文章目录
聚合分析简介
什么是聚合分析
·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个商品是哪些?
·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即时返回的,而hadoop等大数据系统一般都是 T+1级别的
请告诉我公司目前在职人员工作岗位的分布情况?
聚合分析作为search的一部分, api如下所示:
请告诉我公司目前在职人员工作岗位的分布情况?
聚合分析-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SOL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
metric聚合分析
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,extended stats
- percentile, percentile rank
- top hits
返回数值类字段的最小值
返回数值字段的最大值
一次返回多个聚合结果
Metric聚合分析-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
Metric聚合分析-Stats
返回一系列数值类型的统计值,包含min, max, avg, sum和count
Metric聚合分析-Percentile
百分位数统计：
Metric聚合分析-Percentile Rank
百分位数统计：
Metric聚合分析-Top Hits
一般用于分桶后获取该桶内最匹配的顶部文档列表,即详情数据
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
bucket聚合分析-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
bucket聚合分析- Range
通过指定数值的范围来设定分桶规则
bucket聚合分析- Date Range
一通过指定日期的范围来设定分桶规则
bucket聚合分析- Histogram
直方图，以固定间隔的策略来分割数据
bucket聚合分析- 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
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
分桶之后再分桶：
分桶后进行数据分析：
pipeline聚合分析
针对聚合分析的结果再次进行聚合分析,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 求导导数
- Moving Average 平均
- Cumulative Sum-Sibling 累计求和
- 结果与现有聚合分析结果同级
- Max/Min/Avg/Sum Bucket
- Stats/Extended Stats Bucket
- Percentiles Bucket
Pipeline聚合分析Sibling-Min Bucket
找出所有Bucket中值最小的Bucket名称和值：
计算Bucket值得导数：
计算Bucket值得移动平均值：
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
作用范围-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
作用范围-post_filter
作用于文档过滤,但在聚合分析后生效
作用范围-global
无视query过滤条件,基于全部文档进行分析
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
原理与精准度问题
Min聚合得执行流程
Terms聚合的执行流程
Terms并不永远准确
数据分散在多Shard上, Coordinating Node无法得悉数据全貌；所以不准确。
Terms不准确的解决办法
- 设置Shard数为1,消除数据分散的问题,但无法承载大数据量
- 合理设置Shard Size大小,即每次从Shard上额外多获取数据,以提升准确度
Shard_Size大小的设定方法
terms聚合返回结果中有如下两个统计值:
- doc_count_error_upper_bound被遗漏的term可能的最大值
- sum_other_other_doc_count返回结果bucket的term外其他term的文档总数
设定show_term_doc_count_error可以查看每个bucket误算的最大值
Shard Size默认大小如下:
- shard size = (size x 1.5) +10
通过调整Shard Size的大小降低doc_count_error_upper_bound来提升准确度
- 增大了整体的计算量,从而降低了响应时间
近似统计计算
在ES的聚合分析中, Cardinality和Percentile分析使用的是近似统计算法
- 结果是近似准确的,但不一定精准
- 可以通过参数的调整使其结果精准,但同时也意味着更多的计算时间和更大的性能消耗