Elasticsearch如何实现聚合优化

这篇文章主要为大家展示了“Elasticsearch如何实现聚合优化”，内容简而易懂，条理清晰，希望能够帮助大家解决疑惑，下面让小编带领大家一起研究并学习一下“Elasticsearch如何实现聚合优化”这篇文章吧。

1、聚合为什么慢？

大多数时候对单个字段的聚合查询还是非常快的， 但是当需要同时聚合多个字段时，就可能会产生大量的分组，最终结果就是占用 Elasticsearch大量内存，从而导致 OOM 的情况发生。 
实践应用发现，以下情况都会比较慢： 

• 1）待聚合文档数比较多（千万、亿、十亿甚至更多）； 

• 2）聚合条件比较复杂（多重条件聚合）； 

• 3）全量聚合（翻页的场景用）。

2、聚合优化方案探讨

优化方案一：默认深度优先聚合改为广度优先聚合。

"collect_mode" : "breadth_first"

• depth_first 直接进行子聚合的计算

• breadth_first 先计算出当前聚合的结果，针对这个结果在对子聚合进行计算。

优化方案二： 每一层terms aggregation内部加一个 “execution_hint”: “map”。

 "execution_hint": "map"

国内解释最详细的版本来自Wood大叔： 

Map方式的结论可简要概括如下： 
1）查询结果直接放入内存中构建map，在查询结果集小的场景下，速度极快； 
2）但如果待结果集合很大的情况，map方式不一定也快。

优化方案N：

待进一步深入实践……

3、做个实验

聚合的平衡点是多少呢？

3.1 实验场景

场景一：在近亿的document中，检索满足给定条件的数据，并对聚合结果全量聚合。 
场景二：在百万级别的document中，全量聚合。 
场景三：在近亿级别的document中，全量聚合。

3.2 聚合操作

POST index_*/_search   

{

  "sort": [

    {

      "nrply": "desc"

    }

  ],

  "aggs": {

    "count_over_sin": {

      "terms": {

        "field": "sin_id",

   "execution_hint": "map",

        "size": 1000,

        "collect_mode": "breadth_first"

      }

    }

  },

  "size":0

}

1）修改索引名称，以获取更多的文档。 
2）map模式添加 “execution_hint”: “map”,默认是global_ordinals模式。 
3）”size”: 1000,设定聚合取值。

3.3 聚合结果

以上是“Elasticsearch如何实现聚合优化”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注亿速云行业资讯频道！