[大数据]Web-elasticsearch的使用

一、什么是elasticsearch

1 定义

• Elasticsearch是一个基于Lucene的搜索服务器。
• 它提供了一个分布式多用户能力的全文搜索引擎，基于RESTful web接口。
• Elasticsearch是用Java语言开发的，并作为Apache许可条款下的开放源码发布，是一种流行的企业级搜索引擎。
• Elasticsearch用于云计算中，能够达到实时搜索，稳定，可靠，快速，安装使用方便。
• 官方客户端在Java、.NET（C#）、PHP、Python、Apache Groovy、Ruby和许多其他语言中都是可用的。
• 根据DB-Engines的排名显示，Elasticsearch是最受欢迎的企业搜索引擎，其次是Apache Solr，也是基于Lucene。

2 简介

• Elasticsearch 是一个分布式、高扩展、高实时的搜索与数据分析引擎。它能很方便的使大量数据具有搜索、分析和探索的能力。充分利用Elasticsearch的水平伸缩性，能使数据在生产环境变得更有价值。
• Elasticsearch 的实现原理主要分为以下几个步骤，首先用户将数据提交到Elasticsearch 数据库中，再通过分词控制器去将对应的语句分词，将其权重和分词结果一并存入数据，当用户搜索数据时候，再根据权重将结果排名，打分，再将返回结果呈现给用户。
• Elasticsearch是与名为Logstash的数据收集和日志解析引擎以及名为Kibana的分析和可视化平台一起开发的。这三个产品被设计成一个集成解决方案，称为“Elastic Stack”（以前称为“ELK stack”）。
• Elasticsearch可以用于搜索各种文档。它提供可扩展的搜索，具有接近实时的搜索，并支持多租户。
• Elasticsearch是分布式的，这意味着索引可以被分成分片，每个分片可以有0个或多个副本。每个节点托管一个或多个分片，并充当协调器将操作委托给正确的分片。
• 再平衡和路由是自动完成的。相关数据通常存储在同一个索引中，该索引由一个或多个主分片和零个或多个复制分片组成。一旦创建了索引，就不能更改主分片的数量。
• Elasticsearch使用Lucene，并试图通过JSON和Java API提供其所有特性。它支持facetting和percolating，如果新文档与注册查询匹配，这对于通知非常有用。
• 另一个特性称为“网关”，处理索引的长期持久性；例如，在服务器崩溃的情况下，可以从网关恢复索引。Elasticsearch支持实时GET请求，适合作为NoSQL数据存储，但缺少分布式事务。
• 小结
  – 分布式，无需人工搭建集群（solr就需要人为配置，使用Zookeeper作为注册中心）
  – Restful风格，一切API都遵循Rest原则，容易上手
  – 近实时搜索，数据更新在Elasticsearch中几乎是完全同步的。

3 有关概念

• cluster：代表一个集群，集群中有多个节点，其中有一个为主节点，这个主节点是可以通过选举产生的，主从节点是对于集群内部来说的。es的一个概念就是去中心化，字面上理解就是无中心节点，这是对于集群外部来说的，因为从外部来看es集群，在逻辑上是个整体，你与任何一个节点的通信和与整个es集群通信是等价的。
• shards：代表索引分片，es可以把一个完整的索引分成多个分片，这样的好处是可以把一个大的索引拆分成多个，分布到不同的节点上。构成分布式搜索。分片的数量只能在索引创建前指定，并且索引创建后不能更改。
• replicas：代表索引副本，es可以设置多个索引的副本，副本的作用一是提高系统的容错性，当某个节点某个分片损坏或丢失时可以从副本中恢复。二是提高es的查询效率，es会自动对搜索请求进行负载均衡。
• recovery：代表数据恢复或叫数据重新分布，es在有节点加入或退出时会根据机器的负载对索引分片进行重新分配，挂掉的节点重新启动时也会进行数据恢复。
• river：代表es的一个数据源，也是其它存储方式（如：数据库）同步数据到es的一个方法。它是以插件方式存在的一个es服务，通过读取river中的数据并把它索引到es中，官方的river有couchDB的，RabbitMQ的，Twitter的，Wikipedia的。
• gateway：代表es索引快照的存储方式，es默认是先把索引存放到内存中，当内存满了时再持久化到本地硬盘。gateway对索引快照进行存储，当这个es集群关闭再重新启动时就会从gateway中读取索引备份数据。es支持多种类型的gateway，有本地文件系统（默认），分布式文件系统，Hadoop的HDFS和amazon的s3云存储服务。
• discovery.zen：代表es的自动发现节点机制，es是一个基于p2p的系统，它先通过广播寻找存在的节点，再通过多播协议来进行节点之间的通信，同时也支持点对点的交互。
• Transport：代表es内部节点或集群与客户端的交互方式，默认内部是使用tcp协议进行交互，同时它支持http协议（json格式）、thrift、servlet、memcached、zeroMQ等的传输协议（通过插件方式集成）。

二、elasticsearch安装

1 Windows安装

• 下载elasticsearch-6.4.1.zip
• 直接解压至某目录，设置该目录为ES_HOME环境变量
• 安装JDK，并设置JAVA_HOME环境变量
• 在windows下，运行 %ES_HOME%\bin\elasticsearch.bat即可运行
  – 以head插件为例：
  – 联网时，直接运行%ES_HOME%\bin\plugin --install mobz/elasticsearch-head。
  – 不联网时，下载elasticsearch-head的zipball的master包，然后运行%ES_HOME%\bin\plugin --url file:///[path-to-downloadfile] --install head，其中[path-to-downloadfile]是下载后master包的绝对路径。
  – 安装完成，重启服务，在浏览器打开http://localhost:9200/_plugin/head/ 即可。

2 Linux安装

• 新建一个用户leyou
  – 出于安全考虑，elasticsearch默认不允许以root账号运行。
  – 创建用户：useradd 用户名
  – 设置密码：passwd 用户名
  – 切换用户：su - 用户名
• 上传安装包,并解压
  – 我们将安装包上传到：/home/用户名目录
  – 解压缩：tar -zxwf elasticsearch-6.2.4.tar.gz
  – 目录重命名：mv elasticsearch-6.3.0/ elasticsearch
  – 查看目录结构
• 修改配置
  – 我们进入config目录：cd config 需要修改的配置文件有两个
  – 1. jvm.options
  – Elasticsearch基于Lucene的，而Lucene底层是java实现，因此我们需要配置jvm参数。
  – 编辑jvm.options：vim jvm.options
  – 默认配置如下：-Xms1g -Xmx1g
  – 内存占用太多了，我们调小一些：-Xms512m -Xmx512m
  – 2. elasticsearch.yml
  – vim elasticsearch.yml
  – 修改数据和日志目录：
  path.data: /home/用户名/elasticsearch/data #数据目录位置
path.logs: /home/用户名/elasticsearch/logs # 日志目录位置
  – 把data和logs目录修改指向了elasticsearch的安装目录。但是这两个目录并不存在，因此我们需要创建出来。
  – 进入elasticsearch的根目录，然后创建：mkdir data mkdir logs
  – 修改绑定的ip：network.host: 0.0.0.0 # 绑定到0.0.0.0，允许任何ip来访问默认只允许本机访问，修改为0.0.0.0后则可以远程访问
  – 目前我们是做的单机安装，如果要做集群，只需要在这个配置文件中添加其它节点信息即可。
  – elasticsearch.yml的其它可配置信息：

• 运行
  – 进入elasticsearch/bin目录，然后输入命令：./elasticsearch发现报错了，启动失败。
  – 错误1：内核过低
  – 我们使用的是centos6，其linux内核版本为2.6。而Elasticsearch的插件要求至少3.5以上版本。不过没关系，我们禁用这个插件即可。修改elasticsearch.yml文件，在最下面添加如下配置：bootstrap.system_call_filter: false然后重启
  – 错误2：文件权限不足
  – [1]: max file descriptors [4096] for elasticsearch process likely too low, increase to at least [65536]
  – 我们用的是leyou用户，而不是root，所以文件权限不足。首先用root用户登录。 然后修改配置文件:vim /etc/security/limits.conf添加下面的内容：
  * soft nofile 65536
* hard nofile 131072
* soft nproc 4096
* hard nproc 4096
  – 错误3：线程数不够
  – [1]: max number of threads [1024] for user [leyou] is too low, increase to at least [4096]
  – 这是线程数不够。继续修改配置：vim /etc/security/limits.d/90-nproc.conf 修改下面的内容：* soft nproc 1024改为：* soft nproc 4096
  – 错误4：进程虚拟内存
  – [3]: max virtual memory areas vm.max_map_count [65530] likely too low, increase to at least [262144]
  – vm.max_map_count：限制一个进程可以拥有的VMA(虚拟内存区域)的数量，继续修改配置文件，vim /etc/sysctl.conf添加下面内容：vm.max_map_count=655360 然后执行命令：sysctl -p所有错误修改完毕，一定要重启你的 Xshell终端，否则配置无效。
• 成功标志
  – 可以看到绑定了两个端口:
  - 9300：集群节点间通讯接口
- 9200：客户端访问接口

三、kibana安装

1 什么是kibana

• Kibana是一个基于Node.js的Elasticsearch索引库数据统计工具，可以利用Elasticsearch的聚合功能，生成各种图表，如柱形图，线状图，饼图等。
• 而且还提供了操作Elasticsearch索引数据的控制台，并且提供了一定的API提示，非常有利于我们学习Elasticsearch的语法。

2 安装

• 因为Kibana依赖于node，我们的虚拟机没有安装node，而window中安装过。所以我们选择在window下使用kibana。
• 最新版本与elasticsearch保持一致，也是6.3.0，解压到特定目录即可

3 配置

• 进入安装目录下的config目录，修改kibana.yml文件：
• 修改elasticsearch服务器的地址：
  elasticsearch.url: "http://192.168.56.101:9200"

4 运行

• 进入安装目录下的bin目录：双击bat运行
• 发现kibana的监听端口是5601，我们访问：http://127.0.0.1:5601

5 控制台

• 选择左侧的DevTools菜单，即可进入控制台页面
• 在页面右侧，我们就可以输入请求，访问Elasticsearch了。

四、ik分词器安装

1 介绍

• Lucene的IK分词器早在2012年已经没有维护了，现在我们要使用的是在其基础上维护升级的版本，并且开发为ElasticSearch的集成插件了，与Elasticsearch一起维护升级，版本也保持一致，最新版本：6.3.0

2 安装

• zip包，解压到Elasticsearch目录的plugins目录中
• 使用unzip命令解压：unzip elasticsearch-analysis-ik-6.3.0.zip -d ik-analyzer
• 然后重启elasticsearch

五、Rest风格API的学习

1 操作索引

1.1 基本概念

• Elasticsearch也是基于Lucene的全文检索库，本质也是存储数据，很多概念与MySQL类似的。
• 在SolrCloud中，有一些集群相关的概念，在Elasticsearch也有类似的：
  索引集（Indices，index的复数）：逻辑上的完整索引 collection1
分片（shard）：数据拆分后的各个部分
副本（replica）：每个分片的复制
• 要注意的是：Elasticsearch本身就是分布式的，因此即便你只有一个节点，Elasticsearch默认也会对你的数据进行分片和副本操作，当你向集群添加新数据时，数据也会在新加入的节点中进行平衡。
• 对比关系：
  索引（indices）--------------------------------Databases 数据库
类型（type）-----------------------------Table 数据表
文档（Document）----------------Row 行
字段（Field）-------------------Columns 列
• 详细说明：

1.2 创建索引

• 语法
  – Elasticsearch采用Rest风格API，因此其API就是一次http请求，你可以用任何工具发起http请求
  – 创建索引的请求格式：

  • 请求方式：PUT

  • 请求路径：/索引库名

  • 请求参数：json格式：

        {
            "settings": {
                "number_of_shards": 3,
                "number_of_replicas": 2
              }
        }
    

• settings：索引库的设置
  – number_of_shards：分片数量
  – number_of_replicas：副本数量

• 使用kibana创建
  – kibana的控制台，可以对http请求进行简化 ，相当于是省去了elasticsearch的服务器地址而且还有语法提示

1.3 查看索引

• Get请求可以帮我们查看索引信息，格式：GET /索引库名
• 或者，我们可以使用*来查询所有索引库配置

1.4 删除索引

• 删除索引使用DELETE请求
• 语法：DELETE /索引库名

2 操作映射

2.1 基本概念

• 索引有了，接下来肯定是添加数据。但是，在添加数据之前必须定义映射。
• 映射是定义文档的过程，文档包含哪些字段，这些字段是否保存，是否索引，是否分词等

2.2 创建映射字段

• 请求方式依然是PUT

  PUT /索引库名/_mapping/类型名称
  {
    "properties": {
      "字段名": {
        "type": "类型",
        "index": true，
        "store": true，
        "analyzer": "分词器"
      }
    }
  }
  

• 类型名称：就是前面将的type的概念，类似于数据库中的不同表
  字段名：任意填写 ，可以指定许多属性，例如：
• type：类型，可以是text、long、short、date、integer、object等
• index：是否索引，默认为true
• store：是否存储，默认为false
• analyzer：分词器，这里的ik_max_word即使用ik分词器

2.3 查看映射

• 语法：GET /索引库名/_mapping

2.4 字段属性详解

• type

  • String类型，又分两种：

    • text：可分词，不可参与聚合
    • keyword：不可分词，数据会作为完整字段进行匹配，可以参与聚合

  • Numerical：数值类型，分两类

    • 基本数据类型：long、interger、short、byte、double、float、half_float
    • 浮点数的高精度类型：scaled_float
      – 需要指定一个精度因子，比如10或100。elasticsearch会把真实值乘以这个因子后存储，取出时再还原。

  • Date：日期类型
    – elasticsearch可以对日期格式化为字符串存储，但是建议我们存储为毫秒值，存储为long，节省空间。

• index
  • index影响字段的索引情况。
    – true：字段会被索引，则可以用来进行搜索。默认值就是true
    – false：字段不会被索引，不能用来搜索
  • index的默认值就是true，也就是说你不进行任何配置，所有字段都会被索引。
  • 但是有些字段是我们不希望被索引的，比如商品的图片信息，就需要手动设置index为false。
• store
  • 是否将数据进行额外存储。
  • 在Elasticsearch中，即便store设置为false，也可以搜索到结果。
  • 原因是Elasticsearch在创建文档索引时，会将文档中的原始数据备份，保存到一个叫做_source的属性中。而且我们可以通过过滤_source来选择哪些要显示，哪些不显示。
  • 如果设置store为true，就会在_source以外额外存储一份数据，多余，因此一般我们都会将store设置为false，事实上，store的默认值就是false。

2.5 新增数据

• 随机生成id
  • 通过POST请求，可以向一个已经存在的索引库中添加数据。

    POST /索引库名/类型名
    {
        "key":"value"
    }
    

  • _source：源文档信息，所有的数据都在里面。
  • _id：这条文档的唯一标示，与文档自己的id字段没有关联
• 自定义id
  • 如果我们想要自己新增的时候指定id，可以这么做：

    POST /索引库名/类型/id值
    {
        ...
    }
    

• 智能判断
  • Elasticsearch非常智能，你不需要给索引库设置任何mapping映射，它也可以根据你输入的数据来判断类型，动态添加数据映射。

2.6 修改数据

• 把刚才新增的请求方式改为PUT，就是修改了。不过修改必须指定id，
  • id对应文档存在，则修改
  • id对应文档不存在，则新增

2.7 删除数据

• 删除使用DELETE请求，同样，需要根据id进行删除
• DELETE /索引库名/类型名/id值

3 查询

3.1 基本查询

• 基本语法

  GET /索引库名/_search
  {
      "query":{
          "查询类型":{
              "查询条件":"查询条件值"
          }
      }
  }
  

• 这里的query代表一个查询对象，里面可以有不同的查询属性

• 查询类型：match_all， match，term ， range 等等

• 查询条件：查询条件会根据类型的不同，写法也有差异，后面详细讲解

3.1.1 查询所有

	GET /heima/_search
	{
	    "query":{
	        "match_all": {}
	    }
	}

• query：代表查询对象
• match_all：代表查询所有
• took：查询花费时间，单位是毫秒
• time_out：是否超时
• _shards：分片信息
• hits：搜索结果总览对象
  • total：搜索到的总条数
  • max_score：所有结果中文档得分的最高分
  • hits：搜索结果的文档对象数组，每个元素是一条搜索到的文档信息
    • _index：索引库
    • _type：文档类型
    • _id：文档id
    • _score：文档得分
    • _source：文档的源数据

3.1.2 匹配查询

• or关系

  • match类型查询，会把查询条件进行分词，然后进行查询,多个词条之间是or的关系

    GET /heima/_search
    {
        "query":{
            "match":{
                "title":"查询关键字"
            }
        }
    }
    

  • 在上面的案例中，不仅会查询到“查询”，而且与“关键字”相关的都会查询到，多个词之间是or的关系。

• and关系
  • 某些情况下，我们需要更精确查找，我们希望这个关系变成and，可以这样做

    GET /heima/_search
    {
        "query":{
            "match": {
              "title": {
                "query": "查询字段",
                "operator": "and"
              }
            }
        }
    }
    

  • 本例中，只有同时包含查询和字段的词条才会被搜索到。
• or和and之间
  • 在 or 与 and 间二选一有点过于非黑即白。 如果用户给定的条件分词后有 5 个查询词项，想查找只包含其中 4 个词的文档，该如何处理？将 operator 操作符参数设置成 and 只会将此文档排除。
  • 有时候这正是我们期望的，但在全文搜索的大多数应用场景下，我们既想包含那些可能相关的文档，同时又排除那些不太相关的。换句话说，我们想要处于中间某种结果。
  • match 查询支持 minimum_should_match 最小匹配参数， 这让我们可以指定必须匹配的词项数用来表示一个文档是否相关。我们可以将其设置为某个具体数字，更常用的做法是将其设置为一个百分数，因为我们无法控制用户搜索时输入的单词数量：

    GET /heima/_search
    {
        "query":{
            "match":{
                "title":{
                	"query":"最小查询字段",
                	"minimum_should_match": "75%"
                }
            }
        }
    }
    

  • 本例中，搜索语句可以分为3个词，如果使用and关系，需要同时满足3个词才会被搜索到。这里我们采用最小品牌数：75%，那么也就是说只要匹配到总词条数量的75%即可，这里3*75% 约等于2。所以只要包含2个词条就算满足条件了。

3.1.3 多字段查询

• multi_match与match类似，不同的是它可以在多个字段中查询

  GET /heima/_search
  {
      "query":{
          "multi_match": {
              "query":    "查询",
              "fields":   [ "title", "subTitle" ]
          }
  	}
  }
  

• 本例中，我们会在title字段和subtitle字段中查询查询这个词

3.1.4 词条匹配

• term 查询被用于精确值 匹配，这些精确值可能是数字、时间、布尔或者那些未分词的字符串

  GET /heima/_search
  {
      "query":{
          "term":{
              "price":2699.00
          }
      }
  }
  

3.1.5 多词条精确匹配

• terms 查询和 term 查询一样，但它允许你指定多值进行匹配。如果这个字段包含了指定值中的任何一个值，那么这个文档满足条件：

  GET /heima/_search
  {
      "query":{
          "terms":{
              "price":[2699.00,2899.00,3899.00]
          }
      }
  }
  

3.2 结果过滤

• 默认情况下，elasticsearch在搜索的结果中，会把文档中保存在_source的所有字段都返回。
• 如果我们只想获取其中的部分字段，我们可以添加_source的过滤

3.2.1 直接指定字段

GET /heima/_search
{
  "_source": ["title","price"],
  "query": {
    "term": {
      "price": 2699
    }
  }
}

3.2.2 指定includes和excludes

• 我们也可以通过：

  • includes：来指定想要显示的字段
  • excludes：来指定不想要显示的字段

• 二者都是可选的。

  GET /heima/_search
  {
    "_source": {
      "includes":["title","price"]
    },
    "query": {
      "term": {
        "price": 2699
      }
    }
  }
  

• 与下面的结果将是一样的：

  GET /heima/_search
  {
    "_source": {
       "excludes": ["images"]
    },
    "query": {
      "term": {
        "price": 2699
      }
    }
  }
  

3.3 高级查询

3.3.1 布尔组合

• bool把各种其它查询通过must（与）、must_not（非）、should（或）的方式进行组合

  GET /heima/_search
  {
      "query":{
          "bool":{
          	"must":     { "match": { "title": "最小" }},
          	"must_not": { "match": { "title":  "查询" }},
          	"should":   { "match": { "title": "字段" }}
          }
      }
  }
  

3.3.2 范围查询

• range 查询找出那些落在指定区间内的数字或者时间

  GET /heima/_search
  {
      "query":{
          "range": {
              "price": {
                  "gte":  1000.0,
                  "lt":   2800.00
              }
      	}
      }
  }
  

• range查询允许以下字符：

  作符	说明
  gt	大于
  gte	大于等于
  lt	小于
  lte	小于等于

3.3.3 模糊查询

• fuzzy 查询是 term 查询的模糊等价。它允许用户搜索词条与实际词条的拼写出现偏差，但是偏差的编辑距离不得超过2

  GET /heima/_search
  {
    "query": {
      "fuzzy": {
        "title": "查询"
      }
    }
  }
  

• 上面的查询，也能查询到查询字段

• 我们可以通过fuzziness来指定允许的编辑距离：

  GET /heima/_search
  {
    "query": {
      "fuzzy": {
          "title": {
              "value":"查询",
              "fuzziness":1
          }
      }
    }
  }
  

3.4 过滤

3.4.1 条件查询中进行过滤

• 所有的查询都会影响到文档的评分及排名。如果我们需要在查询结果中进行过滤，并且不希望过滤条件影响评分，那么就不要把过滤条件作为查询条件来用。而是使用filter方式：

  GET /heima/_search
  {
      "query":{
          "bool":{
          	"must":{ "match": { "title": "查询字段" }},
          	"filter":{
                  "range":{"price":{"gt":2000.00,"lt":3800.00}}
          	}
          }
      }
  }
  

• 注意：filter中还可以再次进行bool组合条件过滤。

3.4.2 无查询条件，直接过滤

• 如果一次查询只有过滤，没有查询条件，不希望进行评分，我们可以使用constant_score取代只有 filter 语句的 bool 查询。在性能上是完全相同的，但对于提高查询简洁性和清晰度有很大帮助。

  GET /heima/_search
  {
      "query":{
          "constant_score":   {
              "filter": {
              	 "range":{"price":{"gt":2000.00,"lt":3000.00}}
              }
          }
  }
  

3.5 排序

3.5.1 单字段排序

• sort 可以让我们按照不同的字段进行排序，并且通过order指定排序的方式

  GET /heima/_search
  {
    "query": {
      "match": {
        "title": "查询字段"
      }
    },
    "sort": [
      {
        "price": {
          "order": "desc"
        }
      }
    ]
  }
  

3.5.2 多字段排序

• 假定我们想要结合使用 price和 _score（得分） 进行查询，并且匹配的结果首先按照价格排序，然后按照相关性得分排序：

  GET /goods/_search
  {
      "query":{
          "bool":{
          	"must":{ "match": { "title": "查询字段" }},
          	"filter":{
                  "range":{"price":{"gt":200000,"lt":300000}}
          	}
          }
      },
      "sort": [
        { "price": { "order": "desc" }},
        { "_score": { "order": "desc" }}
      ]
  }
  

4 聚合aggregations

• 聚合可以让我们极其方便的实现对数据的统计、分析。例如：
  • 什么品牌的手机最受欢迎？
  • 这些手机的平均价格、最高价格、最低价格？
  • 这些手机每月的销售情况如何？
• 实现这些统计功能的比数据库的sql要方便的多，而且查询速度非常快，可以实现实时搜索效果。

4.1 基本概念

• Elasticsearch中的聚合，包含多种类型，最常用的两种，一个叫桶，一个叫度量：

4.1.1 桶（bucket）

• 桶的作用，是按照某种方式对数据进行分组，每一组数据在ES中称为一个桶，例如我们根据国籍对人划分，可以得到中国桶、英国桶，日本桶……或者我们按照年龄段对人进行划分：0_10,1020,20_30,3040等。
• Elasticsearch中提供的划分桶的方式有很多：
  • Date Histogram Aggregation：根据日期阶梯分组，例如给定阶梯为周，会自动每周分为一组
  • Histogram Aggregation：根据数值阶梯分组，与日期类似
  • Terms Aggregation：根据词条内容分组，词条内容完全匹配的为一组
  • Range Aggregation：数值和日期的范围分组，指定开始和结束，然后按段分组
  • ……
• bucket aggregations 只负责对数据进行分组，并不进行计算，因此往往bucket中往往会嵌套另一种聚合：metrics aggregations即度量

4.1.2 度量（metrics）

• 分组完成以后，我们一般会对组中的数据进行聚合运算，例如求平均值、最大、最小、求和等，这些在ES中称为度量

• 比较常用的一些度量聚合方式：

  • Avg Aggregation：求平均值
  • Max Aggregation：求最大值
  • Min Aggregation：求最小值
  • Percentiles Aggregation：求百分比
  • Stats Aggregation：同时返回avg、max、min、sum、count等
  • Sum Aggregation：求和
  • Top hits Aggregation：求前几
  • Value Count Aggregation：求总数
  • ……

• 为了测试聚合，我们先批量导入一些数据
  创建索引：

  PUT /cars
  {
    "settings": {
      "number_of_shards": 1,
      "number_of_replicas": 0
    },
    "mappings": {
      "transactions": {
        "properties": {
          "color": {
            "type": "keyword"
          },
          "make": {
            "type": "keyword"
          }
        }
      }
    }
  }
  

• 注意：在ES中，需要进行聚合、排序、过滤的字段其处理方式比较特殊，因此不能被分词。这里我们将color和make这两个文字类型的字段设置为keyword类型，这个类型不会被分词，将来就可以参与聚合

• 导入数据

  POST /cars/transactions/_bulk
  { "index": {}}
  { "price" : 10000, "color" : "red", "make" : "honda", "sold" : "2014-10-28" }
  { "index": {}}
  { "price" : 20000, "color" : "red", "make" : "honda", "sold" : "2014-11-05" }
  { "index": {}}
  { "price" : 30000, "color" : "green", "make" : "ford", "sold" : "2014-05-18" }
  { "index": {}}
  { "price" : 15000, "color" : "blue", "make" : "toyota", "sold" : "2014-07-02" }
  { "index": {}}
  { "price" : 12000, "color" : "green", "make" : "toyota", "sold" : "2014-08-19" }
  { "index": {}}
  { "price" : 20000, "color" : "red", "make" : "honda", "sold" : "2014-11-05" }
  { "index": {}}
  { "price" : 80000, "color" : "red", "make" : "bmw", "sold" : "2014-01-01" }
  { "index": {}}
  { "price" : 25000, "color" : "blue", "make" : "ford", "sold" : "2014-02-12" }
  

4.2 聚合为桶

• 首先，我们按照 汽车的颜色color来划分桶

  GET /cars/_search
  {
      "size" : 0,
      "aggs" : { 
          "popular_colors" : { 
              "terms" : { 
                "field" : "color"
              }
          }
      }
  }
  

• size： 查询条数，这里设置为0，因为我们不关心搜索到的数据，只关心聚合结果，提高效率

• aggs：声明这是一个聚合查询，是aggregations的缩写

  • popular_colors：给这次聚合起一个名字，任意。
    • terms：划分桶的方式，这里是根据词条划分
      • field：划分桶的字段

• 结果：

  {
    "took": 1,
    "timed_out": false,
    "_shards": {
      "total": 1,
      "successful": 1,
      "skipped": 0,
      "failed": 0
    },
    "hits": {
      "total": 8,
      "max_score": 0,
      "hits": []
    },
    "aggregations": {
      "popular_colors": {
        "doc_count_error_upper_bound": 0,
        "sum_other_doc_count": 0,
        "buckets": [
          {
            "key": "red",
            "doc_count": 4
          },
          {
            "key": "blue",
            "doc_count": 2
          },
          {
            "key": "green",
            "doc_count": 2
          }
        ]
      }
    }
  }
  

• hits：查询结果为空，因为我们设置了size为0

• aggregations：聚合的结果

• popular_colors：我们定义的聚合名称

• buckets：查找到的桶，每个不同的color字段值都会形成一个桶

  • key：这个桶对应的color字段的值
  • doc_count：这个桶中的文档数量

• 通过聚合的结果我们发现，目前红色的小车比较畅销！

4.3 桶内度量

• 前面的例子告诉我们每个桶里面的文档数量，这很有用。 但通常，我们的应用需要提供更复杂的文档度量。 例如，每种颜色汽车的平均价格是多少？

• 因此，我们需要告诉Elasticsearch使用哪个字段，使用何种度量方式进行运算，这些信息要嵌套在桶内，度量的运算会基于桶内的文档进行

• 现在，我们为刚刚的聚合结果添加 求价格平均值的度量：

  GET /cars/_search
  {
      "size" : 0,
      "aggs" : { 
          "popular_colors" : { 
              "terms" : { 
                "field" : "color"
              },
              "aggs":{
                  "avg_price": { 
                     "avg": {
                        "field": "price" 
                     }
                  }
              }
          }
      }
  }
  

• aggs：我们在上一个aggs(popular_colors)中添加新的aggs。可见度量也是一个聚合

• avg_price：聚合的名称

• avg：度量的类型，这里是求平均值

• field：度量运算的字段

• 结果：

    "aggregations": {
      "popular_colors": {
        "doc_count_error_upper_bound": 0,
        "sum_other_doc_count": 0,
        "buckets": [
          {
            "key": "red",
            "doc_count": 4,
            "avg_price": {
              "value": 32500
            }
          },
          {
            "key": "blue",
            "doc_count": 2,
            "avg_price": {
              "value": 20000
            }
          },
          {
            "key": "green",
            "doc_count": 2,
            "avg_price": {
              "value": 21000
            }
          }
        ]
      }
    }
  		
  

• 可以看到每个桶中都有自己的avg_price字段，这是度量聚合的结果

4.4 桶内嵌套桶

• 刚刚的案例中，我们在桶内嵌套度量运算。事实上桶不仅可以嵌套运算， 还可以再嵌套其它桶。也就是说在每个分组中，再分更多组。

• 比如：我们想统计每种颜色的汽车中，分别属于哪个制造商，按照make字段再进行分桶

  GET /cars/_search
  {
      "size" : 0,
      "aggs" : { 
          "popular_colors" : { 
              "terms" : { 
                "field" : "color"
              },
              "aggs":{
                  "avg_price": { 
                     "avg": {
                        "field": "price" 
                     }
                  },
                  "maker":{
                      "terms":{
                          "field":"make"
                      }
                  }
              }
          }
      }
  }
  

• 原来的color桶和avg计算我们不变

• maker：在嵌套的aggs下新添一个桶，叫做maker

• terms：桶的划分类型依然是词条

• filed：这里根据make字段进行划分

• 部分结果：

  ...
  {"aggregations": {
      "popular_colors": {
        "doc_count_error_upper_bound": 0,
        "sum_other_doc_count": 0,
        "buckets": [
          {
            "key": "red",
            "doc_count": 4,
            "maker": {
              "doc_count_error_upper_bound": 0,
              "sum_other_doc_count": 0,
              "buckets": [
                {
                  "key": "honda",
                  "doc_count": 3
                },
                {
                  "key": "bmw",
                  "doc_count": 1
                }
              ]
            },
            "avg_price": {
              "value": 32500
            }
          },
          {
            "key": "blue",
            "doc_count": 2,
            "maker": {
              "doc_count_error_upper_bound": 0,
              "sum_other_doc_count": 0,
              "buckets": [
                {
                  "key": "ford",
                  "doc_count": 1
                },
                {
                  "key": "toyota",
                  "doc_count": 1
                }
              ]
            },
            "avg_price": {
              "value": 20000
            }
          },
          {
            "key": "green",
            "doc_count": 2,
            "maker": {
              "doc_count_error_upper_bound": 0,
              "sum_other_doc_count": 0,
              "buckets": [
                {
                  "key": "ford",
                  "doc_count": 1
                },
                {
                  "key": "toyota",
                  "doc_count": 1
                }
              ]
            },
            "avg_price": {
              "value": 21000
            }
          }
        ]
      }
    }
  }
  ...
  

• 我们可以看到，新的聚合maker被嵌套在原来每一个color的桶中。

• 每个颜色下面都根据 make字段进行了分组

• 我们能读取到的信息：

  • 红色车共有4辆
  • 红色车的平均售价是 $32，500 美元。
  • 其中3辆是 Honda 本田制造，1辆是 BMW 宝马制造。

4.5.划分桶的其它方式

• 前面讲了，划分桶的方式有很多，例如：

  • Date Histogram Aggregation：根据日期阶梯分组，例如给定阶梯为周，会自动每周分为一组
  • Histogram Aggregation：根据数值阶梯分组，与日期类似
  • Terms Aggregation：根据词条内容分组，词条内容完全匹配的为一组
  • Range Aggregation：数值和日期的范围分组，指定开始和结束，然后按段分组

• 刚刚的案例中，我们采用的是Terms Aggregation，即根据词条划分桶。

• 接下来，我们再学习几个比较实用的：

4.5.1.阶梯分桶Histogram

• 原理：

  • histogram是把数值类型的字段，按照一定的阶梯大小进行分组。你需要指定一个阶梯值（interval）来划分阶梯大小。

• 举例：

  • 比如你有价格字段，如果你设定interval的值为200，那么阶梯就会是这样的：0，200，400，600，…
  • 上面列出的是每个阶梯的key，也是区间的启点。
  • 如果一件商品的价格是450，会落入哪个阶梯区间呢？计算公式如下：

    bucket_key = Math.floor((value - offset) / interval) * interval + offset
    

  • value：就是当前数据的值，本例中是450
  • offset：起始偏移量，默认为0
  • interval：阶梯间隔，比如200
  • 因此你得到的key = Math.floor((450 - 0) / 200) * 200 + 0 = 400

• 操作一下：

  • 比如，我们对汽车的价格进行分组，指定间隔interval为5000：

    GET /cars/_search
    {
      "size":0,
      "aggs":{
        "price":{
          "histogram": {
            "field": "price",
            "interval": 5000
          }
        }
      }
    }
    

  • 结果：

    {
      "took": 21,
      "timed_out": false,
      "_shards": {
        "total": 5,
        "successful": 5,
        "skipped": 0,
        "failed": 0
      },
      "hits": {
        "total": 8,
        "max_score": 0,
        "hits": []
      },
      "aggregations": {
        "price": {
          "buckets": [
            {
              "key": 10000,
              "doc_count": 2
            },
            {
              "key": 15000,
              "doc_count": 1
            },
            {
              "key": 20000,
              "doc_count": 2
            },
            {
              "key": 25000,
              "doc_count": 1
            },
            {
              "key": 30000,
              "doc_count": 1
            },
            {
              "key": 35000,
              "doc_count": 0
            },
            {
              "key": 40000,
              "doc_count": 0
            },
            {
              "key": 45000,
              "doc_count": 0
            },
            {
              "key": 50000,
              "doc_count": 0
            },
            {
              "key": 55000,
              "doc_count": 0
            },
            {
              "key": 60000,
              "doc_count": 0
            },
            {
              "key": 65000,
              "doc_count": 0
            },
            {
              "key": 70000,
              "doc_count": 0
            },
            {
              "key": 75000,
              "doc_count": 0
            },
            {
              "key": 80000,
              "doc_count": 1
            }
          ]
        }
      }
    }
    

  • 你会发现，中间有大量的文档数量为0 的桶，看起来很丑。

  • 我们可以增加一个参数min_doc_count为1，来约束最少文档数量为1，这样文档数量为0的桶会被过滤
    示例：

    GET /cars/_search
    {
      "size":0,
      "aggs":{
        "price":{
          "histogram": {
            "field": "price",
            "interval": 5000,
            "min_doc_count": 1
          }
        }
      }
    }
    

    结果：

    {
      "took": 15,
      "timed_out": false,
      "_shards": {
        "total": 5,
        "successful": 5,
        "skipped": 0,
        "failed": 0
      },
      "hits": {
        "total": 8,
        "max_score": 0,
        "hits": []
      },
      "aggregations": {
        "price": {
          "buckets": [
            {
              "key": 10000,
              "doc_count": 2
            },
            {
              "key": 15000,
              "doc_count": 1
            },
            {
              "key": 20000,
              "doc_count": 2
            },
            {
              "key": 25000,
              "doc_count": 1
            },
            {
              "key": 30000,
              "doc_count": 1
            },
            {
              "key": 80000,
              "doc_count": 1
            }
          ]
        }
      }
    }
    

4.5.2.范围分桶range

• 范围分桶与阶梯分桶类似，也是把数字按照阶段进行分组，只不过range方式需要你自己指定每一组的起始和结束大小。