ElasticSearch学习(二)：Elasticsearch 查询和聚合

1. Elasticsearch之Search API介绍

1. SearchAPI概览

• 实现了对es中存储的数据进行查询分析，endpoint为_search
• 查询主要有两种形式
  • URI Search
    • 操作简便，方便通过命令行测试
    • 仅包含部分查询语法
  • Request Body Search
    • es提供的完备查询语法Query DSL(Domain Specific Language)

2. URI Search详解与演示

• 通过url query参数来实现搜索，常用参数如下：
  • q 指定查询的语句，语法为Query String Syntax
  • df q中不指定字段时默认查询的字段，如果不指定，es会查询所有字段
  • sort 排序
  • timeout 指定超时时间，默认不超时
  • form，size 用于分页

Query String Syntax

• term与phrase
  • alfred way等效于alfred OR way
  • "alfred way"词语查询，要求先后顺序
• 泛查询
  • alfred等效于在所有字段去匹配该term
• 指定字段
  • name:alfred
• Group分组设定，使用括号指定匹配的规则
  • (quick OR brown) AND fox
  • status:(active OR pending) title:(full text search)

PUT test_search_index
{
  "settings": {
    "index":{
        "number_of_shards": "1"
    }
  }
}

POST test_search_index/doc/_bulk
{"index":{"_id":"1"}}
{"username":"alfred way","job":"java engineer","age":18,"birth":"1990-01-02","isMarried":false}
{"index":{"_id":"2"}}
{"username":"alfred","job":"java senior engineer and java specialist","age":28,"birth":"1980-05-07","isMarried":true}
{"index":{"_id":"3"}}
{"username":"lee","job":"java and ruby engineer","age":22,"birth":"1985-08-07","isMarried":false}
{"index":{"_id":"4"}}
{"username":"alfred junior way","job":"ruby engineer","age":23,"birth":"1989-08-07","isMarried":false}

• 接下来我们就来做实际的查询了，首先做个泛查询，查询含义是所有字段包含alfred的文档

GET test_search_index/_search?q=alfred

{
  "took" : 29,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : 3,
    "max_score" : 1.2039728,
    "hits" : [
      {
        "_index" : "test_search_index",
        "_type" : "doc",
        "_id" : "2",
        "_score" : 1.2039728,
        "_source" : {
          "username" : "alfred",
          "job" : "java senior engineer and java specialist",
          "age" : 28,
          "birth" : "1980-05-07",
          "isMarried" : true
        }
      },
      {
        "_index" : "test_search_index",
        "_type" : "doc",
        "_id" : "1",
        "_score" : 0.33698124,
        "_source" : {
          "username" : "alfred way",
          "job" : "java engineer",
          "age" : 18,
          "birth" : "1990-01-02",
          "isMarried" : false
        }
      },
      {
        "_index" : "test_search_index",
        "_type" : "doc",
        "_id" : "4",
        "_score" : 0.27601978,
        "_source" : {
          "username" : "alfred junior way",
          "job" : "ruby engineer",
          "age" : 23,
          "birth" : "1989-08-07",
          "isMarried" : false
        }
      }
    ]
  }
}

• 我们看下es到底是怎样执行查询条件的

GET test_search_index/_search?q=alfred
{
  "profile":true
}

• 按照字段查询

GET test_search_index/_search?q=username:alfred

• 满足任何一个条件就可以了

GET test_search_index/_search?q=username:alfred way
{
  "profile":true
}

• 现在有两种改变的方式

GET test_search_index/_search?q=username:"alfred way"
{
  "profile":true
}

GET test_search_index/_search?q=username:(alfred way)
{
  "profile":true
}

• 布尔操作符
  • AND(&&)，OR(||)，NOT(!)
  • name:(tom NOT lee)
  • 注意大写，不能小写
• + - 分别对应must和must_not
  • name:(tom +lee -alfred)
  • +在url中会被解析为空格，要使用encode后的结果才可以，为%2B

GET test_search_index/_search?q=username:alfred AND way
{
  "profile":true
}

GET test_search_index/_search?q=username:(alfred AND way)
{
  "profile":true
}

GET test_search_index/_search?q=username:(alfred NOT way)

GET test_search_index/_search?q=username:(alfred +way)
{
  "profile":true
}

GET test_search_index/_search?q=username:(alfred %2Bway)
{
  "profile":true
}

• 范围查询，支持数值和日期
  • 区间写法，闭区间用[]，开区间用{}
  • 算数符号写法

GET test_search_index/_search?q=username:alfred age:>26

GET test_search_index/_search?q=username:alfred AND age:>20

GET test_search_index/_search?q=birth:(>1980 AND <1990)

• 通配符查询
  • ？代表一个字符，*代表0或多个字符
  • 通配符匹配执行效率低，且占用较多内存，不建议使用
  • 如无特殊需求，不要将?/*放在最前面

GET test_search_index/_search?q=username:alf*

• 正则表达式匹配

GET test_search_index/_search?q=username:/[a]?l.*/

• 模糊匹配fuzzy query
  • name:roam~1
  • 匹配与roam差1个character的词，比如foam roams等
• 近似度查询proximity search
  • “fox quick”~5
  • 以term为单位进行差异比较

GET test_search_index/_search?q=username:alfed

GET test_search_index/_search?q=username:alfed~1

GET test_search_index/_search?q=username:alfd~2

GET test_search_index/_search?q=job:"java engineer"

GET test_search_index/_search?q=job:"java engineer"~1

GET test_search_index/_search?q=job:"java engineer"~2

3. Query DSL简介

• 将查询语句通过http request body发送到es，主要包含如下参数
  • query符合Query DSL语法的查询的语句
  • form，size
  • timeout
  • sort
  • …
• 基于JSON定义的查询语言，主要包含如下两种类型：
  • 字段类查询
    • 如term，match，range等，只针对某一个字段进行查询
  • 复合查询
    • 如bool查询等，包含一个或多个字段类查询或者复合查询语句

4. 字段类查询简介及match-query

• 字段类查询主要包括以下两类：
  • 全文匹配
    • 针对text类型的字段进行全文检索，会对查询语句先进行分词处理，如match，match_phrase等query类型
  • 单词匹配
    • 不会对查询语句做分词处理，直接去匹配字段的倒排索引，如term，terms，range等query类型

GET test_search_index/_search
{
  "query": {
    "match": {
      "username": "alfred way"
    }
  }
}

• 通过operator参数可以控制单词间的匹配关系，可选项为or和and

GET test_search_index/_search
{
  "query": {
    "match": {
      "username": {
        "query": "alfred way",
        "operator": "and"
      }
    }
  }
}

• 通过minimum_should_match参数可以控制需要匹配的单词数

GET test_search_index/_search
{
  "query": {
    "match": {
      "job": {
        "query": "java ruby engineer",
        "minimum_should_match": "3"
      }
    }
  }
}

5. 相关性算分

• 相关性算分是指文档与查询语句间的相关度，英文为relevance
  • 通过倒排索引可以获取与查询语句相匹配的文档列表，那么如何将最符合用户查询需求的文档放到前列呢？
  • 本质是一个排序问题，排序的依据是相关性算分
• 相关性算分的几个重要概念如下：
  • Term Frequency(TF)：词频，即单词在该文档中出现的次数，词频越高，相关度越高
  • Document Frequency(DF)：文档频率，即单词出现的文档数
  • Inverse Document Frequency(IDF)：逆向文档频率，与文档频率相反，简单理解为1/DF，即单词出现的文档越少，相关度越高
  • Field-length Norm：文档越短，相关性越高
• ES目前主要有两个相关性算分模型，如下：
  • TF/IDF模型
  • BM25模型：5.X之后的默认模型

• 可以通过explain参数来查看具体的计算方法，但要注意：
  • es算分是按照shard进行的，即shard的分数计算是相互独立的，所以在使用explain的时候注意分片数
  • 可以通过设置索引的分片数为1来避免这个问题

GET test_search_index/_search
{
  "explain":true,
  "query": {
    "match": {
      "username": "alfred way"
    }
  }
}

• BM25模型中BM指Best Match，25指迭代了25词才计算方法，是针对TF/IDF的一个优化

6. match-phrase-query

• 对字段做检索，有顺序要求

GET test_search_index/_search
{
  "query": {
    "match_phrase": {
      "job": "java engineer"
    }
  }
}


GET test_search_index/_search
{
  "query": {
    "match_phrase": {
      "job": "engineer java"
    }
  }
}

• 通过slop参数可以控制单词间的间隔

GET test_search_index/_search
{
  "query": {
    "match_phrase": {
      "job": {
        "query": "java engineer",
        "slop": "2"
      }
    }
  }
}

7. query-string-query

• 类似于URI Search中的q参数查询

GET test_search_index/_search
{
  "profile":true,
  "query":{
    "query_string": {
      "default_field": "username",
      "query": "alfred AND way"
    }
  }
}

GET test_search_index/_search
{
  "profile":true,
  "query": {
    "query_string": {
      "fields": [
        "username",
        "job"
      ],
      "query": "alfred OR (java AND ruby)"
    }
  }
}

8. simple-query-string-query

• 类似Query String，但是会忽略错误的查询语法，并且仅支持部分查询语法

GET test_search_index/_search
{
  "profile":true,
  "query":{
    "simple_query_string": {
      "query": "alfred +way \"java",
      "fields": ["username"]
    }
  }
}

GET test_search_index/_search
{
  "query":{
    "query_string": {
      "default_field": "username",
      "query": "alfred +way \"java"
    }
  }
}

9. term-terms-query

• 将查询语句作为整个单词进行查询，即不对查询语句做分词处理

GET test_search_index/_search
{
  "query":{
    "term":{
      "username":"alfred"
    }
  }
}

GET test_search_index/_search
{
  "query":{
    "term":{
      "username":"alfred way"
    }
  }
}

• terms：一个传入多个查询

G`ET test_search_index/_search
{
  "query": {
    "terms": {
      "username": [
        "alfred",
        "way"
      ]
    }
  }
}

10. range-query

• 范围查询主要针对数值和日期类型

GET test_search_index/_search
{
  "query":{
    "range": {
      "age": {
        "gte": 10,
        "lte": 30
      }
    }
  }
}

GET test_search_index/_search
{
  "query":{
    "range": {
      "birth": {
        "gte": "1980-01-01"
      }
    }
  }
}

• 针对日期提供的一种更友好的计算方式

GET test_search_index/_search
{
  "query":{
    "range": {
      "birth": {
        "gte": "now-30y"
      }
    }
  }
}

GET test_search_index/_search
{
  "query":{
    "range": {
      "birth": {
        "gte": "2010||-20y"
      }
    }
  }
}

11. 复合查询介绍及ConstantScore

• 复合查询是指包含字段类或复合查询的类型，主要包括以下几类：
  • constant_score_query
  • bool query
  • dis_max query
  • function_score_query
  • boosting query

Constant Score Query

• 该查询将其内部的查询结果文档得分都设定为1或者boost的值
  • 多用于结合bool查询实现自定义得分

GET test_search_index/_search
{
  "query":{
    "constant_score": {
      "filter": {
        "match":{
          "username":"alfred"
        }
      }
    }
  }
}

GET test_search_index/_search
{
  "query": {
    "bool": {
      "should": [
        {
          "constant_score": {
            "filter": {
              "match": {
                "job": "java"
              }
            }
          }
        },
        {
          "constant_score": {
            "filter": {
              "match": {
                "job": "ruby"
              }
            }
          }
        }
      ]
    }
  }
}

12. bool-query

• 布尔查询由一个或多个布尔子句组成，主要包含如下四个：
  • filter：只过滤符合条件的文档，不计算相关性得分
  • must：文档必须符合must中的所有条件，会影响相关性得分
  • must_not：文档必须不符合must_not中的所有条件
  • should：文档可以符合should中的条件，会影响相关性得分

Filter

• Filter查询只过滤符合条件的文档，不会进行相关性算分
  • es针对filter会有智能缓存，因此其执行效率很高
  • 做简单匹配查询且不考虑算分时，推荐使用filter替代query等

GET test_search_index/_search
{
  "query": {
    "bool": {
      "filter": [
        {
          "term": {
            "username": "alfred"
          }
        }
      ]
    }
  }
}

Must

GET test_search_index/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "username": "alfred"
          }
        },
        {
          "match": {
            "job": "specialist"
          }
        }
      ]
    }
  }
}

Must_Not

GET test_search_index/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "job": "java"
          }
        }
      ],
      "must_not": [
        {
          "match": {
            "job": "ruby"
          }
        }
      ]
    }
  }
}

should

• 只包含should时，文档必须满足至少一个条件
  • minimum_should_match可以控制满足条件的个数或者百分比

GET test_search_index/_search
{
  "query": {
    "bool": {
      "should": [
        {
          "match": {
            "username": "junior"
          }
        },
        {
          "match": {
            "job": "ruby"
          }
        }
      ]
    }
  }
}

GET test_search_index/_search
{
  "query": {
    "bool": {
      "should": [
        {"term": {"job": "java"}},
        {"term": {"job": "ruby"}},
        {"term": {"job": "specialist"}}
      ],
      "minimum_should_match": 2
    }
  }
}

• 同时包含should和must时，文档不必要满足should中的条件，但是如果满足条件，会增加相关性得分

GET test_search_index/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "term": {
            "username": "alfred"
          }
        }
      ],
      "should": [
        {
          "term": {
            "job": "ruby"
          }
        }
      ]
    }
  }
}

• 当一个查询语句位于Query或者Filter上下文时，es执行的结果会不同
  • query：查找与查询语句最匹配的文档，对所有文档进行相关性算分并排序
  • filter：查找与查询语句相匹配的文档

13. count and source filtering

• 获取符合条件的文档数，endpoint为_count

GET test_search_index/_count
{
  "query":{
    "match":{
      "username": "alfred"
    }
  }
}

source filtering

• 过滤返回结果中_source中的字段

GET test_search_index/_search

GET test_search_index/_search?_source=username

GET test_search_index/_search
{
  "_source": false
}

GET test_search_index/_search
{
  "_source": ["username","age"]
}

GET test_search_index/_search
{
  "_source": {
    "includes": "*i*",
    "excludes": "birth"
  }
}

2. Elasticsearch之深入了解Search的运行机制

1. Query Then Fetch

• Search执行的时候实际分两个步骤运作的
  • Query阶段
  • Fetch阶段

2. 相关性算分

• 相关性算分在shard与shard间是相互独立的，也就意味着同一个Term的IDF等值在不同Shard上是不同的，文档的相关性算分和它所处的shard相关
• 在文档数量不多时，会导致相关性算分严重不准的情况发生

POST test_search_relevance/doc
{
  "name":"hello"
}

POST test_search_relevance/doc
{
  "name":"hello,world"
}

POST test_search_relevance/doc
{
  "name":"hello,world!a beautiful world"
}

GET test_search_relevance/_search
{
  "explain": true, 
  "query": {
    "match":{
      "name":"hello"
    }
  }
}

• 解决问题的思路有两个：
  • 一是设置分片数为1个，从根本上排除问题，在文档数量不多的时候可以考虑该方案，比如百万到千万级别的文档数量
  • 二是使用DFS Query-then-Fetch查询方式
• DFS Query-then-Fetch是在拿到所有文档后再重新完整的计算一次相关性得分，耗费更多的cpu和内存，执行性能也比较低下，一般不建议使用，使用方式如下：

GET test_search_relevance/_search?search_type=dfs_query_then_fetch
{
  "query": {
    "match":{
      "name":"hello"
    }
  }
}

3. sorting doc values fielddata

• es默认会采用相关性算分排序，用户可以通过设定sorting参数来自行设定排序规则

GET test_search_index/_search
{
  "query":{
    "match": {
      "username": "alfred"
    }
  },
  "sort":{
    "birth":"desc"
  }
}

GET test_search_index/_search
{
  "query":{
    "match": {
      "username": "alfred"
    }
  },
  "sort": [
    {
      "birth": "desc"
    },
    {
      "_score": "desc"
    },
    {
      "_doc": "desc"
    }
  ]
}

• 按照字符串排序比较特殊，因为es有text和keyword两种类型
  • 针对text类型排序，会产生报错
  • 针对keyword类型排序，可以返回预期结果

GET test_search_index/_search
{
  "sort":{
    "username.keyword":"desc"
  }
}

排序

• 排序的过程实质是对字段原始内容排序的过程，这个过程中倒排索引无法发挥作用，需要用到正排索引，也就是通过文档Id和字段可以快速得到字段原始内容
• es对此提供了2种实现方式：
  • fielddata默认禁用
  • doc values默认启用，除了text类型

Fielddata

• Fielddata默认是关闭的，可以通过如下api开启：
  • 此时字符串是按照分词后的term排序，往往结果很难符合预期
  • 一般是在对分词做聚合分析的时候开启

PUT test_search_index/_mapping/doc
{
  "properties": {
    "job":{
      "type":"text",
      "fielddata": true
    }
  }
} 

Doc Values

• Doc Values默认是启用的，可以在创建索引的时候关闭：
  • 如果后面要再开启Doc Values，需要做reindex操作

PUT test_doc_values/_mapping/doc
{
  "properties": {
    "username": {
      "type": "keyword",
      "doc_values": false
    },
    "hobby": {
      "type": "keyword"
    }
  }
}

docvalue_fields

• 可以通过该字段获取fielddata或者doc values中存储的内容

GET test_search_index/_search
{
  "docvalue_fields": [
    "username",
    "username.keyword",
    "age"
  ]
}

4. 分页与遍历-fromsize

• es提供了3种方式来解决分页与遍历的问题：
  • from/size
    • from指明开始位置
    • size指明获取总数
  • scoll
  • search_after
• 深度分页是一个经典的问题：在数据分片存储的情况下如何获取前1000个文档？
  • 获取990~1000的文档时，会在每个分片都先获取1000个文档，然后再由Coordinating Node聚合所有分片的结果后再排序获取前1000个文档
  • 页数越深，处理文档越多，占用内存越多，耗时越长，尽量避免深度分页，es通过index.max_result_window限定最多到10000条数据

GET test_search_index/_search
{
  "from":0,
  "size":2
}

GET test_search_index/_search
{
  "from":10000,
  "size":2
}

5. 分页与遍历-scroll

• 遍历文档集的api，以快照的方式来避免深度分页的问题
  • 不能用来做实时搜索，因为数据不是实时的
  • 尽量不要使用复杂的sort条件，使用_doc最高效
  • 使用稍嫌复杂
• 第一步需要发起1个scroll search
  • es在收到该请求后根据查询条件创建文档Id合集的快照

GET test_search_index/_search?scroll=5m
{
  "size":1  指明每次scroll返回的文档数
}

• 第二步调用scroll search的api，获取文档集合
  • 不断迭代调用直到返回hits.hits数组为空时停止

POST _search/scroll
{
  "scroll" : "5m", 
  "scroll_id": "DXF1ZXJ5QW5kRmV0Y2gBAAAAAAAABswWX3FLSTZFOF9URFdqWHlvX3gtYmhtdw=="
}

• 因为是快照，所以新的文档无法被检索

PUT test_search_index/doc/10
{
  "username":"doc10"
}

• 过多的scroll调用会占用大量内存，可以用clear api删除过多的scroll快照

  DELETE _search/scroll/_all

6. 分页与遍历-search_after

• 避免深度分页的性能问题，提供实时的下一页文档获取功能
  • 缺点是不能使用from参数，即不能指定页数
  • 只能下一页，不能上一页
  • 使用简单
• 第一步为正常的搜索，但要指定sort值，并保证值唯一

GET test_search_index/_search
{
  "size":1,
  "sort":{
    "age":"desc",
    "_id":"desc"
  }
}

• 第二步为使用上一步最后一个文档的sort值进行查询

GET test_search_index/_search
{
  "size":1,
  "search_after":[23,"4"],
  "sort":{
    "age":"desc",
    "_id":"desc"
  }
}

应用场景

• From/Size：需要实时获取顶部的部分文档，且需要自由翻页
• Scroll：需要全部文档，如导出所有数据的功能
• Search_After：需要全部文档，不需要自由翻页

3. Elasticsearch之聚合分析入门

1. 聚合分析简介

• 搜索引擎用来回答如下问题：
  • 请告诉我地址为上海的所有订单？
  • 请告诉我最近1天内创建但没有付款的所有订单？
• 聚合分析可以回答如下问题：
  • 请告诉我最近1周每天的订单成交量有多少？
  • 请告诉我最近1个月每天的平均订单金额是多少？
  • 请告诉我最近半年卖的最火的前5个商品是那些？

聚合分析

• 聚合分析，英文为Aggregation，是es除搜索功能外提供的针对es数据做统计分析的功能
  • 功能丰富，提供Bucket，Metric，Pipeline等多种分析方式，可以满足大部分的分析需求
  • 实时性高，所有的计算结果都是及时返回的，而Hadoop等大数据系统一般都是T+1的

分类

• 为了便于理解，es将聚合分析主要分为如下4类
  • Bucket，分桶类型，类似SQL中的GROUP BY语法
  • Metric，指标分析类型，如计算最大值，最小值，平均值等等
  • Pipeline，管道分析类型，基于上一级的聚合分析结果进行再分析
  • Matrix，矩阵分析类型

2. metric聚合分析

POST test_search_index/doc/_bulk
{"index":{"_id":"1"}}
{"username":"alfred way","job":"java engineer","age":18,"birth":"1990-01-02","isMarried":false,"salary":10000}
{"index":{"_id":"2"}}
{"username":"tom","job":"java senior engineer","age":28,"birth":"1980-05-07","isMarried":true,"salary":30000}
{"index":{"_id":"3"}}
{"username":"lee","job":"ruby engineer","age":22,"birth":"1985-08-07","isMarried":false,"salary":15000}
{"index":{"_id":"4"}}
{"username":"Nick","job":"web engineer","age":23,"birth":"1989-08-07","isMarried":false,"salary":8000}
{"index":{"_id":"5"}}
{"username":"Niko","job":"web engineer","age":18,"birth":"1994-08-07","isMarried":false,"salary":5000}
{"index":{"_id":"6"}}
{"username":"Michell","job":"ruby engineer","age":26,"birth":"1987-08-07","isMarried":false,"salary":12000}

• 主要分如下两类：
  • 单值分析，只输出一个分析结果
    • min，max，avg，sum
    • cardinality
  • 多值分析，输出多个分析结果
    • stats，entended stats
    • percentile，percentile rank
    • top hits

Min

• 返回数值类字段的最小值

GET test_search_index/_search
{
  "size":0,
  "aggs":{
    "min_age":{
      "min": {
        "field": "age"
      }
    }
  }
}

Max

• 返回数值类字段的最大值

GET test_search_index/_search
{
  "size":0,
  "aggs":{
    "max_age":{
      "max": {
        "field": "age"
      }
    }
  }
}

Avg

• 返回数值类字段的平均值

GET test_search_index/_search
{
  "size":0,
  "aggs":{
    "avg_age":{
      "avg": {
        "field": "age"
      }
    }
  }
}

Sum

• 返回数值类字段的总和

GET test_search_index/_search
{
  "size":0,
  "aggs":{
    "sum_age":{
      "sum": {
        "field": "age"
      }
    }
  }
}

• 一次返回多个聚合结果

GET test_search_index/_search
{
  "size": 0,
  "aggs": {
    "min_age": {
      "min": {
        "field": "age"
      }
    },
    "max_age": {
      "max": {
        "field": "age"
      }
    },
    "avg_age": {
      "avg": {
        "field": "age"
      }
    },
    "sum_age": {
      "sum": {
        "field": "age"
      }
    }
  }
}

Cardinality

• Cardinality，意为集合的势，或者基数，是指不同数值的个数，类似SQL中的distinct count概念

GET test_search_index/_search
{
  "size":0,
  "aggs":{
    "count_of_job":{
      "cardinality": {
        "field": "job.keyword"
      }
    }
  }
}

Stats

• 返回一系列数值类型的统计值，包含min，max，avg，sum和count

GET test_search_index/_search
{
  "size":0,
  "aggs":{
    "stats_age":{
      "stats": {
        "field": "age"
      }
    }
  }
}

Extended Stats

• 对stats的扩展，包含了更多的统计数据，如方差，标准差等

GET test_search_index/_search
{
  "size":0,
  "aggs":{
    "exstats_salary":{
      "extended_stats": {
        "field": "salary"
      }
    }
  }
}

Percentile

• 百分位数统计

GET test_search_index/_search
{
  "size":0,
  "aggs":{
    "per_salary":{
      "percentiles": {
        "field": "salary"
      }
    }
  }
}

GET test_search_index/_search
{
  "size": 0,
  "aggs": {
    "per_age": {
      "percentiles": {
        "field": "salary",
        "percents": [
          95,
          99,
          99.9
        ]
      }
    }
  }
}

Percentile Rank

• 百分位数统计

GET test_search_index/_search
{
  "size": 0,
  "aggs": {
    "per_salary": {
      "percentile_ranks": {
        "field": "salary",
        "values": [
          11000,
          30000
        ]
      }
    }
  }
}

Top Hits

• 一般用于分桶后获取桶内最匹配的顶部文档列表，即详情数据

GET test_search_index/_search
{
  "size": 0,
  "aggs": {
    "jobs": {
      "terms": {
        "field": "job.keyword",
        "size": 10
      },
      "aggs": {
        "top_employee": {
          "top_hits": {
            "size": 10,
            "sort": [
              {
                "age": {
                  "order": "desc"
                }
              }
            ]
          }
        }
      }
    }
  }
}

3. bucket聚合分析

• Bucket，意为桶，即按照一定的规则将文档分配到不同的桶中，达到分类分析的目的
• 按照Bucket的分桶策略，常见的Bucket聚合分析如下：
  • Terms
  • Range
  • Date Range
  • Histogram
  • Date Histogram

Terms

• 该分桶策略最简单，直接按照term来分桶，如果是text类型，则按照分词后的结果分桶

GET test_search_index/_search
{
  "size": 0,
  "aggs": {
    "jobs": {
      "terms": {
        "field": "job",
        "size": 5
      }
    }
  }
}

Range

• 按照指定数值的范围来设定分桶规则

GET test_search_index/_search
{
  "size": 0,
  "aggs": {
    "salary_range": {
      "range": {
        "field": "salary",
        "ranges": [
          {
            "key":"<10000",
            "to": 10000
          },
          {
            "from": 10000,
            "to": 20000
          },
          {
            "key":">20000",
            "from": 20000
          }
        ]
      }
    }
  }
}

Date Range

• 通过指定日期的范围来设定分桶规则

GET test_search_index/_search
{
  "size": 0,
  "aggs": {
    "date_range": {
      "range": {
        "field": "birth",
        "format": "yyyy",
        "ranges": [
          {
            "from":"1980",
            "to": "1990"
          },
          {
            "from": "1990",
            "to": "2000"
          },
          {
            "from": "2000"
          }
        ]
      }
    }
  }
}

Histogram

• 直方图，以固定间隔的策略来分割数据

GET test_search_index/_search
{
  "size":0,
  "aggs":{
    "salary_hist":{
      "histogram": {
        "field": "salary",
        "interval": 5000,
        "extended_bounds": {
          "min": 0,
          "max": 40000
        }
      }
    }
  }
}

Date Histogram

• 针对日期的直方图或者柱状图，是时序数据分析中常用的聚合分析类型

GET test_search_index/_search
{
  "size":0,
  "aggs":{
    "by_year":{
      "date_histogram": {
        "field": "birth",
        "interval": "year",
        "format":"yyyy"
      }
    }
  }
}

4. bucket和metric聚合分析

• Bucket聚合分析允许通过添加子分析来进一步进行分析，该子分析可以是Bucket也可以是Metric，这也使得es的聚合分析能力变得异常强大
• 分桶后再分桶

GET test_search_index/_search
{
  "size": 0,
  "aggs": {
    "jobs": {
      "terms": {
        "field": "job.keyword",
        "size": 10
      },
      "aggs": {
        "age_range": {
          "range": {
            "field": "age",
            "ranges": [
              {
                "to": 20
              },
              {
                "from": 20,
                "to": 30
              },
              {
                "from": 30
              }
            ]
          }
        }
      }
    }
  }
}

• 分桶后进行数据分析

GET test_search_index/_search
{
  "size": 0,
  "aggs": {
    "jobs": {
      "terms": {
        "field": "job.keyword",
        "size": 10
      },
      "aggs": {
        "salary": {
          "stats": {
            "field": "salary"
          }
        }
      }
    }
  }
}

5. pipeline聚合分析

• 针对聚合分析的结果进行再次聚合分析，而且支持链式调用，可以回答如下问题：
  • 订单月平均销售额是多少？
• Pipeline的分析结果会输出到原结果中，根据输出位置的不同，分为以下两类：
  • Parent结果内嵌到现有的聚合分析结果中
    • Derivative
    • Moving Average
    • Cumulative Sum
  • Sibling结果与聚合分析结果同级
    • Max/Min/Avg/Sum Bucket
    • Stats/Extended Stats Bucket
    • Percentiles Bucket

Min Bucket

GET test_search_index/_search
{
  "size":0,
  "aggs":{
    "jobs":{
      "terms": {
        "field": "job.keyword",
        "size": 10
      },
      "aggs":{
        "avg_salary":{
          "avg": {
            "field": "salary"
          }
        }
      }
    },
    "min_salary_by_job":{
      "min_bucket": {
        "buckets_path": "jobs>avg_salary"
      }
    }
  }
} 

Derivative

• 计算Bucket值的导数

GET test_search_index/_search
{
  "size": 0,
  "aggs": {
    "birth": {
      "date_histogram": {
        "field": "birth",
        "interval": "year",
        "min_doc_count": 0
      },
      "aggs": {
        "avg_salary": {
          "avg": {
            "field": "salary"
          }
        },
        "derivative_avg_salary": {
          "derivative": {
            "buckets_path": "avg_salary"
          }
        }
      }
    }
  }
}

Moving Average

• 计算Bucket值的移动平均值

Cumulative Sum

• 计算Bucket值得累计加和

6. 作用范围

• es聚合分析默认作用范围是query的结果集，可以通过如下的方式改变其作用范围：
  • filter
  • post_filter
  • global

filter

• 为某个聚合分析设定过滤条件，从而在不更改整体query语句的情况下修改了作用范围

GET test_search_index/_search
{
  "size": 0,
  "aggs": {
    "jobs_salary_small": {
      "filter": {
        "range": {
          "salary": {
            "to": 10000
          }
        }
      },
      "aggs": {
        "jobs": {
          "terms": {
            "field": "job.keyword"
          }
        }
      }
    },
    "jobs": {
      "terms": {
        "field": "job.keyword"
      }
    }
  }
}

post_filter

• 作用于文本过滤，但在聚合分析后生效

GET test_search_index/_search
{
  "aggs": {
    "jobs": {
      "terms": {
        "field": "job.keyword"
      }
    }
  },
  "post_filter": {
    "match":{
      "job.keyword":"java engineer"
    }
  }
}

global

• 无视query过滤条件，基于全部文档进行分析

GET test_search_index/_search
{
  "query": {
    "match": {
      "job.keyword": "java engineer"
    }
  },
  "aggs": {
    "java_avg_salary": {
      "avg": {
        "field": "salary"
      }
    },
    "all": {
      "global": {},
      "aggs": {
        "avg_salary": {
          "avg": {
            "field": "salary"
          }
        }
      }
    }
  }
}

7. 排序

• 可以使用自带的关键数据进行排序，比如：
  • _count文档数
  • _key按照key值排序

GET test_search_index/_search
{
  "size": 0,
  "aggs": {
    "jobs": {
      "terms": {
        "field": "job.keyword",
        "size": 10,
        "order": [
          {
            "avg_salary": "desc"
          }
        ]
      },
      "aggs": {
        "avg_salary": {
          "avg": {
            "field": "salary"
          }
        }
      }
    }
  }
}

4. Elasticsearch 篇之数据建模

1. 数据建模简介

• 英文为Data Modeling，为创建数据模型的过程
• 数据模型(Data Model)
  • 对现实世界进行抽象描述的一种工具和方法
  • 通过抽象的实体及实体之间的联系的形式去描述业务规则，从而实现对现实世界的映射

数据建模的过程

• 概念模型
  • 确定系统的核心需求和范围边界，设计实体和实体间的关系
• 逻辑模型
  • 进一步梳理业务需求，确定每个实体的属性，关系和约束等
• 物理模型
  • 结合具体的数据库产品，在满足也读读写性能等需求的前提下确定最终的定义
  • MySQL，MongoDB，elasticsearch等
  • 第三范式

2. ES数据建模配置相关介绍

• ES是基于Lucene以倒排索引为基础实现的存储体系，不遵循关系型数据库中的范式约定

Mapping字段的相关设置

• enbaled
  • true | false
  • 仅存储，不搜索或聚合分析
• index
  • true | false
  • 是否构建倒排索引
• index_options
  • docs | freqs | positions | offsets
  • 存储倒排索引的哪些信息
• norms
  • true | false
  • 是否存储归一化相关参数，如果字段仅用于过滤和聚合分析，可关闭
• doc_values
  • true | false
  • 是否启用doc_values，用于排序和聚合分析
• field_data
  • false | true
  • 是否为text类型启动fielddata，实现排序和聚合分析
• store
  • false | true
  • 是否存储该字段值
• coerce
  • true | false
  • 是否开启自动数据类型转换功能，比如字符串转为数字，浮点转为整型等
• multifields 多字段
  • 灵活使用多字段特性来解决多样的业务需求
• dynamic
  • true | false | strict
  • 控制mapping自动更新
• data_detection
  • true | false
  • 是否自动识别日期类型

设定流程

• 是何种类型？
  • 字符串类型
  • 枚举类型
  • 数值类型
  • 其他类型
• 是否需要检索？
  • 完全不需要检索，排序，聚合分析的字段
    • enabled设置为false
  • 不需要检索的字段
    • index设置为false
  • 需要检索的字段，可以通过如下配置设定需要的存储力度
    • index_options结合需要设定
    • norms不需要归一化数据时关闭即可
• 是否需要排序和聚合分析？
  • doc_values设定为false
  • fielddata设定为false
• 是否需要另行存储？
  • 是否需要专门存储当前字段的数据？

3. ES数据建模实例

• 博客文章blog_index
  • 标题title
  • 发布日期publish_date
  • 作者author
  • 摘要abstract
  • 内容content
  • 网络地址url

PUT blog_index
{
  "mappings": {
    "doc": {
      "_source": {
        "enabled": false
      },
      "properties": {
        "title": {
          "type": "text",
          "fields": {
            "keyword": {
              "type": "keyword",
              "ignore_above": 100
            }
          },
          "store": true
        },
        "publish_date": {
          "type": "date",
          "store": true
        },
        "author": {
          "type": "keyword",
          "ignore_above": 100, 
          "store": true
        },
        "abstract": {
          "type": "text",
          "store": true
        },
        "content": {
          "type": "text",
          "store": true
        },
        "url": {
          "type": "keyword",
          "doc_values":false,
          "norms":false,
          "ignore_above": 100, 
          "store": true
        }
      }
    }
  }
}

• 查询

GET blog_index/_search
{
  "stored_fields": ["title","publish_date","author","abstract","url"], 
  "query": {
    "match": {
      "content": "blog"
    }
  },
  "highlight": {
    "fields":{
      "content": {}
    }
  }
}

4. Nested_Object

• ES不擅长处理关系型数据库中的关联关系，比如文章表blog与评论表comment之间通过blog_id关联，在ES中可以通过如下两种手段变相解决
  • Nested Object
  • Parent/Child

关联关系处理

• 文章Id blog_id
• 评论人 username
• 评论日期 date
• 评论内容 content

DELETE blog_index_nested
PUT blog_index_nested
{
"mappings": {
  "doc":{
    "properties": {
      "title":{
        "type": "text",
        "fields": {
          "keyword":{
            "type":"keyword",
            "ignore_above": 100
          }
        }
      },
      "publish_date":{
        "type":"date"
      },
      "author":{
        "type":"keyword",
        "ignore_above": 100
      },
      "abstract":{
          "type": "text"
        },
        "url":{
          "enabled":false
        },
        "comments":{
          "type":"nested", 
          "properties": {
            "username":{
              "type":"keyword",
              "ignore_above":100
            },
            "date":{
              "type":"date"
            },
            "content":{
              "type":"text"
            }
          }
        }
      }
    }
  }
}

PUT blog_index_nested/doc/2
{
  "title": "Blog Number One",
  "author": "alfred",
  "comments": [
    {
      "username": "lee",
      "date": "2017-01-02",
      "content": "awesome article!"
    },
    {
      "username": "fax",
      "date": "2017-04-02",
      "content": "thanks!"
    }
  ]
}

GET blog_index_nested/_search
{
  "query": {
    "nested": {
      "path": "comments",
      "query": {
        "bool": {
          "must": [
            {
              "match": {
                "comments.username": "lee"
              }
            },
            {
              "match": {
                "comments.content": "thanks"
              }
            }
          ]
        }
      }
    }
  }
}

5. Parent_Child

• ES还提供了类似关系数据库中join的实现方式，使用join数据类型实现

PUT blog_index_parent_child
{
  "mappings": {
    "doc": {
      "properties": {
        "join": {
          "type": "join",
          "relations": {
            "blog": "comment"
          }
        }
      }
    }
  }
}

PUT blog_index_parent_child/doc/1
{
  "title":"blog",
  "join":"blog"  指明父类型
}

PUT blog_index_parent_child/doc/2
{
  "title":"blog2",
  "join":"blog"
}

PUT blog_index_parent_child/doc/comment-1?routing=1  指明routing值，确保父子文档在一个分片上，一般使用父文档Id
{
  "comment":"comment world",
  "join":{
    "name":"comment",  指明子类型
    "parent":1  指明父文档Id
  }
}


PUT blog_index_parent_child/doc/comment-2?routing=2
{
  "comment":"comment hello",
  "join":{
    "name":"comment",
    "parent":2
  }
}

• 常见query语法包括如下几种：
  • parent_id：返回某父文档的子文档
  • has_child：返回包含某子文档的父文档
  • has_parent：返回包含某父文档的子文档

GET blog_index_parent_child/_search
{
  "query":{
    "parent_id":{
      "type":"comment",
      "id":"2"
    }
  }
}

GET blog_index_parent_child/_search
{
  "query":{
    "has_child": {
      "type": "comment",
      "query": {
        "match": {
          "comment": "world"
        }
      }
    }
  }
}

GET blog_index_parent_child/_search
{
  "query":{
    "has_parent": {
      "parent_type": "blog",
      "query": {
        "match": {
          "title": "blog"
        }
      }
    }
  }
}

6. nested_vs_parent_child

nested object

• 优点：文档存储在一起，因此读取性能高
• 缺点：更新父或子文档时需要更新整个文档
• 场景：子文档偶尔更新，查询频繁

parent child

• 优点：父子文档可以独立更新，互不影响
• 缺点：为了维护join的关系，需要占用部分内存，读取性能较差
• 场景：子文档更新频繁

建议尽量选择nested object来解决问题

7. reindex

• 指重建所有数据的过程，一般发生在如下情况：
  • mapping设置更改，比如字段类型变化，分词器字典更新等
  • index设置变更，比如分片数更改等
  • 迁移数据
• ES提供了现成的API用于完成该工作
  • _update_by_query在现有索引上重建
  • _reindex在其他索引上重建

POST blog_index/_update_by_query?conflicts=proceed

POST _reindex
{
  "source": {
    "index": "blog_index"
  },
  "dest": {
    "index": "blog_new_index"
  }
}

• 数据重建的时间受原索引文档规模的影响，当规模越大时，所需时间越多，此时需要通过设定url参数wait_for_completion为false来异步执行，ES以task来描述此类执行任务

POST blog_index/_update_by_query?conflicts=proceed&wait_for_completion=false

GET _tasks/_qKI6E8_TDWjXyo_x-bhmw:11996

8. 其他建议

数据模型版本管理

• 对Mapping进行版本管理
  • 包含在代码或者以专门的文件进行管理，添加好注释，并加入Git等版本管理仓库中，方便回顾
  • 为每个增加一个metadata字段，在其中维护一些文档相关的元数据，方便对数据进行管理

防止字段过多

• 字段过多主要有如下的坏处：
  • 难于维护，当字段成百上千时，基本很难有人明确知道每个字段的含义
  • mapping的信息存储在cluster state里面，过多的字段会导致mapping过大，最终导致更新变慢
  • 一般字段过多的原因是由于没有高质量的数据建模导致的，比如dynamic设置为true
  • 考虑拆分多个索引来解决问题

最后

大家可以关注我的微信公众号一起学习进步。