Elasticsearch入门系列（一）什么是ES、ES的安装和使用场景、文档 & 索引 & 节点 & 副本基本概念
ES官方文档
https://www.elastic.co/guide/en/elasticsearch/reference/7.4/index.html
先通过如何用数据库做模糊搜索引出ES的优势。
用数据库如何做搜索
一般会使用%关键词%进行模糊搜索。
select * from products where name like “%牙膏%”;
缺点：
1、无法使用索引，会全表扫描；
2、每一行扫描时，需要进行字符串查找，复杂度介于O(n+m)到O(mn)之间。如果母字符串很长，则每一行比对的成本也很大。
3、无法满足用户需求和容错场景。例如，数据表记录的是”生化危机大电影“，用户搜索”生化机“肯定无法搜索成功，而实际上用户希望能搜成功。
总结起来，数据库做搜索性能差且无法满足多数搜索场景和容错性。
全文检索、倒排索引和Lucene
倒排索引是指将数据表某一列或某几列的文本进行分词，建立分词与拥有该分词的行的主键之间的映射关系（一个分词可对应多个行id）。这样的映射关系表就是倒排索引。
全文检索指的是检索一个关键词的过程：
1、对表数据建立倒排索引；
2、对关键词分词；
3、根据关键词的分词（可能有多个）到倒排索引检索得到数据行id；
4、根据id回数据表搜索完整行数据。
优点：
1、倒排索引中的每次检索不是字符串查找，而是精准匹配。
2、由于是精准匹配，可以按一定结构组织倒排索引，检索关键词的分词时不再是全表扫描。
3、由于对要搜索的关键词进行分词后再对每个分词检索，容错性提高。
Lucene是一个封装了建立各种结构倒排索引和全文检索算法的jar包。
什么是Elastisearch
Elastisearch是基于Lucene开发的分布式、高性能、高可用、可伸缩的搜索和分析系统。
如果我们直接基于Lucene在项目中构建一个具有搜索功能的模块，假设建立的倒排索引大小超过单机磁盘容量，就需要在另一个机器上放新的倒排索引数据，变为一个分布式系统，开发者不得不关心更多分布式带来的问题，如一台机器宕机导致该机器的数据不可用，如客户端请求需要广播所有机器，如新索引应该放到哪一台机器上。
但使用ES，我们可以无需考虑这些问题，把全文检索的任务交给ES，开发者只关注业务即可。
ES的优点：
1、自带分布式节点集群，自动维护数据在多个节点的分布和搜索请求路由到多个节点的执行。
2、自动维护数据的冗余副本，实现高可用，一台机器挂掉，数据的完整副本依旧存在。
3、ES封装了更多高级搜索功能，开发者无需重复造轮子。
ES的功能
1、分布式的搜索和数据分析服务
数据分析例如查最近7天毛巾这个产品的销量排名前10的商家有哪些，每个商品分类下有多少商品等。
2、对海量数据进行近实时的处理
分布式以后，可以采用大量服务器进行检索和数据处理，自然就能做到高效的海量数据处理。
所谓的近实时是指数据搜索和分析是秒级别的，此外数据从写入到下次能读取有一个小延迟（大概需要相隔约1s）。
ES的使用场景：搜索和数据分析的场景。
1、电商商品检索、百度全文检索、站内搜索等。
2、日志数据分析：logstash采集日志，ES进行复杂的数据分析（ELK技术）。
3、GitHub，上亿行代码搜索。
ES本身不是什么新技术，而是将全文检索、数据分析和分布式技术合并在一起形成独一无二的服务。
数据库的优势在于提供事务操作，而ES的优势在于分布式服务、全文检索、数据分析和数据实时处理。
ES核心概念
1、Document：文档是ES中的最小数据单元。它可以是一条客户数据，一条商品数据，一条订单数据，通常用JSON表示，每个index的type中可以存储多个document。一个document中包含多个field（字段）。
如下所示是一个文档：
{ "product_id": 1, "product_name": "xxxx", "product_desc": "xxxx", "category_id": 10, "category_name": "xxxx"}
2、Index：索引，包含一堆具有相似结构的文档数据，比如一个商品索引用来存放所有商品文档。
3、Type：类型，每个Index可以包含一个或多个type，type是Index的一个逻辑分类，一个type下的document具有相同的field，不同type的field不同。
例如一个博客系统拥有一个索引，这个索引可以分为用户数据的type，文章数据的type以及评论数据的type。
又例如，一个电商系统的客户模块是一个索引，订单是一个索引，商品是一个索引，库存也是一个索引。而订单索引根据不同的商品又可以分为不同的type，每个type的document的field如下所示：
普通商品的type：包含product_id、product_name、product_desc、category_id、category_name这5个字段。
电子商品的type：包含product_id、product_name、product_desc、category_id、category_name、service_period（保修期）这6个字段。
食用商品的type：… … 略；
4、节点和集群：ES默认初始只有一个名为elasticsearch的集群，该集群里只有一个节点，如果新增节点也会默认加入到名为elasticsearch的集群。
5、Shard：分片，单机无法存储所有数据，ES可以将一个索引的数据分为多份数据，每份数据就是一个shard，这些shard分布到多台服务器存储。shard的好处有2点：便于数据横向扩展；分布到多台服务器，相当于多台服务器并发响应请求（多台机器的cpu一起在运算，多台机器的磁盘并发读写），提高吞吐。
一个ES节点可以包含一个或多个shard分片。
6、Replica：副本，副本是一种副本分片，其本质也是分片。shard其实叫做primary
shard，简称为shard，replica其实叫做replica
shard，简称为replica。一般而言，每一个shard都需要冗余一份replica。副本的好处有2点：部分节点宕机时高可用；replica所在的节点也可以提供读服务，提高吞吐。
我们来看一个简单的示例：
ES默认一个Index初始会分为5个primary shard，每个primary shard都要冗余1份replica
shard。因此，创建一个Index就会创建10个shard，而且primary shard 和 replica
shard不应该都放在1台机器，最小的高可用配置需要2台服务器，每台服务器都包含一部分primary shard 和一部分replica shard。
一个node是指一个ES进程。
Index相当于数据库的库，type相当于数据库的表，document相当于数据库的行。
还需要说明的是，ES是面向文档的，或者说面向对象的，而关系型数据库则是面向行的，不同对象必须存在数据库的不同表，而ES的一个文档则可以保存多个有关系的对象。
ES服务端的安装和启动
_ 请参考如下链接 _
docker安装ES官方文档：
https://hub.docker.com/_/elasticsearch
使用docker安装和启动ES：
https://www.jianshu.com/p/8abecc27848e
docker ES外网访问：
https://blog.csdn.net/pyon_/article/details/122485435
docker ES设置密码：
https://www.codenong.com/cs106096987/
es客户端 elasticsearch-head安装和启动：
https://blog.csdn.net/weixin_42871989/article/details/123899321
我自己的做法：
# 启动docker ES，这里没有绑定容器卷，之后再绑定docker run -d -p 9200:9200 --name='es' -e discovery.type=single-node
# ES单节点模式-e ES_JAVA_OPTS="-Xms128m -Xmx128m"
# 限制分配内存128，不设置这个的话，默认会向系统申请4G内存，如果机器没那么大内存则会启动失败elasticsearch:7.4.2
# 拷贝ES的配置文件目录到本地docker cp es:/usr/share/elasticsearch/config /tmp/es
# 移除ES容器docker rm -f es
# 重新启动ES容器，并绑定容器卷docker run -d -p 9200:9200 --name='es' -e discovery.type=single-node -e ES_JAVA_OPTS="-Xms128m -Xmx128m" -v /tmp/es/config:/usr/share/elasticsearch/config -v /tmp/es/data:/usr/share/elasticsearch/data --privileged=true elasticsearch:7.4.2
# 更改ES配置文件docker exec -it es /bin/bashvi config/elasticsearch.yml
# ES配置文件内容如下cluster.name: docker-clusternetwork.host: 0.0.0.0xpack.security.enabled: true
# 这只xpack才能生成和使用密码xpack.security.transport.ssl.enabled: truehttp.cors.enabled: true
# 这3条允许跨域，这样elasticsearch head才能访问ES服务http.cors.allow-origin: "*"http.cors.allow-headers: Authorization,X-Requested-With,Content-Length,Content-Type
# 重启ES容器docker restart es
# 设置密码（自动生成密码）并记录到文本文件中，该命令会生成多个ES服务的用户和每个用户对应的密码docker exec -it es /bin/bash./bin/elasticsearch-setup-passwords auto
注意点：
1、之所以要先以不绑定容器卷的形式启动一次，在手动将容器内config拷贝到本地，然后再重新run一个新ES容器绑定容器卷，是因为不这样做就会报如下错误。
NoSuchFileException: /usr/share/elasticsearch/config/jvm.options
原因很简单，我们本地的config目录是空的，而以bind方式挂载容器卷，会使得宿主机目录覆盖容器目录，因此容器内config目录被清空，因此无法启动ES服务。
2、自动生成密码后，密码配置已经被写入到data目录中，因此密码会永久有效
3、如需修改密码可以做如下操作：
# 创建一个临时超级用户./bin/elasticsearch-users useradd zbp -r superuser
# 用这个用户去修改elastic用户的密码curl -XPUT -u zbp:zbp的密码 http://localhost:9200/_xpack/security/user/elastic/_password -H "Content-Type: application/json" -d '{"password": "自定义密码"}'
ES客户端 elasticsearch-head 安装和启动
可参考：
https://blog.csdn.net/weixin_42871989/article/details/123899321
需要注意的是，使用 elasticsearch-head 连接一个有密码的ES服务时，需要访问这个链接去连：
http://ES服务的IP地址:9200/?auth_user=ES用户名&auth_password=密码
ES简单命令
ES提供了一套cat api能查看ES中的元数据。
查看集群健康状况（v参数表示显示表头）
GET /_cat/health?v
epoch timestamp cluster status node.total node.data shards pri relo init unassign pending_tasks max_task_wait_time active_shards_percent1653135582 12:19:42 docker-cluster green 1 1 1 1 0 0 0 0 - 100.0%
分别展示了节点个数，primary
shard总数（pri），未分配的shard数量（unassign），活跃状态的分片和总分片占比（active_shards_percent）。
查看集群中有哪些索引
GET /_cat/indices?v
health status index uuid pri rep docs.count docs.deleted store.size pri.store.size green open .security-7 C-62KLzFR0qKqljcVJHkbw 1 0 6 0 19.8kb 19.8kb
分别展示了索引名，该索引的状态（health），索引的主分片个数（pri），索引的副本分片个数（rep），文档个数（docs.count），索引占的大小。
关于集群的健康状态：
green：每个索引的primary shard 和replica shard都是active状态的。
yellow：每个索引的primary shard 都是active状态的，但部分replica shard是不可用状态的。
red：不是所有索引的primary shard都是active状态的，即当前主数据有部分不可访问。
一般我们在开发环境启动一个ES服务会发现其处于黄色状态，原因是我们创建一个index时，ES会为其创建5个primary shard 和 5个
replica shard，而且primary shard 和 replica shard不能同时放在一个node中。
因此实际上，我们开发环境可能只启动了一个ES node，因此5个primary shard都在这1个node中处于活跃状态，而其他5个replica
shard无法分配到其他node而处于不可用状态。
如果启动ES集群时指明以单节点模式启动，那么ES就不会创建和分配replica shard，集群状态也会是绿色的。
查看索引的文档个数
GET /_cat/count/index_name?v
简单索引操作
# 创建索引PUT /zbp_index?pretty
# 删除索引(慎用，相当于删除数据库)DELETE /zbp_index?pretty
文档CURD操作之新增一个文档
# PUT /索引名/type名/文档id
PUT /zbp_index/product/1{
插入的文档数据 “name”:“gaolujie yagao”, “desc”:“youxiao fangzhu”, “price”:25, “producer”:“zhonghua producer”, “tags”:[“fangzhu”]}
返回结果{ “_index”: “zbp_index”,
插入文档所在的index “_type”: “product”,
插入文档所在的type “_id”: “1”,
文档id “_version”: 1,
版本号，与乐观锁的并发控制有关 “result”: “created”, “_shards”: {
该文档涉及的分片信息 “total”: 2,
一个文档只能分别保存在一个primary shard和一个replica shard中，因此涉及的分配数量为2 “successful”: 1,
成功写入到1个分片中，因为此时只有1个node，replica shard根本没分配 “failed”: 0 }, “_seq_no”: 0, “_primary_term”: 1}
插入文档时，ES会自动创建index和type，无需提前创建，而且ES默认会对document中每个field都建立倒排索引，使其可以被搜索。
文档CURD操作之查询一个文档
# GET /索引名/type名/文档id
GET /zbp_index/product/1
# 返回结果{ "_index": "zbp_index", "_type": "product", "_id": "1", "_version": 2, "_seq_no": 1, "_primary_term": 1, "found": true, "_source": {
# _source是查询出来的原文档内容 "name": "gaolujie yagao", "desc": "youxiao fangzhu", "price": 25, "producer": "zhonghua producer", "tags": [ "fangzhu" ] }}
文档CURD操作之修改一个文档
# 以覆盖的方式修改一个文档，用PUT和POST都可以PUT /zbp_index/product/1{
# 我要修改name字段，但是其他字段也要带上，这是覆盖方式的一个坏处 "name":"better gaolujie yagao", "desc":"youxiao fangzhu", "price":25, "producer":"zhonghua producer", "tags":["fangzhu"]}
# 返回结果{ "_index": "zbp_index", "_type": "product", "_id": "1", "_version": 2,
# 版本号发生更新 "result": "updated",
# 操作结果是"更新"而非"新增" "_shards": { "total": 2, "successful": 1, "failed": 0 }, "_seq_no": 1, "_primary_term": 1}
# 使用_update这个api以部分更新的方式修改一个文档，只能使用POST请求POST /zbp_index/product/1/_update{ "doc":{ "name":"gaolujie yagao!",
# 要更改的字段 "price": 30, "more_info":"no more"
# 新增一个之前不存在的字段也行 }}
# 返回结果{ "_index": "zbp_index", "_type": "product", "_id": "1", "_version": 11, "result": "updated", "_shards": { "total": 2, "successful": 1, "failed": 0 }, "_seq_no": 10, "_primary_term": 1}
覆盖一个id=1的文档时，其实并非对id=1的文档的每个字段都进行修改。而是将原文档标记为deleted，并创建一个新的id=1的文档。
当ES的数据逐渐变多时，会自动删除标记为deleted的文档。
如果用户希望明确一个 PUT|POST /索引/类型/id号
是一个创建文档操作而非覆盖操作（也就是说你不知道当前这个文档是否存在），则可以使用_create API。如果文档已存在，则该操作会报错。
PUT|POST /zbp_index/product/6/_create
文档CURD操作之删除一个文档
DELETE /索引名/type名/文档id
删除操作也是将文档标记为deleted，而非真的删除文档。
如果需要根据条件删除可以使用_delete_by_query API。
# /索引名/_delete_by_query/outbound_invoice/_delete_by_query{ "query": { "bool": { "filter": [ { "term": { "client_id": 14119
# 删除client_id为14119的文档 } } ] } }}
文档查询方式之query string search
# GET /索引名/type名/_search
# 直接查询该index/type的所有文档(不加任何参数即可)GET /zbp_index/product/_search
# 查询name字段包含yagao的文档，并按price字段降序排序GET /zbp_index/product/_search?q=name:yagao&sort=price:desc
# 返回结果{ "took": 294,
# 耗费多少毫秒 "timed_out": false,
# 是否超时 "_shards": { "total": 1,
# 请求发向了多少个分片，对于搜索请求，会发送到所有的primary shard(如果有某个primary shard down掉，则发送到顶替的replica shard上) "successful": 1, "skipped": 0, "failed": 0 }, "hits": { "total": {
# 查询结果数量(document的数量) "value": 1, "relation": "eq" }, "max_score": null,
# 最高匹配相关度，最高是1 "hits": [{
# 包含匹配的document的详细数据 "_index": "zbp_index", "_type": "product", "_id": "1", "_score": null, 本文档的匹配相关度，越匹配，分数越高。如果要求按某字段排序，则分数为null "_source": { "name": "better gaolujie yagao", "desc": "youxiao fangzhu", "price": 25, "producer": "zhonghua producer", "tags": [ "fangzhu" ] }, "sort": [
# 本文档的排序值 25 ] }] }}
query string search方式适用于临时的、在命令行中查询的简单场景，如果查询请求复杂是很难构建的，因此在生产环境中很少用query
string search查询。
顺便再介绍一下query的+ 和 - 语法。
GET /zbp_index/product/_search?q=+name:yagao // 查询name字段包含yagao的文档GET /zbp_index/product/_search?q=-name:yagao // 查询name字段不包含yagao的文档
_all metadata
GET /index/type/_search?q=test
搜索所有的field，任一个field包含指定关键字的文档都能搜索出来。
实际上，在创建文档时，ES会默认将所有字段作为字符串拼接起来作为一个 _all
字段，并对其建立倒排索引。如果遇到上面这样的不指定field的关键词搜索，就会可以用到_all字段的倒排索引进行检索。
文档查询方式之query DSL
DSL方式可以在请求的body体中构建json格式的搜索信息，相比于query search方式可以支持更复杂的搜索需求。
例1：查询所有文档
GET|POST /zbp_index/product/_search
# 请求body{ "query":{
# 表示这是一个DSL查询 "match_all":{}
# 查询所有文档 }}
例2：查询name字段包含yagao的所有文档，并按价格降序排序
GET|POST /zbp_index/product/_search
# 请求body{ "query":{
# 表示这是一个DSL查询 "match":{ "name": "yagao" } }, "sort":{ "price":"desc" }}
例子3：查询所有文档并分页
GET|POST /zbp_index/product/_search
# 请求body{ "query":{
# 表示这是一个DSL查询 "match_all":{}
# 查询所有文档 }, "from":1,
# 偏移量 "size":2
# 每页大小}
例子4：查询所有文档，只显示name和price字段
GET|POST /zbp_index/product/_search
# 请求body{ "query":{ "match_all":{} }, "_source":["name","price"]}
文档查询方式之query filter
查询商品名中包含yagao，且售价大于25元的商品
GET|POST /zbp_index/product/_search{ "query": { "bool": {
# 可以组合多个条件 "must": { "match": { "name": "yagao" } }, "filter": { "range": { "price": {"gt": 20} } } } }}
如果需要多个条件组合可以使用must
{ "query": { "bool": { "must": [ { "term": { "name": "wali" } }, { "term": { "country": "chinas" } } ] } }, "from": 0, "size": 10}
term是精确查询，上面的语句相当于where name=“wali” and country=“chinas”。
文档查询方式之全文检索 full-text search
查询包含 yagao producer 关键字相关的文档。
GET|POST /zbp_index/product/_search{ "query":{ "match":{ "producer":"yagao producer" } }}
全文检索的语法和前面的例2没有任何区别。唯一区别在于例2的搜索值只有1个单词，而本例有2个单词。此时ES就会将用户提供的检索值进行分词，并对每个分词从倒排索引进行检索。只要有任何1个单词能从倒排索引中找到，都会出现在返回结果中，某一个文档涵盖的搜索值分词越多，该搜索值在倒排索引命中该文档的次数越多，该文档的分数也越高。
文档查询方式之全文检索 phrase search（短语搜索）
GET|POST /zbp_index/product/_search{ "query":{ "match_phrase":{ "producer":"yagao producer" } }}
短语搜索要求某个字段必须完全包含检索值才能匹配成功，这和全文搜索相反。
文档查询方式之全文检索 highlight search（高亮搜索）
GET|POST /zbp_index/product/_search{ "query":{ "match":{ "producer":"yagao" } }, "highlight":{ "fields":{ "producer" : {}
# 只对producer中命中的关键字进行高亮显示 } }}
高亮搜索和普通的DSL搜索什么区别，但是会在返回结果中多返回一个hightlights属性，里面包含了producer字段中的“yagao”字样会被添加一个高亮的html标签。
再看一个高亮显示的例子：
GET|POST /zbp_index/product/_search{ "query":{ "bool":{ "must":[ { "match_phrase":{ "producer": "yagao producer" } }, { "match_phrase":{ "name": "yagao" } } ] } }, "_source":["name","producer"], "highlight":{ "fields":{ "producer":{}, "name":{} } }}
# 查询结果{ "took": 4, "timed_out": false, "_shards": { "total": 1, "successful": 1, "skipped": 0, "failed": 0 }, "hits": { "total": { "value": 1, "relation": "eq" }, "max_score": 1.0078249, "hits": [ { "_index": "zbp_index", "_type": "product", "_id": "2", "_score": 1.0078249, "_source": { "name": "special yagao", "producer": "special yagao producer" }, "highlight": { "name": [ "special <em>yagao</em>" ], "producer": [ "special <em>yagao</em> <em>producer</em>" ] } } ] }}
注意：
上述6中查询方式可以组合使用，不是独立的。
对于ES 7以上的版本，DSL等带body的请求方式只能用post请求，而不能用get请求，否则会忽略body的内容直接返回所有文档。
聚合分析实例（聚合可用于数据分析）
开始之前先插入如下数据：
PUT /zbp_index/product/1{ "name": "better gaolujie yagao", "desc": "youxiao fangzhu", "price": 20, "producer": "gaolujie producer", "tags": [ "fangzhu", "meibai" ]}
PUT /zbp_index/product/2{ "name": "zhonghua yagao", "desc": "guochan product", "price": 25, "producer": "zhonghua producer", "tags": [ "xiahuo" ]}
PUT /zbp_index/product/3{ "name": "heiren yagao", "desc": "dajia douyong", "price": 35, "producer": "heiren producer", "tags": [ "meibai", "qingxin" ]}
PUT /zbp_index/product/4{ "name": "yunnan baiyao yagao", "desc": "yunnan baiyao", "price": 50, "producer": "yunnan baiyao producer", "tags": [ "xiahuo", "meibai", "changqi youxiao" ]}
PUT /zbp_index/product/5{ "name": "special yagao", "desc": "zhizao xuannian", "price": 55, "producer": "special yagao producer", "tags": [ "special", "xiahuo", "meibai", "fangzhu" ]}
我们要根据tags字段进行聚合，此时需要将该字段的fielddata属性置为true。
PUT /zbp_index/_mapping/product?include_type_name=true
# 更改product这个type的字段属性，可以理解为和mysql中更改字段信息是一样的{ "properties":{ "tags":{ "type":"text", "fielddata":true } }}
需求1：对商品按tags（中的每个元素）分组
POST /zbp_index/product/_search{ "size":0, // 如果加上size=0，表示不显示查找出来的文档的结果，只显示aggs聚合的结果 "aggs":{ "group_by_tags":{ // 自定义的聚合任务名 "terms":{ // 以terms方式聚合，可以简单理解为“分组” "field":"tags" } } }}
# 结果{ "took": 14, "timed_out": false, "_shards": { "total": 1, "successful": 1, "skipped": 0, "failed": 0 }, "hits": { "total": { "value": 5, "relation": "eq" }, "max_score": null, "hits": [] }, "aggregations": { "group_by_tags": { "doc_count_error_upper_bound": 0, "sum_other_doc_count": 0, "buckets": [ // buckets的一个元素表示一类分组 { "key": "meibai", "doc_count": 4 // tags为美白的文档有4条 }, { "key": "xiahuo", "doc_count": 3 }, { "key": "fangzhu", "doc_count": 2 }, { "key": "changqi", "doc_count": 1 }, { "key": "qingxin", "doc_count": 1 }, { "key": "special", "doc_count": 1 }, { "key": "youxiao", "doc_count": 1 } ] } }}
需求2：对名称中包含yagao的商品，对每个tag的商品分组。很简单，只需加上query属性表示筛选条件即可。
POST /zbp_index/product/_search{ "size":0, "query":{ "match":{ "name":"yagao" } }, "aggs":{ "group_by_tags":{ "terms":{ "field":"tags" } } }}
需求3：对每个tag的商品分组，计算每个tag的商品平均价格。
{ "size":0, "aggs":{ "group_by_tags":{ // 自定义的聚合任务名 "terms":{ // 以terms方式聚合，可以简单理解为“分组” "field":"tags" }, "aggs":{ // 在group_by_tags聚合下计算平均价格 "avg_price":{ // 聚合任务名 "avg":{ // 聚合方式：计算平均值 "field":"price" } } } } }}
# 结果{ "took": 21, "timed_out": false, "_shards": { "total": 1, "successful": 1, "skipped": 0, "failed": 0 }, "hits": { "total": { "value": 5, "relation": "eq" }, "max_score": null, "hits": [] }, "aggregations": { "group_by_tags": { "doc_count_error_upper_bound": 0, "sum_other_doc_count": 0, "buckets": [ { "key": "meibai", "doc_count": 4, "avg_price": { "value": 40.0 } }, { "key": "xiahuo", "doc_count": 3, "avg_price": { "value": 43.333333333333336 } }, { "key": "fangzhu", "doc_count": 2, "avg_price": { "value": 37.5 } }, { "key": "changqi", "doc_count": 1, "avg_price": { "value": 50.0 } }, { "key": "qingxin", "doc_count": 1, "avg_price": { "value": 35.0 } }, { "key": "special", "doc_count": 1, "avg_price": { "value": 55.0 } }, { "key": "youxiao", "doc_count": 1, "avg_price": { "value": 50.0 } } ] } }}
需求4：在需求3的基础上，按平均价格降序排序
{ "size":0, "aggs":{ "group_by_tags":{ "terms":{ "field":"tags", "order":{"avg_price":"desc"} }, "aggs":{ "avg_price":{ "avg":{ "field":"price" } } } } }}
需求5：先按价格范围区间分组，再在每组内按照tag分组，计算价格分组每组平均价格和tag分组的魅族平均价格。
{ "size":0, "aggs":{ "group_by_price":{ "range":{ "field":"price", "ranges":[ { "from":20, "to":25 }, { "from":25, "to":40 }, { "from":40, "to":60 } ] }, "aggs":{ // 在上一维度聚合的基础上再对另一个维度（或者说字段）聚合，这种嵌套聚合分组称为“下钻分析” "group_by_tags":{ "terms":{"field":"tags"}, "aggs":{ "avg_price":{ "avg":{ "field":"price" } } } }, "avg_price":{ "avg":{ "field":"price" } } } } }}
# 结果{ "took": 5, "timed_out": false, "_shards": { "total": 1, "successful": 1, "skipped": 0, "failed": 0 }, "hits": { "total": { "value": 5, "relation": "eq" }, "max_score": null, "hits": [] }, "aggregations": { "group_by_price": { "buckets": [ { "key": "20.0-25.0", "from": 20.0, "to": 25.0, "doc_count": 1, "avg_price": { "value": 20.0 }, "group_by_tags": { "doc_count_error_upper_bound": 0, "sum_other_doc_count": 0, "buckets": [ { "key": "fangzhu", "doc_count": 1, "avg_price": { "value": 20.0 } }, { "key": "meibai", "doc_count": 1, "avg_price": { "value": 20.0 } } ] } }, { "key": "25.0-40.0", "from": 25.0, "to": 40.0, "doc_count": 2, "avg_price": { "value": 30.0 }, "group_by_tags": { "doc_count_error_upper_bound": 0, "sum_other_doc_count": 0, "buckets": [ { "key": "meibai", "doc_count": 1, "avg_price": { "value": 35.0 } }, { "key": "qingxin", "doc_count": 1, "avg_price": { "value": 35.0 } }, { "key": "xiahuo", "doc_count": 1, "avg_price": { "value": 25.0 } } ] } }, { "key": "40.0-60.0", "from": 40.0, "to": 60.0, "doc_count": 2, "avg_price": { "value": 52.5 }, "group_by_tags": { "doc_count_error_upper_bound": 0, "sum_other_doc_count": 0, "buckets": [ { "key": "meibai", "doc_count": 2, "avg_price": { "value": 52.5 } }, { "key": "xiahuo", "doc_count": 2, "avg_price": { "value": 52.5 } }, { "key": "changqi", "doc_count": 1, "avg_price": { "value": 50.0 } }, { "key": "fangzhu", "doc_count": 1, "avg_price": { "value": 55.0 } }, { "key": "special", "doc_count": 1, "avg_price": { "value": 55.0 } }, { "key": "youxiao", "doc_count": 1, "avg_price": { "value": 50.0 } } ] } } ] } }}