elasticsearch 聚合 : 指标聚合、桶聚合、管道聚合解析使用总结

一、聚合查询概述

Elasticsearch中的聚合查询是一种功能强大的数据分析工具，它能够提供从索引中提取和计算有关数据的复杂统计信息的能力。聚合查询不仅可以帮助用户理解和分析数据中的趋势和模式，还能在业务决策中发挥关键作用。聚合查询支持多种类型，包括指标聚合、桶聚合和管道聚合，每一种都有其特定的应用场景和使用方法。

二、聚合查询类型

Metric Aggregations（指标聚合）

• 概述：指标聚合返回基于字段值的度量结果，如总和、平均值、最小值、最大值等。这些度量结果可以直接用于分析数据中的特定指标。
• 常用类型： Sum：计算字段的总和。 Avg：计算字段的平均值。 Min/Max：查找字段的最小值和最大值。 Stats：提供包括count、sum、min、max和avg在内的多种统计信息。
• 应用场景举例：销售数据的总销售额和平均订单金额分析、用户行为的平均访问时长和最大访问深度分析等。

Bucket Aggregations（桶聚合）

• 概述：桶聚合类似于SQL中的GROUP BY操作，它将文档分组到不同的桶中，并对每个桶中的文档进行聚合计算。桶聚合可以基于字段值、时间间隔或数值范围进行分组。
• 常用类型： Terms：根据字段的值将文档分配到不同的桶中，常用于分析文本字段的不同取值及其分布情况。 Date Histogram：根据日期字段的值，将文档按时间间隔（如天、周、月等）分组到桶中，适用于时间序列数据的分析。 Range：根据定义的范围将文档分配到不同的桶中，适用于分析数值字段在特定范围内的文档数量。
• 应用场景举例：按作者分组的博客文章数量统计、按月份统计的销售记录分析、按价格区间统计的产品数量等。

Pipeline Aggregations（管道聚合）

• 概述：管道聚合以其他聚合的结果作为输入，并对其进行进一步的处理或计算。这种聚合类型允许用户对聚合结果进行复杂的转换和分析。
• 常用类型： Avg Bucket：计算每个桶的平均值，通常用于对分组数据进行平均值分析。 Sum Bucket：计算每个桶的总和，适用于对分组数据进行求和操作。 Max/Min Bucket：找出所有桶中的最大值或最小值，有助于识别分组数据中的极端情况。
• 应用场景举例：在按月份统计的销售记录中找出平均销售额最高的月份、分析不同价格区间产品的销售额总和等。

三、聚合查询应用

• 与查询语句结合：聚合查询通常与查询语句结合使用，可以在满足特定条件的文档集合上进行聚合操作。通过查询语句过滤出符合条件的文档集合，然后对这些文档进行聚合分析，可以得到更加准确和有用的结果。
• 嵌套聚合：Elasticsearch支持嵌套聚合，即在一个聚合内部可以包含其他聚合。通过嵌套聚合，用户可以构建复杂的查询和分析逻辑，满足各种复杂的数据分析和统计需求。

四、doc_values 与 fielddata

在 Elasticsearch 中，聚合操作主要依赖于 doc_values 或 fielddata 来进行。用于聚合的字段可以是精确值字段（如keyword类型）或分词字段（如text类型）。这两类字段在聚合查询时的处理方式有所不同。

exact value字段

精确值字段通常用于存储不需要分词和全文搜索的数据，如用户ID、产品类别等。对于这类字段，Elasticsearch默认使用doc_values数据结构来支持高效的聚合、排序和统计操作。doc_values以列式存储格式在磁盘上保存字段值，并在需要时加载到JVM堆内存中进行计算。由于doc_values直接在磁盘上操作，因此性能通常很高，且适用于大规模数据集。

分词字段

分词字段（如text类型）通常用于存储需要分词和全文搜索的文本数据。对于这类字段，Elasticsearch默认不启用fielddata，因为fielddata会将字段值加载到堆内存中，导致在处理大数据集时容易引发内存溢出（OOM）问题。然而，有时我们确实需要在分词字段上执行聚合操作（例如，按产品名称分组统计销售数据）。在这种情况下，有几种解决方案可供选择：

1. 使用.keyword子字段：在定义字段映射时，可以为text字段添加一个.keyword子字段。这个子字段不会被分词器处理，而是作为一个完整的字符串存储。通过使用该子字段进行聚合操作，可以获得更准确的结果，同时避免启用fielddata带来的性能问题。
2. 更新映射启用fielddata：如果你确实需要在text字段上启用fielddata（虽然不推荐），可以通过更新字段映射来实现。但请注意，这样做可能会导致内存消耗过大，特别是在处理大数据集时。因此，在启用fielddata之前，请务必评估其对系统性能的影响，并考虑其他可能的解决方案。

doc_values与fielddata的性能权衡

在Elasticsearch中，聚合操作主要依赖于doc_values或fielddata来访问文档中的字段值。了解这两种数据结构的差异和适用场景，有助于优化聚合查询的性能。

Doc Values

• 优势：适用于精确值字段和数字类型字段，提供高效的聚合、排序和统计操作。由于直接在磁盘上操作，性能通常很高。
• 适用场景：大多数精确值字段默认启用doc_values，无需额外配置。

Fielddata

• 优势：支持复杂的文本分析和聚合操作，允许对分词字段进行聚合查询。
• 劣势：需要占用大量堆内存资源，处理大数据集时容易引发OOM问题。默认情况下，Elasticsearch禁用了对text字段的fielddata访问。
• 适用场景：在确实需要在text字段上执行聚合查询，且系统资源允许的情况下，可以考虑启用fielddata。但请务必谨慎评估其对性能的影响。

总之, 对于精确值字段，利用doc_values可以获得高效且准确的聚合结果；对于分词字段，通过添加.keyword子字段或使用其他解决方案来避免启用fielddata带来的性能问题。通过合理配置字段映射和选择聚合查询策略，可以充分发挥Elasticsearch在数据分析领域的强大功能。

五、multi-fields（多字段）

• 描述：在Elasticsearch中，一个字段可以被定义为multi-fields类型，这意味着同一份数据可以被索引为不同类型的字段。通过为text字段添加keyword子字段，用户可以在保留全文搜索功能的同时，为精确值搜索、排序和聚合操作提供支持。
• 使用建议：对于需要进行聚合操作的text字段，强烈建议在索引设计阶段添加keyword子字段，并使用该子字段进行聚合操作。这样可以避免在text字段上启用Fielddata带来的性能问题，并提高聚合查询的效率和准确性。

六、聚合查询示例

Terms 分桶聚合

示例场景：统计每个作者写了多少篇文章，并按文章数量降序排序。 查询语句：

POST /blog/_search
{
  "size": 0,
  "aggs": {
    "articles_per_author": {
      "terms": {
        "field": "author.keyword",
        "size": 10,
        "order": { "_count": "desc" }
      }
    }
  }
}

Date Histogram 直方图聚合

示例场景：分析每月的销售记录数量。 查询语句：

POST /sales/_search
{
  "size": 0,
  "aggs": {
    "sales_over_time": {
      "date_histogram": {
        "field": "sale_date",
        "calendar_interval": "month",
        "format": "yyyy-MM"
      }
    }
  }
}

Range 范围聚合

示例场景：分析不同价格区间的产品数量。 查询语句：

post /products/_search
{
  "size": 0,
  "aggs": {
    "price_ranges": {
      "range": {
        "field": "price",
        "ranges": [
          { "to": 100 },
          { "from": 100, "to": 500 },
          { "from": 500 }
        ]
      }
    }
  }
}

Nested 嵌套聚合

示例场景：分析每个订单中不同产品的平均价格。 假设数据：一个订单可以有多个产品，每个产品都有一个价格。 查询语句：

POST /orders/_search
{
  "size": 0,
  "aggs": {
    "orders": {
      "nested": {
        "path": "products"
      },
      "aggs": {
        "avg_price_per_order": {
          "avg": {
            "field": "products.price"
          }
        }
      }
    }
  }
}

Pipeline 管道聚合

示例场景：在按月份统计的销售记录中找出销售额最高的月份，并计算该月的平均销售额。 查询语句：

POST /sales/_search
{
  "size": 0,
  "aggs": {
    "sales_over_time": {
      "date_histogram": {
        "field": "sale_date",
        "calendar_interval": "month"
      },
      "aggs": {
        "total_sales": {
          "sum": {
            "field": "amount"
          }
        },
        "top_sales_month": {
          "top_hits": {
            "sort": [
              { "total_sales": { "order": "desc" } }
            ],
            "size": 1
          }
        },
        "avg_sales_top_month": {
          "avg_bucket": {
            "buckets_path": "total_sales"
          }
        }
      }
    }
  }
}

Derivative（导数聚合）

示例场景：分析销售数据的变化趋势，计算销售额的日增长率。 查询语句：

POST /sales/_search
{
  "size": 0,
  "aggs": {
    "sales_over_time": {
      "date_histogram": {
        "field": "sale_date",
        "calendar_interval": "day"
      },
      "aggs": {
        "total_sales": {
          "sum": {
            "field": "amount"
          }
        },
        "sales_derivative": {
          "derivative": {
            "buckets_path": "total_sales"
          }
        }
      }
    }
  }
}

我们首先按天对销售数据进行分组，并计算每天的总销售额。然后，我们使用derivative管道聚合来计算销售额的日增长率。

Cumulative Sum（累计和聚合）

示例场景：计算销售数据的累计和，展示销售额的累计增长情况。 查询语句：

POST  /sales/_search
{
  "size": 0,
  "aggs": {
    "sales_over_time": {
      "date_histogram": {
        "field": "sale_date",
        "calendar_interval": "month"
      },
      "aggs": {
        "total_sales": {
          "sum": {
            "field": "amount"
          }
        },
        "cumulative_sales": {
          "cumulative_sum": {
            "buckets_path": "total_sales"
          }
        }
      }
    }
  }
}

我们按月对销售数据进行分组，并计算每月的总销售额。然后，我们使用cumulative_sum管道聚合来计算销售额的累计和。

Moving Average（移动平均聚合）

示例场景：分析销售数据的移动平均线，以平滑数据波动并识别趋势。 查询语句：

POST /sales/_search
{
  "size": 0,
  "aggs": {
    "sales_over_time": {
      "date_histogram": {
        "field": "sale_date",
        "calendar_interval": "day"
      },
      "aggs": {
        "total_sales": {
          "sum": {
            "field": "amount"
          }
        },
        "moving_avg_sales": {
          "moving_avg": {
            "buckets_path": "total_sales",
            "window": 7  // 计算7天的移动平均
          }
        }
      }
    }
  }
}

我们按天对销售数据进行分组，并计算每天的总销售额。然后，我们使用moving_avg管道聚合来计算7天的移动平均销售额。

Bucket Script（桶脚本聚合）

示例场景：计算每个销售桶中不同产品的销售额占比。 查询语句（假设每个销售桶中按产品分组）：

POST  /sales/_search
{
  "size": 0,
  "aggs": {
    "sales_by_product": {
      "terms": {
        "field": "product.keyword"
      },
      "aggs": {
        "total_sales": {
          "sum": {
            "field": "amount"
          }
        },
        "sales_percentage": {
          "bucket_script": {
            "buckets_path": {
              "thisSales": "total_sales",
              "totalSales": "_sum"  // 假设外层还有一个求和聚合来计算总销售额
            },
            "script": "params.thisSales / params.totalSales * 100"
          }
        }
      }
    },
    "total_sales": {
      "sum": {
        "field": "amount"
      }
    }
  }
}

bucket_script引用了两个buckets_path，其中_sum是Elasticsearch中的一个特殊变量，它引用了当前聚合上下文中所有桶的总和。这个示例假设外层还有一个求和聚合来计算所有产品的销售总额。然后，我们计算每个产品销售额占总销售额的百分比。

Filters 过滤器聚合

示例场景：分析不同分类产品的销售情况。 查询语句：

POST /products/_search
{
  "size": 0,
  "aggs": {
    "sales_by_category": {
      "filters": {
        "filters": {
          "electronics": { "term": { "category": "electronics" }},
          "books": { "term": { "category": "books" }},
          "other": { "match_all": {} }
        }
      },
      "aggs": {
        "total_sales": {
          "sum": {
            "field": "price"
          }
        }
      }
    }
  }
}

我们使用了filters聚合来按产品分类过滤文档，并在每个过滤器内部使用sum聚合来计算总销售额。

七、聚合排序

• 基于count排序：通过聚合的_count字段对桶进行排序，可以展示销售量最高或最低的产品、访问量最大的网页等。
• 基于key排序：对于Terms聚合，可以使用_key字段对桶的键（即分组字段的值）进行排序。这有助于按字母顺序或数值顺序展示分组数据。

八、优化建议

• 避免不必要的大聚合：对于大数据集，执行复杂的聚合操作可能会消耗大量计算资源并影响性能。因此，建议根据实际需求合理设计聚合查询，避免执行不必要的大聚合操作。
• 缓存聚合结果：对于频繁执行的聚合查询，可以考虑使用Elasticsearch的缓存功能来缓存聚合结果。这样可以减少重复计算的开销并提高查询性能。
• 合理设计索引和映射：根据查询需求和数据特点，合理设计索引和映射是优化聚合查询性能的关键。例如，选择适当的字段类型和属性、合理设置分片数和副本数等。
• 监控和分析：定期监控和分析Elasticsearch的性能指标和日志可以帮助及时发现和解决潜在的性能问题。通过监控聚合查询的执行时间、内存使用情况等指标，可以评估聚合查询的性能并进行相应的优化调整。