳本，而在ES中僅僅調用一個API就能實現了。

開始之前，提醒老司機們注意，ES原有的聚合功能Facets在新版本中將被正式被移除，抓緊時間用Aggregations替換Facets吧。Facets真的很慢！

1 關於Aggregations

Aggregations的部分特性類似於SQL語言中的group by，avg，sum等函數。但Aggregations API還提供了更加復雜的統計分析接口。

掌握Aggregations需要理解兩個概念：

• 桶(Buckets)：符合條件的文檔的集合，相當於SQL中的group by。比如，在users表中，按“地區”聚合，一個人將被分到北京桶或上海桶或其他桶里；按“性別”聚合，一個人將被分到男桶或女桶

• 指標(Metrics)：基於Buckets的基礎上進行統計分析，相當於SQL中的count,avg,sum等。比如，按“地區”聚合，計算每個地區的人數，平均年齡等

對照一條SQL來加深我們的理解：

SELECT COUNT(color) FROM table GROUP BY color

GROUP BY相當於做分桶的工作，COUNT是統計指標。

下面介紹一些常用的Aggregations API。

2 Metrics

2.1 AVG
2.2 Cardinality
2.3 Stats
2.4 Extended Stats
2.5 Percentiles
2.6 Percentile Ranks

3 Bucket

3.1 Filter
3.2 Range
3.3 Missing
3.4 Terms
3.5 Date Range
3.6 Global Aggregation
3.7 Histogram
3.8 Date Histogram
3.9 IPv4 range
3.10 Return only aggregation results

4 聚合緩存

ES中經常使用到的聚合結果集可以被緩存起來，以便更快速的系統響應。這些緩存的結果集和你掠過緩存直接查詢的結果是一樣的。因為，第一次聚合的條件與結果緩存起來后，ES會判斷你后續使用的聚合條件，如果聚合條件不變，並且檢索的數據塊未增更新，ES會自動返回緩存的結果。

注意聚合結果的緩存只針對size=0的請求(參考3.10章節)，還有在聚合請求中使用了動態參數的比如Date Range中的now(參考3.5章節)，ES同樣不會緩存結果，因為聚合條件是動態的，即使緩存了結果也沒用了。

 

先加入幾條index數據，如下：

curl -XPUT 'localhost:9200/testindex/orders/2?pretty' -d '{
    "zone_id": "1",
    "user_id": "100008",
    "try_deliver_times": 102,
    "trade_status": "TRADE_FINISHED",
    "trade_no": "xiaomi.21142736250938334726",
    "trade_currency": "CNY",
    "total_fee": 100,
    "status": "paid",
    "sdk_user_id": "69272363",
    "sdk": "xiaomi",
    "price": 1,
    "platform": "android",
    "paid_channel": "unknown",
    "paid_at": 1427370289,
    "market": "unknown",
    "location": "local",
    "last_try_deliver_at": 1427856948,
    "is_guest": 0,
    "id": "fa6044d2fddb15681ea2637335f3ae6b7f8e76fef53bd805108a032cb3eb54cd",
    "goods_name": "一小堆元寶",
    "goods_id": "ID_001",
    "goods_count": "1",
    "expires_in": 2592000,
    "delivered_at": 0,
    "debug_mode": true,
    "created_at": 1427362509,
    "cp_result": "exception encountered",
    "cp_order_id": "cp.order.id.test",
    "client_id": "9c98152c6b42c7cb3f41b53f18a0d868",
    "app_user_id": "fvu100006"
}'

1、單值聚合

　　Sum求和,dsl參考如下：

[sfapp@cmos1 ekfile]$ curl  'http://10.202.11.117:9200/testindex/orders/_search?pretty' -d '
> {
>   "size": 0,
>   "aggs": {
>     "return_expires_in": {
>       "sum": {
>         "field": "expires_in"
>       }
>     }
>   }
> }'
{
  "took" : 3,
  "timed_out" : false,
  "_shards" : {
    "total" : 5,
    "successful" : 5,
    "failed" : 0
  },
  "hits" : {
    "total" : 2,
    "max_score" : 0.0,
    "hits" : [ ]
  },
  "aggregations" : {
    "return_expires_in" : {
      "value" : 5184000.0
    }
  }
}
[sfapp@cmos1 ekfile]$ 

返回expires_in之和，其中size=0 表示不需要返回參與查詢的文檔。

Min求最小值

[sfapp@cmos1 ekfile]$ curl  'http://10.202.11.117:9200/testindex/orders/_search?pretty' -d '
> {
>   "size": 0,
>   "aggs": {
>     "return_min_expires_in": {
>       "min": {
>         "field": "expires_in"
>       }
>     }
>   }
> }'
{
  "took" : 3,
  "timed_out" : false,
  "_shards" : {
    "total" : 5,
    "successful" : 5,
    "failed" : 0
  },
  "hits" : {
    "total" : 2,
    "max_score" : 0.0,
    "hits" : [ ]
  },
  "aggregations" : {
    "return_min_expires_in" : {
      "value" : 2592000.0
    }
  }
}
[sfapp@cmos1 ekfile]$

Max求最大值

[sfapp@cmos1 ekfile]$ curl  'http://10.202.11.117:9200/testindex/orders/_search?pretty' -d '
> {
>   "size": 0,
>   "aggs": {
>     "return_max_expires_in": {
>       "max": {
>         "field": "expires_in"
>       }
>     }
>   }
> }'
{
  "took" : 3,
  "timed_out" : false,
  "_shards" : {
    "total" : 5,
    "successful" : 5,
    "failed" : 0
  },
  "hits" : {
    "total" : 2,
    "max_score" : 0.0,
    "hits" : [ ]
  },
  "aggregations" : {
    "return_max_expires_in" : {
      "value" : 2592000.0
    }
  }
}
[sfapp@cmos1 ekfile]$ 

 

AVG求平均值

[sfapp@cmos1 ekfile]$ curl  'http://10.202.11.117:9200/testindex/orders/_search?pretty' -d '
> {
>   "size": 0,
>   "aggs": {
>     "return_avg_expires_in": {
>       "avg": {
>         "field": "expires_in"
>       }
>     }
>   }
> }'
{
  "took" : 4,
  "timed_out" : false,
  "_shards" : {
    "total" : 5,
    "successful" : 5,
    "failed" : 0
  },
  "hits" : {
    "total" : 2,
    "max_score" : 0.0,
    "hits" : [ ]
  },
  "aggregations" : {
    "return_avg_expires_in" : {
      "value" : 2592000.0
    }
  }
}
[sfapp@cmos1 ekfile]$ 

 

Cardinality 求基數（如下示例，查找性別的基數 M、F，共兩個）

{
  "size": 0,
  "aggs": {
    "return_cardinality": {
      "cardinality": {
        "field": "gender"
      }
    }
  }
}

結果為：

2、多值聚合

 

percentiles 求百分比

查看官方文檔時候，沒看懂，下面是自己測試時的例子，按照性別（F，M）查看工資范圍的百分比

{
  "size": 0,
  "aggs": {
    "states": {
      "terms": {
        "field": "gender"
      },
      "aggs": {
        "banlances": {
          "percentile_ranks": {
            "field": "balance",
            "values": [
              20000,
              40000
            ]
          }
        }
      }
    }
  }

結果：

 

 

 

stats 統計

查看balance的統計情況：

{
  "size": 0,
  "aggs": {
    "balance_stats": {
      "stats": {
        "field": "balance"
      }
    }
  }
}

返回結果：

extended_stats 擴展統計

{
  "size": 0,
  "aggs": {
    "balance_stats": {
      "extended_stats": {
        "field": "balance"
      }
    }
  }
}

結果：

 

更加復雜的查詢，后續慢慢在實踐中道來。

Terms聚合

記錄有多少F，多少M

 

{
  "size": 0,
  "aggs": {
    "genders": {
      "terms": {
        "field": "gender"
      }
    }
  }
}

 返回結果如下：m記錄507條，f記錄493條

 

 

數據的不確定性

使用terms聚合，結果可能帶有一定的偏差與錯誤性。

比如：

我們想要獲取name字段中出現頻率最高的前5個。

此時，客戶端向ES發送聚合請求，主節點接收到請求后，會向每個獨立的分片發送該請求。
分片獨立的計算自己分片上的前5個name，然后返回。當所有的分片結果都返回后，在主節點進行結果的合並，再求出頻率最高的前5個，返回給客戶端。

這樣就會造成一定的誤差，比如最后返回的前5個中，有一個叫A的，有50個文檔；B有49。 但是由於每個分片獨立的保存信息，信息的分布也是不確定的。 有可能第一個分片中B的信息有2個，但是沒有排到前5，所以沒有在最后合並的結果中出現。 這就導致B的總數少計算了2，本來可能排到第一位，卻排到了A的后面。

size與shard_size

為了改善上面的問題，就可以使用size和shard_size參數。

• size參數規定了最后返回的term個數(默認是10個)
• shard_size參數規定了每個分片上返回的個數
• 如果shard_size小於size，那么分片也會按照size指定的個數計算

通過這兩個參數，如果我們想要返回前5個，size=5;shard_size可以設置大於5，這樣每個分片返回的詞條信息就會增多，相應的誤差幾率也會減小。

 

order排序

 

order指定了最后返回結果的排序方式，默認是按照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" }
            }
        }
    }
}

 

 

當然也可以通過order指定一個單值聚合，來排序。

 

{
    "aggs" : {
        "genders" : {
            "terms" : {
                "field" : "gender",
                "order" : { "avg_balance" : "desc" }
            },
            "aggs" : {
                "avg_balance" : { "avg" : { "field" : "balance" } }
            }
        }
    }
}

 

 

同時也支持多值聚合，不過要指定使用的多值字段：

 

{
    "aggs" : {
        "genders" : {
            "terms" : {
                "field" : "gender",
                "order" : { "balance_stats.avg" : "desc" }
            },
            "aggs" : {
                "balance_stats" : { "stats" : { "field" : "balance" } }
            }
        }
    }
}

返回結果：

 

 

min_doc_count與shard_min_doc_count

聚合的字段可能存在一些頻率很低的詞條，如果這些詞條數目比例很大，那么就會造成很多不必要的計算。
因此可以通過設置min_doc_count和shard_min_doc_count來規定最小的文檔數目，只有滿足這個參數要求的個數的詞條才會被記錄返回。

通過名字就可以看出：

• min_doc_count：規定了最終結果的篩選
• shard_min_doc_count：規定了分片中計算返回時的篩選

script

桶聚合也支持腳本的使用：

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

 

以及外部腳本文件：

 

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

 

filter

filter字段提供了過濾的功能，使用兩種方式：include可以匹配出包含該值的文檔，exclude則排除包含該值的文檔。
例如：

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

 

上面的例子中，最后的結果應該包含sport並且不包含water。
也支持數組的方式，定義包含與排除的信息：

 

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

 

多字段聚合

 

通常情況，terms聚合都是僅針對於一個字段的聚合。因為該聚合是需要把詞條放入一個哈希表中，如果多個字段就會造成n^2的內存消耗。

 

不過，對於多字段，ES也提供了下面兩種方式：

 

• 1 使用腳本合並字段
• 2 使用copy_to方法，合並兩個字段，創建出一個新的字段，對新字段執行單個字段的聚合。

 

collect模式

 

對於子聚合的計算，有兩種方式：

 

• depth_first 直接進行子聚合的計算
• breadth_first 先計算出當前聚合的結果，針對這個結果在對子聚合進行計算。

 

默認情況下ES會使用深度優先，不過可以手動設置成廣度優先，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處理方式：

 

{
    "aggs" : { "tags" : { "terms" : { "field" : "tags", "missing": "N/A" } } } }