【Elasticsearch】Elasticsearch的查询
DSL查询Elasticsearch的查询可以分为两大类：
[*]叶子查询（Leaf query clauses）：一样平常是在特定的字段里查询特定值，属于简朴查询，很少单独使用。
[*]复合查询（Compound query clauses）：以逻辑方式组合多个叶子查询或者更改叶子查询的举动方式。
基础语句
GET /{索引库名}
/_search
{
"query": {
"查询类型": {
// .. 查询条件
}
}
}
说明：
[*]GET /{索引库名}
/_search：其中的_search是固定路径，不能修改
例如，我们以最简朴的无条件查询为例，无条件查询的类型是：match_all，因此其查询语句如下：
GET /items/_search
{
“query”: {
“match_all”: {
}
}
}
由于match_all无条件，以是条件位置不写即可。
实行结果如下：
https://i-blog.csdnimg.cn/direct/30cfa5f98f804a7ca04894c7ac7cd49b.png
固然是match_all，但是相应结果中并不会包罗索引库中的所有文档，而是仅有10条。这是因为处于安全考虑，elasticsearch设置了默认的查询页数。
叶子查询
叶子查询的类型也可以做进一步细分，详情各人可以查看官方文档：
官方文档
https://i-blog.csdnimg.cn/direct/e840bb5a9ac94b40a64b79a7baba31be.png
这里列举一些常见的，例如：
[*]全文检索查询（Full Text Queries）：使用分词器对用户输入搜索条件先分词，得到词条，然后再使用倒排索引搜索词条。例如：
[*]match：
[*]multi_match
[*]精确查询（Term-level queries）：不对用户输入搜索条件分词，根据字段内容精确值匹配。但只能查找keyword、数值、日期、boolean类型的字段。例如：
[*]ids
[*]term
[*]range
[*]地理坐标查询：用于搜索地理位置，搜索方式很多，例如：
[*]geo_bounding_box：按矩形搜索
[*]geo_distance：按点和半径搜索
[*]…略
全文检索查询
官方文档
match
以全文检索中的match为例，语法如下：
GET /{索引库名}
/_search{"query": { "match": { "字段名": "搜索条件" }
}
}
https://i-blog.csdnimg.cn/direct/210dbd480fee4c2d883b3a24a4d2de77.png
multi_match
与match类似的还有multi_match，区别在于可以同时对多个字段搜索，而且多个字段都要满足，语法示例：
GET /{索引库名}
/_search{"query": { "multi_match": { "query": "搜索条件", "fields": ["字段1", "字段2"] }
}
}
https://i-blog.csdnimg.cn/direct/6176b1b0f6f1402f95a04396cae61927.png
match和multi_match的区别是什么？
[*]match：根据一个字段查询
[*]multi_match：根据多个字段查询，参与查询字段越多，查询性能越差
精确查询
精确查询，英文是Term-level query，顾名思义，词条级别的查询。也就是说不会对用户输入的搜索条件再分词，而是作为一个词条，与搜索的字段内容精确值匹配。因此保举查找keyword、数值、日期、boolean类型的字段。例如：
[*]id
[*]price
[*]城市
[*]地名
[*]人名
等等，作为一个整体才有含义的字段。
详情可以查看官方文档：
官方文档
term
以term查询为例，其语法如下：
GET /{索引库名}
/_search{"query": { "term": { "字段名": { "value": "搜索条件" }
}
}
}
https://i-blog.csdnimg.cn/direct/6d302a1a9c9f4abebb32f974be1f0373.png
当你输入的搜索条件不是词条，而是短语时，由于不做分词，你反而搜索不到：
https://i-blog.csdnimg.cn/direct/96ba235083394a26bed26e05c5c6e3e6.png
range
再来看下range查询，语法如下：
GET /{索引库名}
/_search{"query": { "range": { "字段名": { "gte": {最小值}
, "lte": {最大值}
}
}
}
}
range是范围查询，对于范围筛选的关键字有：
[*]gte：大于等于
[*]gt：大于
[*]lte：小于等于
[*]lt：小于
示例：
https://i-blog.csdnimg.cn/direct/f83d389526544d9db5cf2ac8b1936dde.png
精确查询常见的有哪些？
[*]term查询：根据词条精确匹配，一样平常搜索keyword类型、数值类型、布尔类型、日期类型字段
[*]range查询：根据数值范围查询，可以是数值、日期的范围
复合查询
复合查询大抵可以分为两类：
[*]第一类：基于逻辑运算组合叶子查询，实现组合条件，例如
[*]bool
[*]第二类：基于某种算法修改查询时的文档相关性算分，从而改变文档排名。例如：
[*]function_score
[*]dis_max
其它复合查询及相关语法可以参考官方文档：
官方文档
算分函数查询
当我们使用match查询时，文档结果会根据与搜索词条的关联度打分（_score），返回结果时按照分值降序排列。
例如，我们搜索 “手机”，结果如下：
https://i-blog.csdnimg.cn/direct/b11fc1f97189417f907de52d15e38b43.png
从elasticsearch5.1开始，接纳的相关性打分算法是BM25算法，公式如下：
https://i-blog.csdnimg.cn/direct/16cb16d87e954199affff1d224db4975.png
基于这套公式，就可以判断出某个文档与用户搜索的关键字之间的关联度，照旧比力正确的。但是，在实际业务需求中，常常会有竞价排名的功能。不是相关度越高排名越靠前，而是掏的钱多的排名靠前。
例如在百度中搜索Java学习，排名靠前的就是广告推广：
https://i-blog.csdnimg.cn/direct/ba4e8a36ef014100a577cd5d0f53b6f5.png
要想以为控制相关性算分，就需要使用elasticsearch中的function score 查询了。
基本语法：
function score 查询中包罗四部分内容：
[*]原始查询条件：query部分，基于这个条件搜索文档，并且基于BM25算法给文档打分，原始算分（query score)
[*]过滤条件：filter部分，符合该条件的文档才会重新算分
[*]算分函数：符合filter条件的文档要根据这个函数做运算，得到的函数算分（function score），有四种函数
[*]weight：函数结果是常量
[*]field_value_factor：以文档中的某个字段值作为函数结果
[*]random_score：以随机数作为函数结果
[*]script_score：自定义算分函数算法
[*]运算模式：算分函数的结果、原始查询的相关性算分，两者之间的运算方式，包罗：
[*]multiply：相乘
[*]replace：用function score替换query score
[*]其它，例如：sum、avg、max、min
function score的运行流程如下：
[*]1）根据原始条件查询搜索文档，并且计算相关性算分，称为原始算分（query score）
[*]2）根据过滤条件，过滤文档
[*]3）符合过滤条件的文档，基于算分函数运算，得到函数算分（function score）
[*]4）将原始算分（query score）和函数算分（function score）基于运算模式做运算，得到终极结果，作为相关性算分。
因此，其中的关键点是：
[*]过滤条件：决定哪些文档的算分被修改
[*]算分函数：决定函数算分的算法
[*]运算模式：决定终极算分结果
示例：给IPhone这个品牌的手机算分进步十倍，分析如下：
[*]过滤条件：品牌必须为IPhone
[*]算分函数：常量weight，值为10
[*]算分模式：相乘multiply
对应代码如下：
GET /hotel/_search{"query": { "function_score": { "query": {.... }
, // 原始查询，可以是任意条件 "functions": [ // 算分函数 { "filter": { // 满足的条件，品牌必须是Iphone "term": { "brand": "Iphone" }
}
, "weight": 10 // 算分权重为2 }
], "boost_mode": "multipy" // 加权模式，求乘积 }
}
}
示例：
GET /items/_search{"query": { "function_score": { "query":{ "match": { "name": "手机" }
}
, "functions": [ { "filter": { "term": { "brand": "Apple" }
}
, "weight": 10 }
] }
}
}
https://i-blog.csdnimg.cn/direct/0173b578d8724534a4b8c652bcf24552.png
后续待详细补充 各种类型
bool查询
bool查询，即布尔查询。就是使用逻辑运算来组合一个或多个查询子句的组合。bool查询支持的逻辑运算有：
[*]must：必须匹配每个子查询，类似“与”
[*]should：选择性匹配子查询，类似“或”
[*]must_not：必须不匹配，不参与算分，类似“非”
[*]filter：必须匹配，不参与算分
bool查询的语法如下：
GET /items/_search{"query": { "bool": { "must": [ {"match": {"name": "手机"}
}
], "should": [ {"term": {"brand": { "value": "vivo" }
}
}
, {"term": {"brand": { "value": "小米" }
}
}
], "must_not": [ {"range": {"price": {"gte": 2500}
}
}
], "filter": [ {"range": {"price": {"lte": 1000}
}
}
] }
}
}
出于性能考虑，与搜索关键字无关的查询尽量接纳must_not或filter逻辑运算，制止参与相关性算分。
例如商城的搜索页面：
其中输入框的搜索条件肯定要参与相关性算分，可以接纳match。但是代价范围过滤、品牌过滤、分类过滤等尽量接纳filter，不要参与相关性算分。
好比，我们要搜索手机，但品牌必须是华为，代价必须是900~1599，那么可以这样写：
https://i-blog.csdnimg.cn/direct/d1640211205545fbab9f2b3de8dd2d98.png
GET /items/_search{"query": { "bool": { "must": [ {"match": {"name": "手机"}
}
], "filter": [ {"term": {"brand": { "value": "华为" }
}
}
, {"range": {"price": {"gte": 90.00, "lt": 1599.00}
}
}
] }
}
}
排序
elasticsearch默认是根据相关度算分（_score）来排序，但是也支持自定义方式对搜索结果排序。不外分词字段无法排序，能参与排序字段类型有：keyword类型、数值类型、地理坐标类型、日期类型等。
详细说明可以参考官方文档：
官方文档
语法说明：
GET /indexName/_search{"query": { "match_all": {}
}
,"sort": [ { "排序字段": { "order": "排序方式asc和desc" }
}
]}
示例，我们按照商品代价排序：
GET /items/_search{"query": { "match_all": {}
}
,"sort": [ { "price": { "order": "desc" }
}
]}
分页
elasticsearch 默认情况下只返回top10的数据。而假如要查询更多数据就需要修改分页参数了。
基础分页
elasticsearch中通过修改from、size参数来控制要返回的分页结果：
[*]from：从第几个文档开始
[*]size：统共查询几个文档
类似于mysql中的limit ?, ?
官方文档如下：
官方文档
语法如下：
GET /items/_search{"query": { "match_all": {}
}
,"from": 0, // 分页开始的位置，默以为0"size": 10,// 每页文档数目，默认10"sort": [ { "price": { "order": "desc" }
}
]}
深度分页
elasticsearch的数据一样平常会接纳分片存储，也就是把一个索引中的数据分成N份，存储到不同节点上。这种存储方式比力有利于数据扩展，但给分页带来了一些贫苦。
好比一个索引库中有100000条数据，分别存储到4个分片，每个分片25000条数据。现在每页查询10条，查询第99页。那么分页查询的条件如下：
GET /items/_search{"from": 990, // 从第990条开始查询"size": 10, // 每页查询10条"sort": [ { "price": "asc" }
]}
从语句来分析，要查询第990~1000名的数据。
从实现思绪来分析，肯定是将所有数据排序，找出前1000名，截取其中的990~1000的部分。但问题来了，我们怎样才气找到所有数据中的前1000名呢？
要知道每一片的数据都不一样，第1片上的第9001000，在另1个节点上并不一定依然是9001000名。以是我们只能在每一个分片上都找出排名前1000的数据，然后汇总到一起，重新排序，才气找出整个索引库中真正的前1000名，此时截取990~1000的数据即可。
如图：
https://i-blog.csdnimg.cn/direct/b7748be70f604c3bbaac5773da8c06bc.png
试想一下，假如我们现在要查询的是第999页数据呢，是不是要找第9990~10000的数据，那岂不是需要把每个分片中的前10000名数据都查询出来，汇总在一起，在内存中排序？假如查询的分页深度更深呢，需要一次检索的数据岂不是更多？
由此可知，当查询分页深度较大时，汇总数据过多，对内存和CPU会产生非常大的压力。
因此elasticsearch会克制from+ size 凌驾10000的请求。
针对深度分页，elasticsearch提供了两种办理方案：
[*]search after：分页时需要排序，原理是从上一次的排序值开始，查询下一页数据。官方保举使用的方式。
[*]scroll：原理将排序后的文档id形成快照，保存下来，基于快照做分页。官方已经不保举使用。
详情见文档：
官方文档
总结：
大多数情况下，我们接纳平常分页就可以了。查看百度、京东等网站，会发现其分页都有限定。例如百度最多支持77页，每页不足20条。京东最多100页，每页最多60条。
因此，一样平常我们接纳限定分页深度的方式即可，无需实现深度分页。
高亮
高亮原理
什么是高亮表现呢？
我们在百度，京东搜索时，关键字会变成赤色，比力醒目，这叫高亮表现：
https://i-blog.csdnimg.cn/direct/453356b062724abdb0c85bd096572af6.png
观察页面源码，你会发现两件事情：
[*]高亮词条都被加了标签
[*]标签都添加了赤色样式
css样式肯定是前端实现页面的时候写好的，但是前端编写页面的时候是不知道页面要展示什么数据的，不可能给数据加标签。而服务端实现搜索功能，要是有elasticsearch做分词搜索，是知道哪些词条需要高亮的。
因此词条的高亮标签肯定是由服务端提供数据的时候已经加上的。
因此实现高亮的思绪就是：
[*]用户输入搜索关键字搜索数据
[*]服务端根据搜索关键字到elasticsearch搜索，并给搜索结果中的关键字词条添加html标签
[*]前端提前给约定好的html标签添加CSS样式
实现高亮
事实上elasticsearch已经提供了给搜索关键字加标签的语法，无需我们自己编码。
基本语法如下：
GET /{索引库名}
/_search{"query": { "match": { "搜索字段": "搜索关键字" }
}
,"highlight": { "fields": { "高亮字段名称": { "pre_tags": "<em>", "post_tags": "</em>" }
}
}
}
注意：
[*]搜索必须有查询条件，而且是全文检索类型的查询条件，例如match
[*]参与高亮的字段必须是text类型的字段
[*]默认情况下参与高亮的字段要与搜索字段同等，除非添加：required_field_match=false
示例：
https://i-blog.csdnimg.cn/direct/95972736aca543ebacb793c7847022b3.png
RestClient查询
查询依然使用学习过的 RestHighLevelClient对象，查询的基本步骤如下：
[*]1）创建request对象，这次是搜索，以是是SearchRequest
[*]2）预备请求参数，也就是查询DSL对应的JSON参数
[*]3）发起请求
[*]4）解析相应，相应结果相对复杂，需要逐层解析
基础查询
Elasticsearch的RestAPI
叶子查询
所有的查询条件都是由QueryBuilders来构建的，叶子查询也不例外。因此整套代码中变化的部分仅仅是query条件构造的方式，其它不动。
例如match查询：
@Test
void testSearch() throws IOException {
//1.创建request对象
SearchRequest request = new SearchRequest("items");
//2.配置request 参数
request.source().query(QueryBuilders.matchQuery("name","手机"));
//3.发送请求
SearchResponse response= client.search(request, RequestOptions.DEFAULT);
//4.解析结果
handleResponse(response);
}
再好比multi_match查询：
@Test
void testSearch() throws IOException {
//1.创建request对象
SearchRequest request = new SearchRequest("items");
//2.配置request 参数
request.source().query(QueryBuilders.multiMatchQuery("手机","name", "category"));
//3.发送请求
SearchResponse response= client.search(request, RequestOptions.DEFAULT);
//4.解析结果
handleResponse(response);
}
还有range查询：
@Test
void testRange() throws IOException {
// 1.创建Request
SearchRequest request = new SearchRequest("items");
// 2.组织请求参数
request.source().query(QueryBuilders.rangeQuery("price").gte(10000).lte(30000));
// 3.发送请求
SearchResponse response = client.search(request, RequestOptions.DEFAULT);
// 4.解析响应
handleResponse(response);
}
还有term查询：
@Test
void testTerm() throws IOException {
// 1.创建Request
SearchRequest request = new SearchRequest("items");
// 2.组织请求参数
request.source().query(QueryBuilders.termQuery("brand", "华为"));
// 3.发送请求
SearchResponse response = client.search(request, RequestOptions.DEFAULT);
// 4.解析响应
handleResponse(response);
}
复合查询
复合查询也是由QueryBuilders来构建，以bool查询为例，DSL和JavaAPI的对好比图：
https://i-blog.csdnimg.cn/direct/036b4290858e454ba66528d4a8e73f81.png
完备代码如下：
@Test
void testBool() throws IOException {
// 1.创建Request
SearchRequest request = new SearchRequest("items");
// 2.组织请求参数
// 2.1.准备bool查询
BoolQueryBuilder bool = QueryBuilders.boolQuery();
// 2.2.关键字搜索
bool.must(QueryBuilders.matchQuery("name", "脱脂牛奶"));
// 2.3.品牌过滤
bool.filter(QueryBuilders.termQuery("brand", "德亚"));
// 2.4.价格过滤
bool.filter(QueryBuilders.rangeQuery("price").lte(30000));
request.source().query(bool);
// 3.发送请求
SearchResponse response = client.search(request, RequestOptions.DEFAULT);
// 4.解析响应
handleResponse(response);
}
排序和分页
requeset.source()就是整个请求JSON参数，以是排序、分页都是基于这个来设置，其DSL和JavaAPI的对好比下：
https://i-blog.csdnimg.cn/direct/d87756f665724accb176a67a119b7807.png
完备示例代码：
@Test
void testPageAndSort() throws IOException {
int pageNo = 1, pageSize = 5;
// 1.创建Request
SearchRequest request = new SearchRequest("items");
// 2.组织请求参数
// 2.1.搜索条件参数
request.source().query(QueryBuilders.matchQuery("name", "脱脂牛奶"));
// 2.2.排序参数
request.source().sort("price", SortOrder.ASC);
// 2.3.分页参数
request.source().from((pageNo - 1) * pageSize).size(pageSize);
// 3.发送请求
SearchResponse response = client.search(request, RequestOptions.DEFAULT);
// 4.解析响应
handleResponse(response);
}
高亮
高亮查询与前面的查询有两点不同：
[*]条件同样是在request.source()中指定，只不外高亮条件要基于HighlightBuilder来构造
[*]高表态应结果与搜索的文档结果不在一起，需要单独解析
首先来看高亮条件构造，其DSL和JavaAPI的对好比图：
https://i-blog.csdnimg.cn/direct/2cb3833462764ec6b974bc9169a3f53c.png
@Test
void testHighlight() throws IOException {
// 1.创建Request
SearchRequest request = new SearchRequest("items");
// 2.组织请求参数
// 2.1.query条件
request.source().query(QueryBuilders.matchQuery("name", "脱脂牛奶"));
// 2.2.高亮条件
request.source().highlighter(
SearchSourceBuilder.highlight()
.field("name")
.preTags("<em>")
.postTags("</em>")
);
// 3.发送请求
SearchResponse response = client.search(request, RequestOptions.DEFAULT);
// 4.解析响应
handleResponse(response);
}
再来看结果解析，文档解析的部分稳定，重要是高亮内容需要单独解析出来，其DSL和JavaAPI的对好比图：
https://i-blog.csdnimg.cn/direct/0bf0dfe5368b4126b0f4b45bd9d84fef.png
代码解读：
[*]第3、4步：从结果中获取_source。hit.getSourceAsString()，这部分是非高亮结果，json字符串。还需要反序列为ItemDoc对象
[*]第5步：获取高亮结果。hit.getHighlightFields()，返回值是一个Map，key是高亮字段名称，值是HighlightField对象，代表高亮值
[*]第5.1步：从Map中根据高亮字段名称，获取高亮字段值对象HighlightField
[*]第5.2步：从HighlightField中获取Fragments，并且转为字符串。这部分就是真正的高亮字符串了
[*]最后：用高亮的结果替换ItemDoc中的非高亮结果
private void handleResponse(SearchResponse response) { SearchHits searchHits = response.getHits(); // 1.获取总条数 long total = searchHits.getTotalHits().value; System.out.println("共搜索到" + total + "条数据"); // 2.遍历结果数组 SearchHit[] hits = searchHits.getHits(); for (SearchHit hit : hits) { // 3.得到_source，也就是原始json文档 String source = hit.getSourceAsString(); // 4.反序列化 ItemDoc item = JSONUtil.toBean(source, ItemDoc.class); // 5.获取高亮结果 Map<String, HighlightField> hfs = hit.getHighlightFields(); if (CollUtils.isNotEmpty(hfs)) { // 5.1.有高亮结果，获取name的高亮结果 HighlightField hf = hfs.get("name"); if (hf != null) { // 5.2.获取第一个高亮结果片段，就是商品名称的高亮值 String hfName = hf.getFragments().string(); item.setName(hfName); }
}
System.out.println(item); }
}
数据聚合
聚合（aggregations）可以让我们极其方便的实现对数据的统计、分析、运算。例如：
[*]什么品牌的手机最受接待？
[*]这些手机的平均代价、最高代价、最低代价？
[*]这些手机每月的贩卖情况怎样？
实现这些统计功能的比数据库的sql要方便的多，而且查询速率非常快，可以实现近及时搜索结果。
官方文档：
官方文档
聚合常见的有三类：
[*]桶（Bucket）聚合：用来对文档做分组
[*]TermAggregation：按照文档字段值分组，例如按照品牌值分组、按照国家分组
[*]Date Histogram：按照日期蹊径分组，例如一周为一组，或者一月为一组
[*]度量（Metric）聚合：用以计算一些值，好比：最大值、最小值、平均值等
[*]Avg：求平均值
[*]Max：求最大值
[*]Min：求最小值
[*]Stats：同时求max、min、avg、sum等
[*]管道（pipeline）聚合：其它聚合的结果为基础做进一步运算
注意：到场聚合的字段必须是keyword、日期、数值、布尔类型
DSL实现聚合
Bucket聚合
例如我们要统计所有商品中共有哪些商品分类，实在就是以分类（category）字段对数据分组。category值一样的放在同一组，属于Bucket聚合中的Term聚合。
基本语法如下
GET /items/_search{"size": 0, "aggs": { "category_agg": { "terms": { "field": "category", "size": 20 }
}
}
}
语法说明：
[*]size：设置size为0，就是每页查0条，则结果中就不包罗文档，只包罗聚合
[*]aggs：定义聚合
[*]category_agg：聚合名称，自定义，但不能重复
[*]terms：聚合的类型，按分类聚合，以是用term
[*]field：参与聚合的字段名称
[*]size：盼望返回的聚合结果的最大数目
注：size是查数据时需要返回的每页的大小，每页大小默认是10，返回十条数据，这里给0的目的是制止返回聚合结果也返回搜索的文档数据结果返回出来，假如不想看搜索的文档数据，仅仅只想做聚合的情况下就增加了网络传输的负担，以是这里是0.
https://i-blog.csdnimg.cn/direct/353bb82d71e34126bec1e7ce524f4d39.png
带条件聚合
默认情况下，Bucket聚合是对索引库的所有文档做聚合，例如我们统计商品中所有的品牌，结果如下：
https://i-blog.csdnimg.cn/direct/8232aaa34fb945088dc16468af584c30.png
可以看到统计出的品牌非常多。
但真实场景下，用户会输入搜索条件，因此聚合必须是对搜索结果聚合。那么聚合必须添加限定条件。
例如，我想知道代价高于3000元的手机品牌有哪些，该怎么统计呢？
我们需要从需求中分析出搜索查询的条件和聚合的目的：
[*]搜索查询条件：
[*]代价高于3000
[*]必须是手机
[*]聚合目的：统计的是品牌，肯定是对brand字段做term聚合
语法如下：
GET /items/_search{"query": { "bool": { "filter": [ { "term": { "category": "手机" }
}
, { "range": { "price": { "gte": 300000 }
}
}
] }
}
, "size": 0, "aggs": { "brand_agg": { "terms": { "field": "brand", "size": 20 }
}
}
}
结果:
{"took" : 24,"timed_out" : false,"_shards" : { "total" : 1, "successful" : 1, "skipped" : 0, "failed" : 0}
,"hits" : { "total" : { "value" : 11, "relation" : "eq" }
, "max_score" : null, "hits" : [ ]}
,"aggregations" : { "brand_agg" : { "doc_count_error_upper_bound" : 0, "sum_other_doc_count" : 0, "buckets" : [ { "key" : "Apple", "doc_count" : 7 }
, { "key" : "华为", "doc_count" : 2 }
, { "key" : "三星", "doc_count" : 1 }
, { "key" : "小米", "doc_count" : 1 }
] }
}
}
可以看到，结果中只剩下3个品牌了。
Metric聚合
现在我们需要对桶内的商品做运算，获取每个品牌代价的最小值、最大值、平均值。
这就要用到Metric聚合了，例如stat聚合，就可以同时获取min、max、avg等结果。
语法如下：
GET /items/_search{"query": { "bool": { "filter": [ { "term": { "category": "手机" }
}
, { "range": { "price": { "gte": 300000 }
}
}
] }
}
, "size": 0, "aggs": { "brand_agg": { "terms": { "field": "brand", "size": 20 }
, "aggs": { "stats_meric": { "stats": { "field": "price" }
}
}
}
}
}
query部分就不说了，我们重点解读聚合部分语法。
可以看到我们在brand_agg聚合的内部，我们新加了一个aggs参数。这个聚合就是brand_agg的子聚合，会对brand_agg形成的每个桶中的文档分别统计。
[*]stats_meric：聚合名称
[*]stats：聚合类型，stats是metric聚合的一种
[*]field：聚合字段，这里选择price，统计代价
由于stats是对brand_agg形成的每个品牌桶内文档分别做统计，因此每个品牌都会统计出自己的代价最小、最大、平均值。
{"took" : 15,"timed_out" : false,"_shards" : { "total" : 1, "successful" : 1, "skipped" : 0, "failed" : 0}
,"hits" : { "total" : { "value" : 11, "relation" : "eq" }
, "max_score" : null, "hits" : [ ]}
,"aggregations" : { "brand_agg" : { "doc_count_error_upper_bound" : 0, "sum_other_doc_count" : 0, "buckets" : [ { "key" : "Apple", "doc_count" : 7, "stats_meric" : { "count" : 7, "min" : 628900.0, "max" : 688000.0, "avg" : 653871.4285714285, "sum" : 4577100.0 }
}
, { "key" : "华为", --品牌代价统计 "doc_count" : 2, "stats_meric" : { "count" : 2, "min" : 429400.0, "max" : 544000.0, "avg" : 486700.0, "sum" : 973400.0 }
}
, { "key" : "三星", "doc_count" : 1, "stats_meric" : { "count" : 1, "min" : 474200.0, "max" : 474200.0, "avg" : 474200.0, "sum" : 474200.0 }
}
, { "key" : "小米", "doc_count" : 1, "stats_meric" : { "count" : 1, "min" : 889400.0, "max" : 889400.0, "avg" : 889400.0, "sum" : 889400.0 }
}
] }
}
}
另外，我们还可以让聚合按照每个品牌的代价平均值排序：
https://i-blog.csdnimg.cn/direct/597b56269ff0461aa9637d9f07225f41.png
总结
aggs代表聚合，与query同级，此时query的作用是？
[*]限定聚合的的文档范围
聚合必须的三要素：
[*]聚合名称
[*]聚合类型
[*]聚合字段
聚合可设置属性有：
[*]size：指定聚合结果数目
[*]order：指定聚合结果排序方式
[*]field：指定聚合字段
RestClient实现聚合
可以看到在DSL中，aggs聚合条件与query条件是同一级别，都属于查询JSON参数。因此依然是使用request.source()方法来设置。
不外聚合条件的要使用AggregationBuilders这个工具类来构造。DSL与JavaAPI的语法对好比下：
https://i-blog.csdnimg.cn/direct/6444198a4fa14352ac94a40c712ee163.png
聚合结果与搜索文档同一级别，因此需要单独获取和解析。具体解析语法如下：
https://i-blog.csdnimg.cn/direct/53cb6b0005114737b5d05541900ef390.png
完备代码如下：
@Testvoid testAgg() throws IOException { // 1.创建Request SearchRequest request = new SearchRequest("items"); // 2.预备请求参数 BoolQueryBuilder bool = QueryBuilders.boolQuery() .filter(QueryBuilders.termQuery("category", "手机")) .filter(QueryBuilders.rangeQuery("price").gte(300000)); request.source().query(bool).size(0); // 3.聚合参数 request.source().aggregation( AggregationBuilders.terms("brand_agg").field("brand").size(5) ); // 4.发送请求 SearchResponse response = client.search(request, RequestOptions.DEFAULT); // 5.解析聚合结果 Aggregations aggregations = response.getAggregations(); // 5.1.获取品牌聚合 Terms brandTerms = aggregations.get("brand_agg"); // 5.2.获取聚合中的桶 List<? extends Terms.Bucket> buckets = brandTerms.getBuckets(); // 5.3.遍历桶内数据 for (Terms.Bucket bucket : buckets) { // 5.4.获取桶内key String brand = bucket.getKeyAsString(); System.out.print("brand = " + brand); long count = bucket.getDocCount(); System.out.println("; count = " + count); }
}
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]