络腮胡菲菲 发表于 5 天前

Elasticsearch-ES查询单字段去重

ES 语句

整体数据
GET wkl_test/_search
{
"query": {
    "match_all": {}
}
}
结果:
{
"took" : 123,
"timed_out" : false,
"_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
},
"hits" : {
    "total" : {
      "value" : 5,
      "relation" : "eq"
    },
    "max_score" : 1.0,
    "hits" : [
      {
      "_index" : "wkl_test",
      "_type" : "_doc",
      "_id" : "aK0tFpABTkLj5j4c34pE",
      "_score" : 1.0,
      "_source" : {
          "name" : "zhangsan",
          "aa" : 1
      }
      },
      {
      "_index" : "wkl_test",
      "_type" : "_doc",
      "_id" : "aa0uFpABTkLj5j4cFYrJ",
      "_score" : 1.0,
      "_source" : {
          "name" : "lisi",
          "aa" : 2
      }
      },
      {
      "_index" : "wkl_test",
      "_type" : "_doc",
      "_id" : "aq0uFpABTkLj5j4cKYqF",
      "_score" : 1.0,
      "_source" : {
          "name" : "wangwu",
          "aa" : 2
      }
      },
      {
      "_index" : "wkl_test",
      "_type" : "_doc",
      "_id" : "a60uFpABTkLj5j4c2IoF",
      "_score" : 1.0,
      "_source" : {
          "name" : "maliu",
          "aa" : 2
      }
      },
      {
      "_index" : "wkl_test",
      "_type" : "_doc",
      "_id" : "bK1IFpABTkLj5j4cqYop",
      "_score" : 1.0,
      "_source" : {
          "name" : "gouqi",
          "aa" : 3
      }
      }
    ]
}
}

1:collapse折叠功能- 查询去重后的数据列表(ES5.3之后支持)



[*]保举原因:性能高,占内存小
[*]注意:使用此方式去重时,不会去撤消不存在去重字段的数据。
[*]去重字段只能是数字long范例或keyword。
[*]Field Collapsing(字段折叠)不能与scroll、rescore以及search after 联合使用。
GET wkl_test/_search
{
"query": {
    "match_all": {}
},
"collapse": {
    "field": "aa"
}
}
结果:hits 中total虽然=5,但是只返回了去重后的 3 条数据
{
"took" : 2,
"timed_out" : false,
"_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
},
"hits" : {
    "total" : {
      "value" : 5,
      "relation" : "eq"
    },
    "max_score" : null,
    "hits" : [
      {
      "_index" : "wkl_test",
      "_type" : "_doc",
      "_id" : "aK0tFpABTkLj5j4c34pE",
      "_score" : 1.0,
      "_source" : {
          "name" : "zhangsan",
          "aa" : 1
      },
      "fields" : {
          "aa" : [
            1
          ]
      }
      },
      {
      "_index" : "wkl_test",
      "_type" : "_doc",
      "_id" : "aa0uFpABTkLj5j4cFYrJ",
      "_score" : 1.0,
      "_source" : {
          "name" : "lisi",
          "aa" : 2
      },
      "fields" : {
          "aa" : [
            2
          ]
      }
      },
      {
      "_index" : "wkl_test",
      "_type" : "_doc",
      "_id" : "bK1IFpABTkLj5j4cqYop",
      "_score" : 1.0,
      "_source" : {
          "name" : "gouqi",
          "aa" : 3
      },
      "fields" : {
          "aa" : [
            3
          ]
      }
      }
    ]
}
}

2:cardinality - 查询去重后的数据总数



[*]聚合+cardinality:即去重计算,类似sql中 count(distinct),先去重再求和
[*]注意:使用此方式统计去重后的数量时,会去撤消不存在去重字段的数据。
GET wkl_test/_search
{
"query": {
    "match_all": {}
},
"size": 0,
"aggs": {
    "distinct_count": {
      "cardinality": {
      "field": "aa"
      }
    }
}
}
结果:distinct_count = 3,说明去重后有3个,既aggregations聚合下,返回了按名字查询去重后的结果数,但是只有去重后的条数,没有具体的数据。
{
"took" : 2,
"timed_out" : false,
"_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
},
"hits" : {
    "total" : {
      "value" : 5,
      "relation" : "eq"
    },
    "max_score" : null,
    "hits" : [ ]
},
"aggregations" : {
    "distinct_count" : {
      "value" : 3
    }
}
}

3:整体语句



[*]使用collapse 折叠查询后,虽然返回了去重后的数据,但是total 照旧全部的数据量
[*]使用 cardinality 聚合 ,虽然在aggs 聚合结果中返回了正确的数据量,但是hits中照旧全部的数据
[*]所以我们必要 两个综合使用,如下:
GET wkl_test/_search
{
"query": {
    "match_all": {}
},
"collapse": {
    "field": "aa"
},
"aggs": {
    "distinct_count": {
      "cardinality": {
      "field": "aa"
      }
    }
}
}
结果:
{
"took" : 3,
"timed_out" : false,
"_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
},
"hits" : {
    "total" : {
      "value" : 5,
      "relation" : "eq"
    },
    "max_score" : null,
    "hits" : [
      {
      "_index" : "wkl_test",
      "_type" : "_doc",
      "_id" : "aK0tFpABTkLj5j4c34pE",
      "_score" : 1.0,
      "_source" : {
          "name" : "zhangsan",
          "aa" : 1
      },
      "fields" : {
          "aa" : [
            1
          ]
      }
      },
      {
      "_index" : "wkl_test",
      "_type" : "_doc",
      "_id" : "aa0uFpABTkLj5j4cFYrJ",
      "_score" : 1.0,
      "_source" : {
          "name" : "lisi",
          "aa" : 2
      },
      "fields" : {
          "aa" : [
            2
          ]
      }
      },
      {
      "_index" : "wkl_test",
      "_type" : "_doc",
      "_id" : "bK1IFpABTkLj5j4cqYop",
      "_score" : 1.0,
      "_source" : {
          "name" : "gouqi",
          "aa" : 3
      },
      "fields" : {
          "aa" : [
            3
          ]
      }
      }
    ]
},
"aggregations" : {
    "distinct_count" : {
      "value" : 3
    }
}
}

注:我们使用cardinality聚合后的distinct_count 作为去重后的总数,用 collapse 折叠后的列表作为数据结果集
分页使用解释说明:


[*] 1.hits中total的总条数现实上是去重前的总条数,原数据条数,这里我们知道就行,分页中我们并不使用它。hits中数组的大小刚好等于courseAgg聚合的值,数组中的数据就是去重后的数据。
[*] 2.aggregations中的courseAgg条数,这个才是去重后的现实条数,也是分页用的总条数。
[*] 3.from 查询的偏移量,也就是从哪里开始查。
[*] 4.size 查询条数,一次查几条。
[*] 接下来,你就可以把它当做一个简单分页查询来用了,传入from和size就ok啦~
JAVA API使用

1:collapse 查询去重的结果集

// 使用collapse来指定去重的字段,例如"your_distinct_field"
            CollapseBuilder collapseBuilder = new CollapseBuilder("your_distinct_field");
            searchSourceBuilder.collapse(collapseBuilder);
2:cardinality - 查询去重后的数据总数

                // 添加一个cardinality聚合来计算去重字段的唯一值数量
         CardinalityAggregationBuilder aggregation = AggregationBuilders
               .cardinality("distinct_count")//这里是聚合结果的字段名
               .field("your_distinct_field")//这里是需要聚合的字段
               .precisionThreshold(40000); // 根据需要调整精度阈值
         searchSourceBuilder.aggregation(aggregation);
3:整体使用

package com.wenge.system.utils;import org.apache.http.HttpHost;import org.elasticsearch.action.search.SearchRequest;import org.elasticsearch.action.search.SearchResponse;import org.elasticsearch.client.RequestOptions;import org.elasticsearch.client.RestClient;import org.elasticsearch.client.RestHighLevelClient;import org.elasticsearch.index.query.QueryBuilders;import org.elasticsearch.search.SearchHit;import org.elasticsearch.search.SearchHits;import org.elasticsearch.search.aggregations.AggregationBuilders;import org.elasticsearch.search.aggregations.metrics.CardinalityAggregationBuilder;import org.elasticsearch.search.aggregations.metrics.ParsedCardinality;import org.elasticsearch.search.builder.SearchSourceBuilder;import org.elasticsearch.search.collapse.CollapseBuilder;import java.io.IOException;import java.util.Map;/** * @author wangkanglu * @version 1.0 * @description * @date 2024-06-17 16:48 */public class TestES {    public static void main(String[] args) throws IOException {      //创建ES客户端      RestHighLevelClient esClient = new RestHighLevelClient(                RestClient.builder(new HttpHost("localhost",9200,"http"))      );      try {            // 创建一个搜索请求并设置索引名            SearchRequest searchRequest = new SearchRequest("your_index");            // 构建搜索源构建器            SearchSourceBuilder searchSourceBuilder = new SearchSourceBuilder();            // 设置查询条件,例如匹配全部文档,这里根据业务本身修改            searchSourceBuilder.query(QueryBuilders.matchAllQuery());            // 使用collapse来指定去重的字段,例如"your_distinct_field"
            CollapseBuilder collapseBuilder = new CollapseBuilder("your_distinct_field");
            searchSourceBuilder.collapse(collapseBuilder);
            // 添加一个cardinality聚合来计算去重字段的唯一值数量            CardinalityAggregationBuilder aggregation = AggregationBuilders                  .cardinality("distinct_count")//这里是聚合结果的字段名                  .field("your_distinct_field")//这里是必要聚合的字段                  .precisionThreshold(40000); // 根据必要调解精度阈值            searchSourceBuilder.aggregation(aggregation);            // 设置搜索源            searchRequest.source(searchSourceBuilder);            // 执行搜索            SearchResponse searchResponse = esClient.search(searchRequest, RequestOptions.DEFAULT);            SearchHit[] hits = searchResponse.getHits().getHits();            for (SearchHit hit : hits) {                Map<String, Object> sourceAsMap = hit.getSourceAsMap();                System.out.println("去重结果: " + sourceAsMap);            }            // 处置惩罚搜索结果,获取去重数量            ParsedCardinality parsedCardinality = searchResponse.getAggregations().get("distinct_count");            long distinctCount = parsedCardinality.getValue();            System.out.println("去重结果数量:" + distinctCount);      } finally {            // 关闭client            esClient.close();      }    }}
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]
查看完整版本: Elasticsearch-ES查询单字段去重