ElasticSearch 聚合分析

公号：码农充电站pro
主页：https://codeshellme.github.io

ES 中的聚合分析（Aggregations）是对数据的统计分析功能，它的优点是实时性较高，相比于 Hadoop 速度更快。

1，聚合的分类

ES 中的聚合分析主要有以下 3 大类，每一类都提供了多种统计方法：

• Metrics：对文档字段进行统计分析（数学运算），多数 Metrics 的输出是单个值，部分 Metrics 的输出是多个值。
  • Sum：求和
  • Max：求最大值
  • Min：求最小值
  • Avg：求平均值
  • 等
• Bucket：一些满足特定条件的文档集合（对文档进行分组）。
  • Terms
  • Range
  • 等
• Pipeline：对其它的聚合结果进行再聚合。
  • Avg bucket：求平均值
  • Max bucket：求最大值
  • Min bucket：求最小值
  • Sum bucket：求和
  • Stats bucket：综合统计
  • Percentiles bucket：百分位数统计
  • Cumulative sum：累计求和
  • 等

一般使用聚合分析时，通常将 size 设置为 0，表示不需要返回查询结果，只需要返回聚合结果。

一个示例：

# 多个 Metric 聚合，找到最低最高和平均工资
POST index_name/_search
{
  "size": 0,              # size 为 0
  "aggs": {
    "max_salary": {       # 自定义聚合名称
      "max": {            # 聚合类型
        "field": "salary" # 聚合字段
      }
    },
    "min_salary": {       # 自定义聚合名称
      "min": {            # 聚合类型
        "field": "salary" # 聚合字段
      }
    },
    "avg_salary": {       # 自定义聚合名称
      "avg": {            # 聚合类型
        "field": "salary" # 聚合字段
      }
    }
  }
}

2，Metrics 聚合

Metrics 聚合可以分为单值分析和多值分析：

• 单值分析：分析结果是单个值
  • max
  • min
  • avg
  • sum
  • cardinality：类似 distinct count
    • 注意 cardinality 对 keyword 类型数据和 text 类型数据的区别
    • keyword 类型不会进行分词处理，而 text 类型会进行分词处理
  • 等
• 多值分析：分析结果是多个值
  • stats
  • extended stats
  • string stats
  • percentiles
  • percentile ranks
  • top hits：根据一定的规则排序，选 top N
  • 等

2.1，示例

示例，一个员工表定义：

DELETE /employees
PUT /employees/
{
  "mappings" : {
      "properties" : {
        "age" : {
          "type" : "integer"
        },
        "gender" : {
          "type" : "keyword"
        },
        "job" : {
          "type" : "text",
          "fields" : {
            "keyword" : {  # 子字段名称
              "type" : "keyword", # 子字段类型
              "ignore_above" : 50
            }
          }
        },
        "name" : {
          "type" : "keyword"
        },
        "salary" : {
          "type" : "integer"
        }
      }
    }
}

插入一些测试数据：

PUT /employees/_bulk
{ "index" : {  "_id" : "1" } }
{ "name" : "Emma","age":32,"job":"Product Manager","gender":"female","salary":35000 }
{ "index" : {  "_id" : "2" } }
{ "name" : "Underwood","age":41,"job":"Dev Manager","gender":"male","salary": 50000}
{ "index" : {  "_id" : "3" } }
{ "name" : "Tran","age":25,"job":"Web Designer","gender":"male","salary":18000 }
{ "index" : {  "_id" : "4" } }
{ "name" : "Rivera","age":26,"job":"Web Designer","gender":"female","salary": 22000}
{ "index" : {  "_id" : "5" } }
{ "name" : "Rose","age":25,"job":"QA","gender":"female","salary":18000 }
{ "index" : {  "_id" : "6" } }
{ "name" : "Lucy","age":31,"job":"QA","gender":"female","salary": 25000}
{ "index" : {  "_id" : "7" } }
{ "name" : "Byrd","age":27,"job":"QA","gender":"male","salary":20000 }
{ "index" : {  "_id" : "8" } }
{ "name" : "Foster","age":27,"job":"Java Programmer","gender":"male","salary": 20000}
{ "index" : {  "_id" : "9" } }
{ "name" : "Gregory","age":32,"job":"Java Programmer","gender":"male","salary":22000 }
{ "index" : {  "_id" : "10" } }
{ "name" : "Bryant","age":20,"job":"Java Programmer","gender":"male","salary": 9000}
{ "index" : {  "_id" : "11" } }
{ "name" : "Jenny","age":36,"job":"Java Programmer","gender":"female","salary":38000 }
{ "index" : {  "_id" : "12" } }
{ "name" : "Mcdonald","age":31,"job":"Java Programmer","gender":"male","salary": 32000}
{ "index" : {  "_id" : "13" } }
{ "name" : "Jonthna","age":30,"job":"Java Programmer","gender":"female","salary":30000 }
{ "index" : {  "_id" : "14" } }
{ "name" : "Marshall","age":32,"job":"Javascript Programmer","gender":"male","salary": 25000}
{ "index" : {  "_id" : "15" } }
{ "name" : "King","age":33,"job":"Java Programmer","gender":"male","salary":28000 }
{ "index" : {  "_id" : "16" } }
{ "name" : "Mccarthy","age":21,"job":"Javascript Programmer","gender":"male","salary": 16000}
{ "index" : {  "_id" : "17" } }
{ "name" : "Goodwin","age":25,"job":"Javascript Programmer","gender":"male","salary": 16000}
{ "index" : {  "_id" : "18" } }
{ "name" : "Catherine","age":29,"job":"Javascript Programmer","gender":"female","salary": 20000}
{ "index" : {  "_id" : "19" } }
{ "name" : "Boone","age":30,"job":"DBA","gender":"male","salary": 30000}
{ "index" : {  "_id" : "20" } }
{ "name" : "Kathy","age":29,"job":"DBA","gender":"female","salary": 20000}

min 聚合分析：

# Metric 聚合，找到最低的工资
POST employees/_search
{
  "size": 0,
  "aggs": {
    "min_salary": {
      "min": {    # 聚合类型，求最小值
        "field":"salary"
      }
    }
  }
}

# 返回结果
"hits": {
  "total": {
    "value": 20,      # 一共统计了多少条数据
    "relation": "eq"
  },
  "max_score": null,
  "hits": [...]       # 因为 size 为 0
},
"aggregations": {
  "min_salary": {     # 自定义的聚合名称                       
    "value": 9000,
  }
}

stats 聚合分析：

# 输出多值
POST employees/_search
{
  "size": 0,
  "aggs": {
    "stats_salary": {
      "stats": {      # stats 聚合
        "field":"salary"
      }
    }
  }
}

# 返回多值结果
"aggregations": {
  "stats_salary": {  # 自定义的聚合名称                       
     "count": 20,
     "min": 9000,
     "max": 50000,
     "avg": 24700,
     "sum": 494000
  }
}

2.2，top_hits 示例

# 指定 size，不同岗位中，年纪最大的3个员工的信息
POST employees/_search
{
    "size": 0,
	"aggs":{  
       "old_employee":{  # 聚合名称
          "top_hits":{    # top_hits 分桶
            "size":3,
            "sort":[      # 根据 age 倒序排序，选前 3 个
              {"age":{"order":"desc"}}
            ]
          }
        }
    }
}

3，Bucket 聚合

Bucket 聚合按照一定的规则，将文档分配到不同的桶中，达到分类的目的。

Bucket 聚合支持嵌套，也就是在桶里再次分桶。

Bucket 聚合算法：

• Terms：根据关键字（字符串）分桶。text 类型的字段需要打开 fielddata 配置。
  • 注意 keyword 类型不会做分词处理，text 类型会做分词处理。
  • 另外 size 参数可以控制桶的数量。
• Range：按照范围进行分桶，主要针对数字类型的数据。
• Date range
• Histogram：直方图分桶，指定一个间隔值，来进行分桶。
• Date histogram
• 等

3.1，Terms 示例

示例：

# 对 keword 进行聚合
POST employees/_search
{
  "size": 0,      # size 为 0
  "aggs": {
    "jobs": {     # 自定义聚合名称
      "terms": {  # terms 聚合
        "field":"job.keyword" # job 字段的 keyword 子字段
      }
    }
  }
}

# 返回值结构示例
"aggregations": {
  "genres": {
    "doc_count_error_upper_bound": 0,   
    "sum_other_doc_count": 0,           
    "buckets": [     # 很多桶，这是一个数组                    
      {
        "key": "electronic",
        "doc_count": 6
      },
      {
        "key": "rock",
        "doc_count": 3
      },
      {
        "key": "jazz",
        "doc_count": 2
      }
    ]
  }
}

对 Text 字段进行 terms 聚合查询会出错，示例：

# 对 Text 字段进行 terms 聚合查询
POST employees/_search
{
  "size": 0,
  "aggs": {
    "jobs": {
      "terms": {
        "field":"job"  # job 是 text 类型
      }
    }
  }
}

# 对 Text 字段打开 fielddata，以支持 terms aggregation
PUT employees/_mapping
{
  "properties" : {
    "job":{
       "type":     "text",
       "fielddata": true  # 打开 fielddata
    }
  }
}

3.2，Terms 性能优化

当某个字段的写入和 Terms 聚合比较频繁的时候，可用通过打开 eager_global_ordinals 配置来对 Terms 操作进行优化。

示例：

PUT index_name
{
  "mappings": {
    "properties": {
      "foo": {  # 字段名称
        "type": "keyword",
        "eager_global_ordinals": true # 打开
      }
    }
  }
}

3.3，嵌套聚合示例

Bucket 聚合支持添加子聚合来进一步分析，子聚合可以是一个 Metrics 或者 Bucket。

示例 1：

# 指定 size，不同岗位中，年纪最大的3个员工的信息
POST employees/_search
{
  "size": 0,
  "aggs": {
    "jobs": {
      "terms": {  # 先做了一个 terms 分桶
        "field":"job.keyword"
      },
      "aggs":{   # 嵌套一个聚合，称为子聚合，
        "old_employee":{  # 聚合名称
          "top_hits":{    # top_hits 分桶
            "size":3,
            "sort":[      # 根据 age 倒序排序，选前 3 个
              {"age":{"order":"desc"}}
            ]
          }
        }
      }
    }
  }
}

示例 2 ：

POST employees/_search
{
  "size": 0,
  "aggs": {
    "Job_salary_stats": {
      "terms": {     # 先做了一个 terms 分桶
        "field": "job.keyword"
      },
      "aggs": {
        "salary": {
          "stats": { # 子聚合是一个 stats 
            "field": "salary"
          }
        }
      }
    }
  }
}

# 多次嵌套
POST employees/_search
{
  "size": 0,
  "aggs": {          # 第 1 层
    "Job_gender_stats": {
      "terms": {
        "field": "job.keyword"  # 先根据岗位分桶
      },
      "aggs": {     # 第 2 层
        "gender_stats": {
          "terms": {
            "field": "gender"   # 再根据性别分桶
          },
          "aggs": { # 第 3 层
            "salary_stats": {
              "stats": {        # 最后根据工资统计 stats
                "field": "salary"
              }
            }
          }
        }
      }
    }
  }
}

3.4，Range 示例

对员工的工资进行区间聚合：

# Salary Ranges 分桶，可以自己定义 key
POST employees/_search
{
  "size": 0,
  "aggs": {
    "salary_range": {     # 自定义聚合名称
      "range": {          # range 聚合
        "field":"salary", # 聚合的字段
        "ranges":[        # range 聚合规则/条件
          {
            "to":10000    # salary < 10000
          },
          {
            "from":10000, # 10000 < salary < 20000
            "to":20000
          },
          {               # 如果没有定义 key，ES 会自动生成
            "key":"可以使用 key 自定义名称", 
            "from":20000  # salary > 20000
          }
        ]
      }
    }
  }
}

3.5，Histogram 示例

示例，工资0到10万，以 5000一个区间进行分桶：

# Salary Histogram
POST employees/_search
{
  "size": 0,
  "aggs": {
    "salary_histrogram": {   # 自定义聚合名称
      "histogram": {         # histogram 聚合
        "field":"salary",    # 聚合的字段
        "interval":5000,     # 区间值
        "extended_bounds":{  # 范围
          "min":0,
          "max":100000
        }
      }
    }
  }
}

4，Pipeline 聚合

Pipeline 聚合用于对其它聚合的结果进行再聚合。

根据 Pipeline 聚合与原聚合的位置区别，分为两类：

• Pipeline 聚合与原聚合同级，称为 Sibling 聚合
  • Max_bucket，Min_bucket，Avg_bucket，Sum_bucket
  • Stats_bucket，Extended-Status_bucket
  • Percentiles_bucket
• Pipeline 聚合内嵌在原聚合之内，称为 Parent 聚合
  • Derivative：求导
  • Cumulative-sum：累计求和
  • Moving-function：滑动窗口

4.1，Sibling 聚合示例

示例：

# 平均工资最低的工作类型
POST employees/_search
{
  "size": 0,
  "aggs": {
    "jobs": {             # 自定义聚合名称
      "terms": {
        "field": "job.keyword",  # 先对岗位类型进行分桶
        "size": 10
      },
      "aggs": {
        "avg_salary": {
          "avg": {
            "field": "salary"   # 再计算每种工资岗位的平价值
          }
        }
      }
    },
    "min_salary_by_job":{ # 自定义聚合名称
      "min_bucket": {     # pipeline 聚合
        "buckets_path": "jobs>avg_salary"
      }                   # 含义是：对 jobs 中的 avg_salary 进行一个 min_bucket 聚合
    }
  }
}

4.2，Parent 聚合示例

示例：

# 示例 1
POST employees/_search
{
  "size": 0,
  "aggs": {
    "age": {   # 自定义聚合名称
      "histogram": {
        "field": "age",
        "min_doc_count": 1,
        "interval": 1
      },
      "aggs": {
        "avg_salary": { # 自定义聚合名称
          "avg": {
            "field": "salary"
          }
        },              # 自定义聚合名称
        "derivative_avg_salary":{ # 注意 derivative 聚合的位置，与 avg_salary 同级
          "derivative": {         # 而不是与 age 同级
            "buckets_path": "avg_salary" # 注意这里不再有箭头 > 
          }
        }
      }
    }
  }
}

# 示例 2
POST employees/_search
{
  "size": 0,
  "aggs": {
    "age": {
      "histogram": {
        "field": "age",
        "min_doc_count": 1,
        "interval": 1
      },
      "aggs": {
        "avg_salary": {
          "avg": {
            "field": "salary"
          }
        },
        "cumulative_salary":{
          "cumulative_sum": { # 累计求和
            "buckets_path": "avg_salary"
          }
        }
      }
    }
  }
}

5，聚合的作用范围

ES 聚合的默认作用范围是 Query 的查询结果，如果没有写 Query，那默认就是在索引的所有数据上做聚合。

比如：

POST employees/_search
{
  "size": 0,
  "query": {    # 在 query 的结果之上做聚合
    "range": {
      "age": {"gte": 20}
    }
  },
  "aggs": {
    "jobs": {
      "terms": {"field":"job.keyword"}
    }
  }
}

ES 支持通过以下方式来改变聚合的作用范围：

• Query：ES 聚合的默认作用范围。
  • 一般设置 size 为 0。
  • 如果没有写 Query，那默认就是在索引的所有数据上做聚合。
• Filter：写在某个聚合的内部，只控制某个聚合的作用范围。
  • 一般设置 size 为 0。
• Post Filter：对聚合没有影响，只是对聚合的结果进行再过滤。
  • 不再设置 size 为 0。
  • 使用场景：获取聚合信息，并获取符合条件的文档。
• Global：会覆盖掉 Query 的影响。

5.1，Filter 示例

示例：

POST employees/_search
{
  "size": 0,
  "aggs": {
    "older_person": {  # 自定义聚合名称
      "filter":{       # 通过 filter 改变聚合的作用范围
        "range":{
          "age":{"from":35}
        }
      }, # end older_person
      "aggs":{         # 在 filter 的结果之上做聚合
         "jobs":{      # 自定义聚合名称
           "terms": {"field":"job.keyword"}
         }
       }
    }, # end older_person
    "all_jobs": {     # 又一个聚合，没有 filter
      "terms": {"field":"job.keyword"}
    }
  }
}

5.2，Post Filter 示例

示例：

POST employees/_search
{
  "aggs": {
    "jobs": {       # 自定义聚合名称
      "terms": {"field": "job.keyword"}
    }
  }, # end aggs
  "post_filter": {  # 一个 post_filter，对聚合的结果进行过滤
    "match": {
      "job.keyword": "Dev Manager"
    }
  }
}

5.3，Global 示例

POST employees/_search
{
  "size": 0,
  "query": {    # 一个 query
    "range": {
      "age": {"gte": 40}
    }
  },
  "aggs": {
    "jobs": {   # 一个聚合
      "terms": {"field":"job.keyword"}
    },
    "all":{            # 又一个聚合，名称为 all
      "global":{},     # 这里的 global 会覆盖掉上面的 query，使得聚合 all 的作用范围不受 query 的影响
      "aggs":{         # 子聚合
        "salary_avg":{ # 自定义聚合名称
          "avg":{"field":"salary"}
        }
      }
    }
  }
}

6，聚合中的排序

6.1，基于 count 的排序

聚合中的排序使用 order 字段，默认按照 _count 和 _key 进行排序。

• _count：表示按照文档数排序，如果不指定 _count，默认按照降序进行排序。
• _key：表示关键字（字符串值），如果文档数相同，再按照 key 进行排序。

示例 1：

# 使用 count 和 key
POST employees/_search
{
  "size": 0,
  "query": {
    "range": {
      "age": {"gte": 20}
    }
  },
  "aggs": {
    "jobs": {               # 自定义聚合名称
      "terms": {            # terms 聚合
        "field":"job.keyword",
        "order":[           # order 排序
          {"_count":"asc"}, # 先安装文档数排序
          {"_key":"desc"}   # 如果文档数相同，再按照 key 排序
        ]
      }
    }
  }
}

6.2，基于子聚合的排序

也可以基于子聚合排序。

示例 2：

# 先对工作种类进行分桶
# 再以工作种类的平均工资进行排序
POST employees/_search
{
  "size": 0,
  "aggs": {
    "jobs": {      # 自定义聚合名称
      "terms": {
        "field":"job.keyword",
        "order":[  # 基于子聚合的排序
             {"avg_salary":"desc"}
           ]                
       }, # end terms
    "aggs": {         # 子聚合
      "avg_salary": { # 子聚合名称
        "avg": {"field":"salary"}
       }
      }
    } # end jobs
  }
}

如果子聚合是多值输出，也可以基于 子聚合名.属性 来进行排序，如下：

POST employees/_search
{
  "size": 0,
  "aggs": {
    "jobs": {
      "terms": {
        "field":"job.keyword",
        "order":[  # 基于子聚合的属性排序
            {"stats_salary.min":"desc"}
         ]
     }, # end terms
    "aggs": {
      "stats_salary": { # 子聚合是多值输出
        "stats": {"field":"salary"}
        }
      }
    } # end jobs
  }
}

7，聚合分析的原理及精准度

下面介绍聚合分析的原理及精准度的问题。

7.1，分布式系统的三个概念

分布式系统中有三个概念：

• 数据量
• 精准度
• 实时性

对于分布式系统（数据分布在不同的分片上），这三个指标不能同时具备，同时只能满足其中的 2 个条件：

• Hadoop 离线计算：可以同时满足大数据量和精准度。
• 近似计算：可以同时满足大数据量和实时性。
• 有限数据计算：可以同时满足精准度和实时性。

ES 属于近似计算，具备了数据量和实时性的特点，失去了精准度。

7.2，聚合分析的原理

ES 是一个分布式系统，数据分布在不同的分片上。

因此，ES 在进行聚合分析时，会先在每个主分片上做聚合，然后再将每个主分片上的聚合结果进行汇总，从而得到最终的聚合结果。

7.3，聚合分析的精准度

分布式聚合的原理，会天生带来精准度的问题，但并不是所有的聚合分析都有精准度问题：

• 比如 Min 聚合 就不会有精准度问题。
  • 因为求总的最小值，与先在所有主分片求最小值，再汇总每个主分片的最小值，它们最终的结果是一样的。
• 比如 Terms 聚合 就有精准度问题。

下面来看下 Terms 聚合存在的问题，下图中的：

• A(6) 表示 A 类的文档数有 6 个。
• B(4) 表示 B 类的文档数有 4 个。
• C(4) 表示 C 类的文档数有 4 个。
• D(3) 表示 D 类的文档数有 3 个。

下图是 Terms 聚合流程：

上图中，在进行 Terms 聚合时（最终结果只要按照数量排序的前 3 个），需要分别在分片 P0 和 P1上做聚合，然后再将它们的聚合结果进行汇总。

正确的聚合结果应该是 A(12)，B(6)，D(6)，但是由于分片的原因，ES 计算出来的结果是 A(12)，B(6)，C(4)。这就是 Terms 聚合存在的精准度问题。

7.4，show_term_doc_count_error 参数

打开 show_term_doc_count_error 配置可以使得 terms 聚合的返回结果中有一个 doc_count_error_upper_bound 值（最小为0），通过该值可以了解精准程度；该值越小，说明 Terms 的精准度越高。

POST index_name/_search
{
  "size": 0,
  "aggs": {
    "weather": {  # 自定义聚合名称
      "terms": {  # terms 聚合
        "field":"OriginWeather",
        "show_term_doc_count_error":true # 打开
      }
    }
  }
}

7.5，如何提高 terms 精准度

提高 terms 聚合的精准度有两种方式：

• 将主分片数设置为 1。
  • 因为 terms 的不准确是由于分片导致的，如果将主分片数设置为 1，就不存在不准确的问题。
  • 这种方式在数据量不是很大的时候，可以是使用。
• 将 shard_size 的值尽量调大（意味着从分片上额外获取更多的数据，从而提升准确度）。
  • shard_size 值变大后，会使得计算量变大，进而使得ES 的整体性能变低，精准度变高。
  • 所以需要权衡 shard_size 值与精准度的平衡。
  • shard_size 值的默认值是 【size * 1.5 + 10】。

设置 shard_size 的语法：

POST my_flights/_search
{
  "size": 0,
  "aggs": {
    "weather": {
      "terms": {
        "field":"OriginWeather",
        "size":1,
        "shard_size":1,
        "show_term_doc_count_error":true
      }
    }
  }
}

（本节完。）

---

推荐阅读：

ElasticSearch 查询

ElasticSearch URI 查询

ElasticSearch DSL 查询

ElasticSearch 文档及操作

ElasticSearch 搜索模板与建议

---

欢迎关注作者公众号，获取更多技术干货。