Elasticsearch聚合初探——metric篇

前言

ES中的聚合被分为两大类：Metric度量和bucket桶（原谅我英语差，找不到合适的词语.....就用单词来说吧！）。说的通俗点，metric很像SQL中的avg、max、min等方法，而bucket就有点类似group by了。

本篇就简单的介绍一下metric聚合的用法。

metric的聚合按照值的返回类型可以分为两种：单值聚合和多值聚合。

单值聚合

Sum 求和

这个聚合返回的是单个值，dsl可以参考如下：

"aggs" : {
        "intraday_return" : { "sum" : { "field" : "change" } } }

返回的是change字段的和：

{
    ...

    "aggregations": {
        "intraday_return": {
           "value": 2.18 } } }

其中intraday_return是聚合的名字，同时也会作为请求返回的id值。另外，聚合中是支持脚本的，这里就不过多赘述了，详细参考官方文档即可。

Min 求最小值

{
    "aggs" : {
        "min_price" : { "min" : { "field" : "price" } } } }

Max 求最大值

{
    "aggs" : {
        "max_price" : { "max" : { "field" : "price" } } } }

avg 求平均值

{
    "aggs" : {
        "avg_grade" : { "avg" : { "field" : "grade" } } } }

cardinality 求唯一值，即不重复的字段有多少

{
    "aggs" : {
        "author_count" : { "cardinality" : { "field" : "author" } } } }

多值聚合

percentiles 求百分比

{
    "aggs" : {
        "load_time_outlier" : { "percentile_ranks" : { "field" : "load_time", "values" : [15, 30] } } } }

返回的结果包含多个值：

{
    ...

   "aggregations": {
      "load_time_outlier": {
         "values" : { "15": 92, "30": 100 } } } }

stats 统计

{
    "aggs" : {
        "grades_stats" : { "stats" : { "field" : "grade" } } } }

请求后会直接显示多种聚合结果：

{
    ...

    "aggregations": {
        "grades_stats": {
            "count": 6, "min": 60, "max": 98, "avg": 78.5, "sum": 471 } } }

extend stats 扩展统计

{
    "aggs" : {
        "grades_stats" : { "extended_stats" : { "field" : "grade" } } } }

在统计的基础上还增加了多种复杂的统计信息：

{
    ...

    "aggregations": {
        "grade_stats": {
           "count": 9, "min": 72, "max": 99, "avg": 86, "sum": 774, "sum_of_squares": 67028, "variance": 51.55555555555556, "std_deviation": 7.180219742846005, "std_deviation_bounds": { "upper": 100.36043948569201, "lower": 71.63956051430799 } } } }

总结

上面并没有列举全面，比如2.0版本的ES，还支持多值的percentile Rank百分比排名，Geo Bounds地理位置信息，Scripted Metric脚本；单值的top hits等等。

在性能上，ES也做了很多的优化：比如max和min，如果对于排序的字段，那么就直接跳过了计算的步骤，直接取出目标值即可。
当然有些聚合也是需要特定的场合的，比如cardinality计算唯一值是通过哈希的方式，如果字段数据规模很大，那么会消耗很多的性能。
另外桶之间是可以嵌套的，比如在range聚合下嵌套了一个max聚合，那么会在range得到的每个结果组上，再次进行max的统计。
在聚合中支持脚本的使用，可以增加统计的灵活度。

很多内容还需要在实践中使用，才能了解它的优势。