Elasticsearch系列---常见搜索方式与聚合分析

Posted 2021-03-03

概要

本篇主要介绍常见的6种搜索方式、聚合分析语法，基本是上机实战，可以和关系型数据库作对比，如果之前了解关系型数据库，那本篇只需要了解搜索和聚合的语法规则就可以了。

搜索响应报文

以上篇建立的music索引为例，我们先看看搜索结果的属性都有哪些

{
  "took": 1,
  "timed_out": false,
  "_shards": {
    "total": 5,
    "successful": 5,
    "skipped": 0,
    "failed": 0
  },
  "hits": {
    "total": 1,
    "max_score": 1,
    "hits": [
      {
        "_index": "music",
        "_type": "children",
        "_id": "1",
        "_score": 1,
        "_source": {
          "name": "gymbo",
          "content": "I hava a friend who loves smile, gymbo is his name",
          "length": "75"
        }
      }
    ]
  }
}

主要的参数说明如下：

• took：耗费时间，单位是毫秒。
• timed_out：是否超时，true有超时，false没超时。
• _shards：数据拆成了5个分片，所以对于搜索请求，会到所有的primary shard查询，或是它的某个replica shard。
• hits.total：符合查询条件的数量，1个document。
• hits.max_score：score是符合条件的document评分的最大值。
• hits.hits.score: 这个层级的score表示当前document对search条件的相关度的匹配分数，越相关，就越匹配，分数也高。
• hits.hits：包含了匹配搜索条件的document的详细数据。

搜索方式

query string search

搜索所有数据

GET /music/children/_search

带条件搜索

GET /music/children/_search?q=name:gymbo&sort=length:asc

此搜索语法的特点是所有的条件、排序全部用http请求的query string来附带的。这种语法一般是演示或curl命令行简单查询时使用，不适用构建复杂的查询条件，生产已经很少用了。

Query DSL

DSL：Domain Specified Language特定领域语言

http request body：请求体格式，body用json构建语法，可以构建各种复杂的语法。

查询所有数据

GET /music/children/_search
{
  "query":{
    "match_all": {}
  }
}

带条件+排序：

GET /music/children/_search
{
  "query":{
    "match": {
      "name": "gymbo"
    }
  },
  "sort":[{"length":"desc"}]
}

分页查询，size从0开始，下面的命令取第10条到第19条数据

GET /music/children/_search
{
  "query": {
    "match_all":{}
  },
  "from": 10,
  "size": 10
}

指定要查询出来的属性

GET /music/children/_search
{
  "query": {
    "match_all" : {}
  },
  "_source": ["name","content"]
}

query filter

带多个条件过滤：歌曲名称是gymbo，并且时长在65到80秒之间的

GET /music/children/_search
{
  "query":{
    "bool":{
      "must": [
        {"match": {
          "name": "gymbo"
        }}
      ],
      "filter": {"range": {
        "length": {
          "gte": 65,
          "lte": 80
        }
      }}
    }
  }
}

全文检索

GET /music/children/_search
{
  "query":{
    "match": {
      "content":"friend smile"
    }
  }
}

搜索的结果是按相关度分数来排序的，搜索条件中的content field，在新增document时已经建立倒排索引，然后按匹配度最高的来排序，全文索引的原理。

短语检索

GET /music/children/_search
{
  "query":{
    "match_phrase": {
      "content":"friend smile"
    }
  }
}

全文检索match会拆词，大小写不敏感，然后去倒排索引里去匹配，phrase search不分词，大小写敏感，要求搜索串完全一样才匹配。

高亮检索

GET /music/children/_search
{
  "query":{
    "match_phrase":{
      "content":"friend smile"
    }
  },
  "highlight": {
    "fields": {
      "content":{}
    }
  }
}

匹配的关键词会高亮显示，高亮的内容用<em>标签达到标记效果。

聚合分析

聚合分析类似于关系型数据的分组统计，并且用的语法名称很多都与mysql类似，在这里，能看到很多熟悉的方法。

单field分组统计

需求：统计每种语言下的歌曲数量。

size为0表示不显示符合条件的document记录，只显示统计信息，不写的话默认值是10

GET /music/children/_search
{
  "size": 0,
  "aggs": {
    "group_by_lang": {
      "terms": {
        "field": "language"
      }
    }
  }
}

响应结果：

{
  "took": 3,
  "timed_out": false,
  "_shards": {
    "total": 5,
    "successful": 5,
    "skipped": 0,
    "failed": 0
  },
  "hits": {
    "total": 1,
    "max_score": 0,
    "hits": []
  },
  "aggregations": {
    "group_by_lang": {
      "doc_count_error_upper_bound": 0,
      "sum_other_doc_count": 0,
      "buckets": [
        {
          "key": "english",
          "doc_count": 1
        }
      ]
    }
  }
}

如果聚合查询时出现如下错误提示：

"root_cause": [
      {
        "type": "illegal_argument_exception",
        "reason": "Fielddata is disabled on text fields by default. Set fielddata=true on [language] in order to load fielddata in memory by uninverting the inverted index. Note that this can however use significant memory. Alternatively use a keyword field instead."
      }
    ]

需要将用于分组的字段的fielddata属性设置为true

PUT /music/_mapping/children
{
  "properties": {
    "language": {
      "type": "text",
      "fielddata": true
    }
  }
}

带查询条件的分组统计

需求：对歌词中出现"friend"的歌曲，计算每个语种下的歌曲数量

GET /music/children/_search
{
  "size": 0,
  "query": {
    "match": {
      "content": "friend"
    }
  },
  "aggs": {
    "all_languages": {
      "terms": {
        "field": "language"
      }
    }
  }
}

求平均值

需求：计算每个语种下的歌曲，平均时长是多少

GET /music/children/_search
{
    "size": 0,
    "aggs": {
        "group_by_languages": {
            "terms": {
                "field": "language"
            },
            "aggs": {
                "avg_length": {
                    "avg": {
                        "field": "length"
                    }
                }
            }
        }
    }
}

分组后排序

需求：计算每个语种下的歌曲，平均时长是多少，并按平均时长降序排序

GET /music/children/_search
{
    "size": 0,
    "aggs": {
        "group_by_languages": {
            "terms": {
                "field": "language",
                "order": {
                  "avg_length": "desc"
                }
            },
            "aggs": {
                "avg_length": {
                    "avg": {
                        "field": "length"
                    }
                }
            }
        }
    }
}

嵌套查询，区间分组+分组统计+平均值

需求：按照指定的时长范围区间进行分组，然后在每组内再按照语种进行分组，最后再计算时长的平均值

GET /music/children/_search
{
  "size": 0,
  "aggs": {
    "group_by_price": {
      "range": {
        "field": "length",
        "ranges": [
          {
            "from": 0,
            "to": 60
          },
          {
            "from": 60,
            "to": 120
          },
          {
            "from": 120,
            "to": 180
          }
        ]
      },
      "aggs": {
        "group_by_languages": {
          "terms": {
            "field": "language"
          },
          "aggs": {
            "average_length": {
              "avg": {
                "field": "length"
              }
            }
          }
        }
      }
    }
  }
}

批量查询

上面的示例请求，都是单个单个发的，Elasticsearch还有一种语法，可以合并多个请求进行批量查询，这样可以减少每个请求单独的网络开销，最基础的语法示例如下:

GET /_mget
{
  "docs": [
    {
      "_index" : "music",
       "_type" : "children",
       "_id" :    1
    },
    {
      "_index" : "music",
       "_type" : "children",
       "_id" :    2
    }
  ]
}

mget下面的docs参数是一个数组，数组里面每个元素都可以定义一个文档的_index、_type和_id元数据，_index可相同也可不相同，也可以定义_source元数据指定想要的field。

响应的示例：

{
  "docs": [
    {
      "_index": "music",
      "_type": "children",
      "_id": "1",
      "_version": 4,
      "found": true,
      "_source": {
        "name": "gymbo",
        "content": "I hava a friend who loves smile, gymbo is his name",
        "language": "english",
        "length": "75",
        "likes": 0
      }
    },
    {
      "_index": "music",
      "_type": "children",
      "_id": "2",
      "_version": 13,
      "found": true,
      "_source": {
        "name": "wake me, shark me",
        "content": "don‘t let me sleep too late, gonna get up brightly early in the morning",
        "language": "english",
        "length": "55",
        "likes": 9
      }
    }
  ]
}

响应同样是一个docs数组，数组长度与请求时保持一致，如果有文档不存在、未搜索到或者别的原因导致报错，不影响整体的结果，mget的http响应码仍然是200，每个文档的搜索都是独立的。

如果批量查询的文档是在同一个index下面，可以将_index元数据(_type元数据我也顺便移走)移到请求行中：

GET /music/children/_mget
{
  "docs": [
    {
       "_id" :    1
    },
    {
       "_id" :    2
    }
  ]
}

或者是直接使用更简单的ids数组：

GET /music/children/_mget
{
  "ids":[1,2]
}

查询结果是一样的。

mget的重要性

mget是非常重要的，在进行查询的时候，如果一次性要查询多条数据，那么一定要用batch批量操作的api，尽可能减少网络开销次数，可能可以将性能提升数倍，甚至数十倍。

小结

本篇介绍了最常用的搜索、批量查询和聚合场景的写法，包含分组统计，平均值，排序，区间分组。这是最基本的套路，基本包含了我们常见的需求，熟悉mysql的话，掌握起来非常快，熟悉一下Restful的语法，基本就OK了。

专注Java高并发、分布式架构，更多技术干货分享与心得，请关注公众号：Java架构社区
可以扫左边二维码添加好友，邀请你加入Java架构社区微信群共同探讨技术