请使用支持JavaScript的浏览器! Elasticsearch聚合 之 Terms - xingoo - 博客园-蚂蚁淘商城
新闻动态

Elasticsearch聚合 之 Terms - xingoo - 博客园

  
  2024-04-28
  
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\"

本文链接: https://www.ebiomall.com/b505-hit2lead/info-1446988186.html

免责声明 本文仅代表作者个人观点,与本网无关。其创作性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不做任何保证或承诺,请读者仅作参考,并请自行核实相关内容。
版权声明 未经蚂蚁淘授权不得转载、摘编或利用其他方式使用上述作品。已经经本网授权使用作品的,应该授权范围内使用,并注明“来源:蚂蚁淘”。违反上述声明者,本网将追究其相关法律责任。
没有了