Elasticsearch之聚合分析入门

Z时代
2024-01-10
分类：综合

database

看完这篇还不明白什么是聚合分析，来找我！

本文主要介绍 Elasticsearch 的聚合功能，介绍什么是 Bucket 和 Metric 聚合，以及如何实现嵌套的聚合。

首先来看下聚合（Aggregation）：

什么是 Aggregation？

首先举一个生活中的例子，这个是京东的搜索界面，在搜索框中输入“华为”进行搜索，就会得到如上界面，搜索框就是我们常用的搜索功能，而下面这些，比如分类、热点、操作系统、CPU 类型等是根据 ES 的聚合分析获得的相关结果。

看完上面这个例子，下面来看下聚合的定义：

ES 除了搜索以外，还提供针对 ES 数据进行统计分析的功能，也就是聚合，它的特点是实时性非常高，所有的计算结果都是即时返回的，而 Hadoop 等大数据系统得到一个统计结果需要一天的时间，一般都是 T + 1 级别的。

通过聚合，我们会得到一个数据的概览，是分析和总结全套的数据，而不是寻找单个文档，比如海淀区和东城区的客房数量，不同价格区间，可预订的经济型酒店和商务型酒店的数量，这样可以帮助我们过滤搜索的结果，这样的优点是性能高，只需要一条语句，就可以从 ES 得到分析结果，无需再客户端自己去实现分析逻辑。

在 ES 的聚合中主要一共分为四大类：

Bucket Aggregation：分桶类型，一些列满足特定条件的文档的集合

Metric Aggregation：指标分析类型，一些数学运算，可以对文档字段进行统计分析，比如计算最大值、最小值、平均值等

Pipeline Aggregation：管道分析类型，对其他聚合结果进行二次聚合

Matrix Aggregation：矩阵分析类型，支持对多个字段的操作并提供一个结果矩阵

在以后的文章会对这些做详细的讲解，本文先来了解下什么是 Bucket 和 Metric：

Bucket 简单来说相当于 SQL 中的 GROUP，可以根据条件，把结果分成一个一个的组，那 Metric 相当于 SQL 中的 COUNT，可以去执行一系列的统计方法。

接下来看什么是 Bucket Aggregation：

Bucket Aggregation

Bucket 就是桶的意思，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。如上图所示，左边有一堆文档，右边有三个桶，每个桶有不同的规则，比如第一个桶的规则为价格小于 3000 的，第二个桶为价格大于等于 3000 小于 6000 的，最后一个桶的规则为价格大于 6000 的，然后不同的文档根据不同的价格分到不同的桶中，那么我们就实现了分类。

有了 Bucket 聚合分析机制，我们就可以把公司员工以年龄方式进行区分，以地理位置的方式来区分客户，以男性女性来区分演员等。

根据 Bucket 的分桶策略，常见的 Bucket 聚合分析如下：

Terms：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

Range：指定数值的范围来设定分桶规则

Date Range：指定日期的范围来设定分桶规则

Histogram：直方图，以固定间隔的策略来分割数据

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

下面以 Terms 为例，让我们动手实践下：

这是一个查看航班目的地的统计信息的例子，通过指定关键词为 terms，然后指明 term 字段 field 为 DestCountry，下面我们请求下，查看下请求结果：

从结果中可以看到文档根据目的地分成了不同的桶，每个桶还包括 doc_count，这样就可以很轻松知道 ES 存储的航班信息中，去往意大利、美国、中国等国家分别有多少架航班。

在简单了解了 Bucket 聚合分析后，让我们来看下 Metric 聚合分析：

Metric Aggregation

Metric 是基于数据集计算的结果，除了支持在字段上进行计算，同样也支持在脚本产生的结果之上进行计算。Metric 主要分为单值分析和多值分析，具体内容如下：

单值分析，只输出一个分析结果：

Min、Max、Avg、Sum

Cardinality

其中，Min、Max、Avg、Sum 这些很容易理解，在这里说一下 Cardinality，它是指不同数值的个数，相当于 SQL 中的 distinct。

多值分析，输出多个分析结果：

Stats、Extended Stats

Percentiles、Percentile Ranks

Top Hits

其中，Stats 是做多样的数据分析，可以一次性得到最大值、最小值、平均值、中值等数据；Extended Stats 是对 Stats 的扩展，包含了更多的统计数据，比如方差、标准差等；Percentiles 和 Percentile Ranks 是百分位数的一个统计；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。

了解之后，让我们实操起来，紧接着刚才查看航班目的地的统计信息的例子，如果还想知道机票的均价，最高最低价格，该怎么做呢？这就需要用到 Metric 了：

我们在请求中加入 aggs，其中 avg_price 为自己定义的名字，这个是为了方便在以后理解这个字段返回值的含义，然后分别关键词分别选择 avg、max、min 来完成计算目的地不同的航班的机票均价、最高最低价格，这个请求的执行结果如下所示：

从结果中可以看出，飞往意大利的航班一共有 2371 架，其中机票最高价格为 1195 元，最低价格为 100 元，平均价格为 586 元，很快就可以得到统计的一些结果。

另外，聚合分析还支持嵌套，那么让我们看下如果实现一个嵌套聚合分析：

通过这个请求不但可以获取到航班目的地的统计信息，还可以得到航班抵达时的天气状况，运行结果如下所示：

可以看出，在抵达意大利的航班中，抵达时的天气有 424 次为晴天，417 次为下雨天等，所以通过嵌套的方式就可以很快得到更深层次的数据统计值。