ES Terms 聚合数据不确定性

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

Elasticsearch是一个分布式的搜索引擎，每个索引都可以有多个分片，用来将一份大索引的数据切分成多个小的物理索引，解决单个索引数据量过大导致的性能问题，另外每个shard还可以配置多个副本，来保证高可靠以及更好的抗并发的能力。

将一个索引切分成多个shard，大多数时候是没有问题的，但是在es里面如果索引被切分成多个shard，在使用group进行聚合时，可能会出现问题，参见官网文档

先了解ES 聚合的核心概念：桶（bucket）和指标（metric）

桶（bucket）: 满足特定条件的文档的集合
指标（metric）: 对桶内的文档进行聚合分析的操作

聚合是由桶和指标组成的。聚合可能只有一个桶，可能只有一个指标，或者可能两个都有。转换成成对应的sql语句如下：

select count(*) from Table_A group by FieldA

其中：bucket 相当于 group by FieldA --> FieldA 字段内相同的数据，就会被划分到一个bucket中

metric 相当于 count(*) --> 对每个FieldA bucket中所有的数据计算一个数量

如下图：

针对官网的例子，描述group count如果有多个shard可能会出现的问题

有一份商品的索引数据，它有3个shard，每个shard的数据如下所示(括号内表示商品document count), 要获取name字段中出现频率最高的前5个
客户端向ES发送聚合请求，主节点接收到请求后，会向每个独立的分片发送该请求。分片独立的计算自己分片上的前5个name如下图，然后返回：
当所有的分片结果都返回后，在主节点进行结果的合并，再求出频率最高的前5个，返回给客户端, 结果如下图：
最后发现这个top5的结果，并不是100%精确的，只是一个近似精确的结果值：

Product A在所有top5的shard数据里面都存在，所以它的结果是精确的
Product C仅仅返回了 shard A 和 C里面的top5的数据，所以这里显示50是不精确的， Product C在shard B里面也存在，但是它在 top5里面没有出现，所以group后的结果实际上是有误差的
Product Z仅仅返回了2个shards的数据因为第三个里面不存在，所以它的结果是准确的
Product H实际上它的总数是44，横跨三个shard 但是它在每个shard的top5里面并没有出现，所以最终的top5里面也没有这条数据

这样看来最终的top5的值并不是100% 准确的

虽然我们可以调大返回size的个数来提高精确度，但是size个数的提升，也意味着有更多的数据会被返回，从而会导致检索性能的下降，这一点是需要找到平衡点的, 为解决这种不精确的统计，可以尝试的方案：

聚合操作在单个shard时是精确的，也就是说我们索引的数据全部插入到一个shard的时候它的聚合统计结果是准确的。
在索引数据的时候，使用route路由字段，将所有聚合的数据分布到同一个shard即可，这样再聚合时也是精确的。参见：ES Route

第一种适合数据量不大的场景下，我们直接把数据放在一份索引里面，第二种办法适合数据量比较大的场景下，我们通过业务字段将相同属性的数据路由在同一个shard里面即可，具体使用哪个需要和具体的业务场景相结合。

3. size与shard_size

size参数规定了最后返回的term个数(默认是10个)
shard_size参数规定了每个分片上返回的个数
如果shard_size小于size，那么分片也会按照size指定的个数计算
通过这两个参数，如果我们想要返回前5个，size=5;shard_size可以设置大于5，这样每个分片返回的词条信息就会增多，相应的误差几率也会减小。

上面提到那个例子，如果聚合的key本来就很少，那么它的聚合结果也是准确的，比如按性别，月份聚合，因为这些返回的key，都是有限的，所以结果没问题，但是一旦对分组的个数没法确定，这种情况下出现问题的几率就比较大，跨表或者跨分片聚合其实在任何db系统里面都会存在这种问题，所以我们应该尽量在设计业务时就考虑到这种特殊情况，然后最终做特殊处理。