聚合查询aggregations

query dsl是查询 aggregation就是分析

聚合查询

概念

聚合（aggs）不同于普通查询，是目前学到的第二种大的查询分类，第一种即“query”，因此在代码中的第一层嵌套由“query”变为了“aggs”。用于进行聚合的字段必须是exact value，分词字段不可进行聚合，对于text字段如果需要使用聚合，需要开启fielddata，但是通常不建议，因为fielddata是将聚合使用的数据结构由磁盘（doc_values）变为了堆内存（field_data），大数据的聚合操作很容易导致OOM，详细原理会在进阶篇中阐述。

聚合分类

1. 分桶聚合（Bucket agregations）：类比SQL中的group by的作用，主要用于统计不同类型数据的数量
2. 指标聚合（Metrics agregations）：主要用于最大值、最小值、平均值、字段之和等指标的统计

3. 管道聚合（Pipeline agregations）：用于对聚合的结果进行二次聚合，如要统计绑定数量最多的标签bucket，就是要先按照标签进行分桶，再在分桶的结果上计算最大值。

   语法

   
   aggs_name：聚合函数的名称
   agg_type：聚合种类，比如是桶聚合（terms）或者是指标聚合（avg、sum、min、max等）
   field_name：字段名称或者叫域名。

   GET product/_search
   {
   "aggs": {
   "<aggs_name>": {
   "<agg_type>": {
     "field": "<field_name>"
   }
   }
   }
   }

   桶聚合：

   
   场景：用于统计不同种类的文档的数量，可进行嵌套统计。
   函数：terms
   注意：聚合字段必须是exact value，如keyword

   指标聚合

   
   场景：用于统计某个指标，如最大值、最小值、平均值，可以结合桶聚合一起使用，如按照商品类型分桶，统计每个桶的平均价格。
   函数：平均值：Avg、最大值：Max、最小值：Min、求和：Sum、详细信息：Stats、数量：Value count

   管道聚合

   
   场景：用于对聚合查询的二次聚合，如统计平均价格最低的商品分类，即先按照商品分类进行桶聚合，并计算其平均价格，然后对其平均价格计算最小值聚合
   函数：Min bucket：最小桶、Max bucket：最大桶、Avg bucket：桶平均值、Sum bucket：桶求和、Stats bucket：桶信息
   注意：buckets_path为管道聚合的关键字，其值从当前聚合统计的聚合函数开始计算为第一级。比如下面例子中，my_aggs和my_min_bucket同级， my_aggs就是buckets_path值的起始值。

   GET product/_search
   {
   "size": 0, 
   "aggs": {
   "my_aggs": {
   "terms": {
     ...
   },
   "aggs": {
     "my_price_bucket": {
       ...
     }
   }
   },
   "my_min_bucket":{
   "min_bucket": {
     "buckets_path": "my_aggs>price_bucket"
   }
   }
   }
   }

   嵌套聚合

   
   语法：
   用途：用于在某种聚合的计算结果之上再次聚合，如统计不同类型商品的平均价格，就是在按照商品类型桶聚合之后，在其结果之上计算平均价格

   GET product/_search
   {
   "size": 0,
   "aggs": {
   "<agg_name>": {
   "<agg_type>": {
     "field": "<field_name>"
   },
   "aggs": {
     "<agg_name_child>": {
       "<agg_type>": {
         "field": "<field_name>"
       }
     }
   }
   }
   }
   }

   聚合和查询的相互关系

4. 
   语法：
   注意：以上语法，执行顺序为先query后aggs，顺序和谁在上谁在下没有关系。query中可以是查询、也可以是filter、或者bool query

   基于query或filter的聚合

   GET product/_search
   {
   "query": {
   ...
   }, 
   "aggs": {
   ...
   }
   }

5. 
   注意：以上语法，执行顺序为先aggs后post_filter，顺序和谁在上谁在下没有关系。

   基于聚合结果的查询、

   GET product/_search
   {
   "aggs": {
   ...
   },
   "post_filter": {
   ...
   }
   }

6. 
   上面例子中，avg_price的计算结果是基于query的查询结果的，而all_avg_price的聚合是基于all data的

   查询条件的作用域

   GET product/_search
   {
   "size": 10,
   "query": {
   ...
   },
   "aggs": {
   "avg_price": {
   ...
   },
   "all_avg_price": {
   "global": {},
   "aggs": {
   ...
   }
   }
   }
   }

   聚合排序

7. 
   order_type：_count（数量） _key（聚合结果的key值） _term（废弃但是仍然可用，使用_key代替）
   

   排序规则：

   GET product/_search
   {
   "aggs": {
   "type_agg": {
   "terms": {
    "field": "tags",
    "order": {
      "<order_type>": "desc"
    },
    "size": 10
   }
   }
   }
   }

8. 
   上例中，先按照first_sort排序，再按照second_sort排序

   多级排序：即排序的优先级，按照外层优先的顺序

   GET product/_search?size=0
   {
   "aggs": {
   "first_sort": {
   ...
   "aggs": {
   "second_sort": {
     ...
   }
   }
   }
   }
   }

9. 
   上例中，按照里层聚合“my_stats”进行排序

   多层排序：即按照多层聚合中的里层某个聚合的结果进行排序

   GET product/_search
   {
   "size": 0,
   "aggs": {
   "tag_avg_price": {
   "terms": {
   "field": "type.keyword",
   "order": {
     "agg_stats>my_stats.sum": "desc"
   }
   },
   "aggs": {
   "agg_stats": {
        ...
     "aggs": {
       "my_stats": {
         "extended_stats": {
           ...
         }
       }
     }
   }
   }
   }
   }
   }

   常用的查询函数

10. 
    用途：用于区间统计，如不同价格商品区间的销售情况
    语法：
    

    histogram：直方图或柱状图统计

    GET product/_search?size=0
    {
    "aggs": {
    "<histogram_name>": {
    "histogram": {
     "field": "price",                 #字段名称
     "interval": 1000,                    #区间间隔
     "keyed": true,                        #返回数据的结构化类型
     "min_doc_count": <num>,        #返回桶的最小文档数阈值，即文档数小于num的桶不会被输出
     "missing": 1999                        #空值的替换值，即如果文档对应字段的值为空，则默认输出1999（参数值）
    }
    }
    }
    }

11. 
    语法：
    interval_type：时间间隔的参数可选项
    fixed_interval：ms（毫秒）、s（秒）、 m（分钟）、h（小时）、d（天），注意单位需要带上具体的数值，如2d为两天。需要当心当单位过小，会 导致输出桶过多而导致服务崩溃。
    calendar_interval：month、year
    interval：（废弃，但是仍然可用）

    date-histogram：基于日期的直方图，比如统计一年每个月的销售额

    GET product/_search?size=0
    {
    "aggs": {
    "my_date_histogram": {
    "date_histogram": {
     "field": "createtime",                    #字段需为date类型
     "<interval_type>": "month",            #时间间隔的参数可选项
     "format": "yyyy-MM",                         #日期的格式化输出
     "extended_bounds": {                        #输出空桶
       "min": "2020-01",
       "max": "2020-12"
     }
    }
    }
    }
    }

12. 
    计算结果为何为近似值。

    percentile 百分位统计 或者 饼状图

    1. percentiles：用于评估当前数值分布情况，比如99 percentile 是 1000 ， 是指 99%的数值都在1000以内。常见的一个场景就是我们制定 SLA 的时候常说 99% 的请求延迟都在100ms 以内，这个时候你就可以用 99 percentile 来查一下，看一下 99 percenttile 的值如果在 100ms 以内，就代表SLA达标了。
       语法：

       GET product/_search?size=0
       {
       "aggs": {
       "<percentiles_name>": {
       "percentiles": {
       "field": "price",
       "percents": [
              percent1，                #区间的数值，如5、10、30、50、99 即代表5%、10%、30%、50%、99%的数值分布
              percent2，
              ...
       ]
       }
       }
       }
       }

    2. percentile_ranks： percentile rank 其实就是percentiles的反向查询，比如我想看一下 1000、3000 在当前数值中处于哪一个范围内，你查一下它的 rank，发现是95，99，那么说明有95%的数值都在1000以内，99%的数值都在3000以内。

       GET product/_search?size=0
       {
       "aggs": {
       "<percentiles_name>": {
       "percentile_ranks": {
       "field": "<field_value>",
       "values": [
       rank1,
       rank2,
       ...
       ]
       }
       }
       }
       }