爲了實現類似等價的sql:
SELECT COUNT(DISTINCT deviceID) FROM t_order_report;
爲什麼我要說類似等價呢? 因爲從精確性、性能等角度還是存在很大的差別!
前置條件,場景爲:
用戶可以通過時間、套餐類型、訂單狀態等等查詢條件,過濾出滿足條件的設備數信息
因此使用deviceID+各種限制條件 作爲Key存儲達到去重效果的方式不可行。
如果你對去重結果的精準度沒有特殊要求,使用cardinality聚合函數
AggregationBuilders.cardinality("deviceCount").field("deviceID").precisionThreshold(自定義一個精度範圍100-40000)
優點:性能快,億級別的記錄在1秒內完成
缺點:存在只能保證最大40000條記錄內的精確,超過的存在5%的誤差,不適合需要精確去重場景
如果你對去重結果要求精確,使用termsagg聚合(類似group by)
AggregationBuilders.terms("deviceCount").field("deviceID").size(Integer.MAX_VALUE);
說明:默認只聚合10個桶,size(Integer.MAX_VALUE)可以指定桶個數
優點:結果精確
缺點:只適合聚合少量桶場景(100以內),否則性能極差(十萬級的桶需要分鐘級完成)
針對海量數據去重(多桶)場景,方法嘗試:
scroll查詢全量數據後手動去重
缺點:性能不達標
pass...
實現方式
按 floor
distinct,並取出 num 最大的一條記錄
{
"size": 0,
"aggregations": {
"field1": {
"terms": {
"field": "floor",
"size": 20
},
"aggs": {
"num_top": {
"top_hits": {
"_source": true,
"size":1,
"sort": {"num":"asc"}
}
}
}
}
}
}
注:不可以分頁
例如,下面的查詢檢索 message
中有 elasticsearch 值的 twitter,按喜好數量對它們進行排序並按用戶 distinct(取排序後每個用戶的第一條數據)。
GET /twitter/_search
{
"query": {
"match": {
"message": "elasticsearch"
}
},
"collapse" : {
"field" : "user"
},
"sort": ["likes"],
"from": 10
}
inner_hits
curl -X GET "localhost:9200/twitter/_search" -H 'Content-Type: application/json' -d'
{
"query": {
"match": {
"message": "elasticsearch"
}
},
"collapse" : {
"field" : "user",
"inner_hits": {
"name": "last_tweets",
"size": 5,
"sort": [{ "date": "asc" }]
},
"max_concurrent_group_searches": 4
},
"sort": ["likes"]
}
'
注:僅僅適用於 keyword 和數字類型
統計總數
按 floor
distinct 後總數,使用到了數值度量聚合
{
"aggs": {
"distinct": { //該參數 key 隨意
"cardinality": {
"field": "floor"
}
}
}
}
// 相應
...
"aggregations" : {
"distinct" : {
"value" : 20
}
}
總結:目前elasticsearch 對海量數據去重,支持的並不友好,暫無好的解決方案