ES通过抽样agg聚合性能提升3-5倍

        一直以来，es的agg聚合分析性能都比较差（对应sql的 group by）。特别是在超多数据中做聚合，在搜索的条件命中特别多结果的情况下，聚合分析会非常非常的慢。

        一个聚合条件：聚合分析请求的时间 = search time + agg time

        N个聚合条件：聚合分析请求的时间 = search time + agg time * N

        

        搜索的数据范围越大，聚合请求时间越长。

        搜索条件命中的数据越多，聚合请求的时间越长。

        搜索的字段，不一样的值越多，聚合请求时间越长。例如性别字段，通常仅有3个取值（男、女、未知），这种属于取值少的。像邮箱字段，值非常多，上亿个。这种就属于高基数字段。同样的搜索条件，高基数字段的聚合耗时会多非常多！

        聚合请求时候非常吃cpu 和io资源的。通常在大数据检索场景下，很难支持高并发的聚合。并发上去以后，先是CPU飙升，再是IO飙升，随之load很高很高。其根本原因，从agg聚合的源码来看。因为聚合请求分为两个阶段，先根据条件查询数据。然后将命中的全部数据，放在内存中做计算。在第二个过程中，因为将所有命中的数据全部取回来，然后做计算，就涉及到了非常多的小文件的IO。IO会蹭蹭蹭的飙升。

        就目前而言，在不改源码的情况下，聚合性能很难有很大的突破。本篇文章，通过抽样的思路，通过抽取分片，相当于数据剪枝的方式，来节省资源消耗。提升聚合分析性能，提升大概在3-5倍。随着数据越多，分片越多，资源越少，性能提升效果越明显。

        我个人是做万亿级内容数据检索的。负责搜索集群，负责搜索优化。聚合分析性能优化，我应该说已经看了全网关于优化的文章。在实际数据体量非常大的前提下，实际效果不是太明显。

        其中比较好的有这几篇文章。

es官方博文

Improving the performance of high-cardinality terms aggregations in Elasticsearch | Elastic Blog

Elasticsearch 聚合性能优化六大猛招-腾讯云开发者社区-腾讯云

Elasticsearch聚合优化 | 聚合速度提升5倍_es聚合速度-CSDN博客

抽样聚合方案

1.es原生抽样聚合

官方提供的采样聚合

参考文档：Sampler aggregation | Elasticsearch Guide [7.11] | Elastic

        ES中的抽样聚合，意思是只对高质量的数据做聚合。比如，指定搜索条件，该搜索条件命中的数据为100W，对这100W数据，根据相关性分数排序。然后对这topK的数据做聚，比如每个shard上取200条评分最高的数据，去聚合。这就是ES sampler aggregation的含义。

2.es pre-filter机制

参考文档：Elasticsearch的search之_shards skipped之谜_布道的博客-CSDN博客__shards skipped

3.es在检索过程中指定分片

GET index_name/_search?preference=_shards:0

        抽样抽分片的思路，只每次固定只检测其中一个分片。例如我们的索引一共300G，每个分片30G，一共有10个分片。在检索的过程中，只对其中一个分片做检索和聚合。其最终的聚合结果，根据我们的测试来看，效果还是非常不错的。聚合结果的分布情况和本来的terms聚合相差不大。性能也能提升个几倍。注意这种方式，聚合结果是近似的，并不是完全准确的（ES本身的聚合解结果就不是100%精准的）。

        在大数据随机分布的情况下。在搜索命中大量数据情况下，其结果分布也是满足正态分布的。注意在搜索结果命中的结果集越多，其结果越符合正态分布，其聚合结果越接近标准值（原生terms聚合）。这里有一个值，一个经验值，在搜索提交条件命中大于10000的时候，可以用抽样，结果偏差不大。

        注意，这里具体抽哪一个分片是有说法的。我们要考虑一个问题，同一个搜索条件，聚合结果应该是一致的。这里可以将搜索条件进行md5，然后取hash值，然后将hash值模上分片总数。这里只是一个思路。

ES官方的抽样聚合说明

抽样方案对比测试

对比测试了三种聚合分析的方式，其中包含了terms、sampler terms、和shard抽样（假如有10个shard，只对其中一个shard做搜索）

先说测试结论

官方的抽样，召回的结果和标准结果偏差较大。

官方的抽样，时间花费上，并没有太大的提升。

抽取分片，召回的结果和标准结果偏差不大。

抽取分片，时间花费上，性能提升3-5倍。资源花费为分片总数分之一。

响应时间对比如下

检索范围	检索条件	查询语法	响应时间	备注
major_index_202303	（北京 AND 暴雨）	terms	4561 7694
		shard抽样	1423 2785	效果最好
		terms sampler	5650 3663	效果没有太明显

召回结果对比如下

关键词	terms（结果）	抽取一个分片	sampler terms（抽样200）	备注
地区	4224	446	2094
中国	3772	375	-
发展	3605	342	-
天气	3503	378	1942
部分	2781	294	1525
大雨	2395	236	-
暴雨	2394	264	2454
气温	2079	212	915
局地	1851	199	1055
工作	1741	187	-
降雨	-	-	1111
北京	-	-	827
巴西	-	-	801
灾害	-	-	801

检索语句

 这里使用的是query_string 检索语法。对比标准的terms聚合，官方的simple抽样，和抽分片。

  "query": {
    "query_string": {
      "query": """北京 AND 暴雨""",
      "fields": [
        "content^1.0",
        "title^1.0"
      ],
      "type": "phrase",
      "tie_breaker": 1,
      "default_operator": "and",
      "max_determinized_states": 10000,
      "enable_position_increments": true,
      "fuzziness": "AUTO",
      "fuzzy_prefix_length": 0,
      "fuzzy_max_expansions": 50,
      "phrase_slop": 0,
      "escape": false,
      "auto_generate_synonyms_phrase_query": true,
      "fuzzy_transpositions": true,
      "boost": 1
    }
  }

全部测试结果原始数据

搜索范围	搜索条件	聚合方式	耗时情况ms	返回结果
major_info_202303	（北京 AND 暴雨）	terms	4561 7694	[         {           "key" : "地区",           "doc_count" : 4224         },         {           "key" : "中国",           "doc_count" : 3772         },         {           "key" : "发展",           "doc_count" : 3605         },         {           "key" : "天气",           "doc_count" : 3503         },         {           "key" : "部分",           "doc_count" : 2781         },         {           "key" : "大雨",           "doc_count" : 2395         },         {           "key" : "暴雨",           "doc_count" : 2394         },         {           "key" : "气温",           "doc_count" : 2079         },         {           "key" : "局地",           "doc_count" : 1851         },         {           "key" : "工作",           "doc_count" : 1741         }       ]
		terms sampler	5650 3663	[           {             "key" : "暴雨",             "doc_count" : 2454           },           {             "key" : "地区",             "doc_count" : 2094           },           {             "key" : "天气",             "doc_count" : 1942           },           {             "key" : "部分",             "doc_count" : 1525           },           {             "key" : "降雨",             "doc_count" : 1111           },           {             "key" : "局地",             "doc_count" : 1055           },           {             "key" : "气温",             "doc_count" : 915           },           {             "key" : "北京",             "doc_count" : 827           },           {             "key" : "巴西",             "doc_count" : 801           },           {             "key" : "灾害",             "doc_count" : 801           }         ]
		terms + 指定shard	1423 2785	[         {           "key" : "地区",           "doc_count" : 446         },         {           "key" : "天气",           "doc_count" : 378         },         {           "key" : "中国",           "doc_count" : 375         },         {           "key" : "发展",           "doc_count" : 342         },         {           "key" : "部分",           "doc_count" : 294         },         {           "key" : "暴雨",           "doc_count" : 264         },         {           "key" : "大雨",           "doc_count" : 236         },         {           "key" : "气温",           "doc_count" : 212         },         {           "key" : "局地",           "doc_count" : 199         },         {           "key" : "工作",           "doc_count" : 187         }       ]