• q：文中出現(xiàn)的q即query的首字母，表示搜索的文本
• t：文中出現(xiàn)的t即term詞項(xiàng)的首字母
• d：文中出現(xiàn)的d即document文檔的首字母
• coord(q, d)：協(xié)調(diào)因子。其值取決于查詢中【詞項(xiàng)】的數(shù)量和文檔中匹配的【詞項(xiàng)】的數(shù)量
• queryNorms(q, d)：進(jìn)行分?jǐn)?shù)矯正，使最大最小值處于一個(gè)較為合理的區(qū)間，讓其差距不是很大

下面才是核心函數(shù)

• tf(t in d)：tf即TF函數(shù)，它是一個(gè)函數(shù)，計(jì)算詞項(xiàng)在某文檔中的詞頻。它認(rèn)為：【檢索詞在文檔中出現(xiàn)的頻率越高，相關(guān)性也越高】。計(jì)算公式如下：

詞頻（TF） = 詞項(xiàng)在文檔中出現(xiàn)的次數(shù) / 文檔的總詞數(shù)

• idf(t)^2：idf即IDF，它是一個(gè)函數(shù)，計(jì)算詞項(xiàng)在整個(gè)索引中逆向文本頻率。它認(rèn)為：【檢索詞在索引中出現(xiàn)的頻率越高，相關(guān)性越低】。計(jì)算公式如下：

逆向文本頻率（IDF）= log (索引中文檔數(shù)量 / (包含該詞的文檔數(shù)+1))

• boost(t)：ES提供給我們的縮放函數(shù)，相當(dāng)于是提供了一個(gè)能讓我們干預(yù)評(píng)分結(jié)果的窗口，它是作用在【文檔中的字段】上的。后面【2.4 Boosting Query】會(huì)介紹
• norm(t, d)：字段長(zhǎng)度歸一值（ field-length norm），很拗口。它認(rèn)為【檢索詞出現(xiàn)在長(zhǎng)度較短的字段中時(shí)，比出現(xiàn)在長(zhǎng)度較長(zhǎng)的字段中時(shí)的相關(guān)性要更高】

詞項(xiàng)【Java】如果出現(xiàn)在長(zhǎng)度為10的字段title上，比出現(xiàn)在長(zhǎng)度為100的字段content上，相關(guān)性要高

公式（注意，是字段，不是文檔，也不是索引）：字段長(zhǎng)度歸一值 = 1 / (所在字段總詞數(shù)的平方)

還有一個(gè)很重要的符號(hào)以及規(guī)則
還有一個(gè)很重要的符號(hào)以及規(guī)則
還有一個(gè)很重要的符號(hào)以及規(guī)則
公式中有個(gè)符號(hào)大家可能比較陌生，它是累加的意思。
如何理解這個(gè)累加？那就是：

1. 一個(gè)搜索詞匹配文檔的分?jǐn)?shù)=每個(gè)【詞項(xiàng)】在文檔的得分總和 （累加）
2. 【詞項(xiàng)】在文檔中得分=【詞項(xiàng)】在文檔每個(gè)【字段】的得分總和

實(shí)在搞不懂結(jié)合【2.4 Boosting Query】的示例分析理解下

以上三個(gè)因素——詞頻（term frequency）、逆向文本頻率（inverse document frequency）和字段長(zhǎng)度歸一值（field-length norm），就是在索引時(shí)打分的重要組成部分！當(dāng)然這個(gè)三個(gè)因素會(huì)在索引文檔的時(shí)候一并記錄進(jìn)去。

2.2.2 BM25

BM25 就是對(duì) TF-IDF 算法的改進(jìn)，對(duì)于 TF-IDF 算法，TF(t) 部分的值越大，整個(gè)公式返回的值就會(huì)越大。BM25 就針對(duì)這點(diǎn)進(jìn)行來(lái)優(yōu)化，隨著 TF(t) 的逐步加大，該算法的返回值會(huì)趨于一個(gè)數(shù)值。這么說(shuō)可能有點(diǎn)抽象，來(lái)個(gè)圖看看就知道了

看圖說(shuō)話，褐色的為TF-IDF的變化增長(zhǎng)曲線；藍(lán)色的為BM25的增長(zhǎng)曲線。

BM 25的公式

這個(gè)我就不過(guò)多解讀了，沒(méi)必要，你知道BM25改進(jìn)的點(diǎn)是什么就好了。理解了TF-IDF基本就能搞懂ES的【打分】原理了。另外也要記住以下幾點(diǎn)：

1. 優(yōu)化后的公式其實(shí)可以看成是score = tf * idf * boost了。在BM25算法中削弱了norms函數(shù)的作用，默認(rèn)值為0.75
2. 這個(gè)BM25才是目前使用的打分公式
3. 上面的k叫做飽和度，默認(rèn)1.2
4. 上面的N為【索引總文檔數(shù)】（曾出現(xiàn)在IDF中）
5. 在BM25算法中，boost函數(shù)公式為基數(shù) * 縮放因數(shù)，基數(shù)默認(rèn)值為2.2，縮放因子默認(rèn)為1，后面我們修改的值實(shí)際上為后面的縮放因子

公式簡(jiǎn)記：score = 字段累加（詞頻 * 逆文檔頻率 * boost）
公式簡(jiǎn)記：score = 字段累加（詞頻 * 逆文檔頻率 * boost）
公式簡(jiǎn)記：score = 字段累加（詞頻 * 逆文檔頻率 * boost）

*2.3 通過(guò)Explain API查看TF-IDF

不同于Mysql的explain用來(lái)查看查詢語(yǔ)句的性能分析，ES提供的explain主要是用來(lái)查詢ES更關(guān)注的相關(guān)性，即TF-IDF的三項(xiàng)因素。

關(guān)鍵詞：
explain

示例數(shù)據(jù)：
1）首先批量寫(xiě)入一些測(cè)試數(shù)據(jù)，注意它們的內(nèi)容content

PUT /test_score/_bulk
{"index":{"_id":1}}
{"content":"we use Elasticsearch to power the search"}
{"index":{"_id":2}}
{"content":"we like elasticsearch"}
{"index":{"_id":3}}
{"content":"Thre scoring of documents is caculated by the scoring formula"}
{"index":{"_id":4}}
{"content":"you know,for search"}

示例輸入：
2）再來(lái)做一下簡(jiǎn)單的查詢：在content上全文檢索elasticsearch這個(gè)值

GET /test_score/_search
{
  "explain": true, 
  "query": {
    "match": {
      "content": "elasticsearch"
    }
  }
}

我們稍微分析一下查詢的過(guò)程：

1. elasticsearch無(wú)法進(jìn)一步分詞，所以搜索的詞項(xiàng)是elasticsearch
2. 在文檔的content字段搜索elasticsearch，只有id=1和id=2的文檔會(huì)被搜索到
3. 再然后【打分】
4. explain給我們分析整個(gè)打分過(guò)程

示例輸出：

#! Elasticsearch built-in security features are not enabled. Without authentication, your cluster could be accessible to anyone. See https://www.elastic.co/guide/en/elasticsearch/reference/7.17/security-minimal-setup.html to enable security.
{
  "took" : 17,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 2,
      "relation" : "eq"
    },
    "max_score" : 0.8713851,
    "hits" : [
      {
        "_shard" : "[test_score][0]",
        "_node" : "MTTjaVXrS0qu3V7iOYC3kA",
        "_index" : "test_score",
        "_type" : "_doc",
        "_id" : "2",
        "_score" : 0.8713851,
        "_source" : {
          "content" : "we like elasticsearch"
        },
        "_explanation" : {
          "value" : 0.8713851,
          "description" : "weight(content:elasticsearch in 1) [PerFieldSimilarity], result of:",
          "details" : [
            {
              "value" : 0.8713851,
              "description" : "score(freq=1.0), computed as boost * idf * tf from:",
              "details" : [
                {
                  "value" : 2.2,
                  "description" : "boost",
                  "details" : [ ]
                },
                {
                  "value" : 0.6931472,
                  "description" : "idf, computed as log(1 + (N - n + 0.5) / (n + 0.5)) from:",
                  "details" : [
                    {
                      "value" : 2,
                      "description" : "n, number of documents containing term",
                      "details" : [ ]
                    },
                    {
                      "value" : 4,
                      "description" : "N, total number of documents with field",
                      "details" : [ ]
                    }
                  ]
                },
                {
                  "value" : 0.5714286,
                  "description" : "tf, computed as freq / (freq + k1 * (1 - b + b * dl / avgdl)) from:",
                  "details" : [
                    {
                      "value" : 1.0,
                      "description" : "freq, occurrences of term within document",
                      "details" : [ ]
                    },
                    {
                      "value" : 1.2,
                      "description" : "k1, term saturation parameter",
                      "details" : [ ]
                    },
                    {
                      "value" : 0.75,
                      "description" : "b, length normalization parameter",
                      "details" : [ ]
                    },
                    {
                      "value" : 3.0,
                      "description" : "dl, length of field",
                      "details" : [ ]
                    },
                    {
                      "value" : 6.0,
                      "description" : "avgdl, average length of field",
                      "details" : [ ]
                    }
                  ]
                }
              ]
            }
          ]
        }
      },
      {
        "_shard" : "[test_score][0]",
        "_node" : "MTTjaVXrS0qu3V7iOYC3kA",
        "_index" : "test_score",
        "_type" : "_doc",
        "_id" : "1",
        "_score" : 0.6489038,
        "_source" : {
          "content" : "we use Elasticsearch to power the search"
        },
        "_explanation" : {
          "value" : 0.6489038,
          "description" : "weight(content:elasticsearch in 0) [PerFieldSimilarity], result of:",
          "details" : [
            {
              "value" : 0.6489038,
              "description" : "score(freq=1.0), computed as boost * idf * tf from:",
              "details" : [
                {
                  "value" : 2.2,
                  "description" : "boost",
                  "details" : [ ]
                },
                {
                  "value" : 0.6931472,
                  "description" : "idf, computed as log(1 + (N - n + 0.5) / (n + 0.5)) from:",
                  "details" : [
                    {
                      "value" : 2,
                      "description" : "n, number of documents containing term",
                      "details" : [ ]
                    },
                    {
                      "value" : 4,
                      "description" : "N, total number of documents with field",
                      "details" : [ ]
                    }
                  ]
                },
                {
                  "value" : 0.42553192,
                  "description" : "tf, computed as freq / (freq + k1 * (1 - b + b * dl / avgdl)) from:",
                  "details" : [
                    {
                      "value" : 1.0,
                      "description" : "freq, occurrences of term within document",
                      "details" : [ ]
                    },
                    {
                      "value" : 1.2,
                      "description" : "k1, term saturation parameter",
                      "details" : [ ]
                    },
                    {
                      "value" : 0.75,
                      "description" : "b, length normalization parameter",
                      "details" : [ ]
                    },
                    {
                      "value" : 7.0,
                      "description" : "dl, length of field",
                      "details" : [ ]
                    },
                    {
                      "value" : 6.0,
                      "description" : "avgdl, average length of field",
                      "details" : [ ]
                    }
                  ]
                }
              ]
            }
          ]
        }
      }
    ]
  }
}

感興趣的朋友可以自己根據(jù)公式算一算分?jǐn)?shù)，哈哈

2.4 Boosting Query

Boosting是控制相關(guān)度的一種手段，是ES提供給我們的【一個(gè)能干預(yù)評(píng)分結(jié)果】的窗口?？梢酝ㄟ^(guò)指定字段的boost值影響查詢結(jié)果。很顯然，boost的值對(duì)結(jié)果有如下影響：

• 當(dāng)boost > 1時(shí)，打分的權(quán)重相關(guān)性提升
• 當(dāng)0 < boost <1時(shí)，打分的權(quán)重相關(guān)性降低
• 當(dāng)boost <0時(shí)，貢獻(xiàn)負(fù)分

boost函數(shù)公式為基數(shù) * 縮放因數(shù)，基數(shù)默認(rèn)值為2.2，縮放因子默認(rèn)為1，我們修改的值實(shí)際上為后面的縮放因子

應(yīng)用場(chǎng)景
希望包含了某項(xiàng)內(nèi)容的結(jié)果不是不出現(xiàn)，而是排序靠后

示例數(shù)據(jù)：
1）首先還是先插入一些示例數(shù)據(jù)。注意title和content，下面兩條記錄的title跟content內(nèi)容剛好互換

POST /blogs/_bulk
{"index":{"_id":1}}
{"title":"Apple iPad","content":"Apple iPad,Apple iPad"}
{"index":{"_id":2}}
{"title":"Apple iPad,Apple iPad","content":"Apple iPad"}

示例查詢輸入：
2）然后做一下簡(jiǎn)單的查詢，在字段title和content上查詢apple,ipad。使用復(fù)合查詢的bool-should，表示只要有一個(gè)符合條件即可返回

GET /blogs/_search
{
  "query": {
    "bool": {
      "should": [
        {
          "match": {
            "title": {
              "query": "apple,ipad"
            }
          }
        },
        {
          "match": {
            "content": {
              "query": "apple,ipad"
            }
          }
        }
      ]
    }
  }
}

你們猜上面的搜索，兩個(gè)文檔的得分是否一樣？哈，其實(shí)稍微運(yùn)算一下就可以看出來(lái)，是一樣的。根據(jù)【簡(jiǎn)記版公式】，apple跟ipad詞項(xiàng)的得分如下：

apple詞項(xiàng)得分
= 在字段title上的得分 + 在content字段上的得分
= title(詞頻 * 逆文檔頻率 * boost) + content(詞頻 * 逆文檔頻率 * boost)
= title[ (詞項(xiàng)在文檔出現(xiàn)的次數(shù) / 文檔的總次數(shù)) * log(索引文檔總數(shù)/(包含該詞項(xiàng)的文檔數(shù)+1)) * boost ] + content[ (詞項(xiàng)在文檔出現(xiàn)的次數(shù) / 文檔的總次數(shù)) * log(索引文檔總數(shù)/(包含該詞項(xiàng)的文檔數(shù)+1)) * boost ]
= title[(3/6) + (2/(2+1)) * 2.2 ] + content[(3/6) + (2/(2+1)) * 2.2 ]


ipad詞項(xiàng)得分
= 在字段title上的得分 + 在content字段上的得分
= title(詞頻 * 逆文檔頻率 * boost) + content(詞頻 * 逆文檔頻率 * boost)
= title[ (詞項(xiàng)在文檔出現(xiàn)的次數(shù) / 文檔的總次數(shù)) * log(索引文檔總數(shù)/(包含該詞項(xiàng)的文檔數(shù)+1)) * boost ] + content[ (詞項(xiàng)在文檔出現(xiàn)的次數(shù) / 文檔的總次數(shù)) * log(索引文檔總數(shù)/(包含該詞項(xiàng)的文檔數(shù)+1)) * boost ]
= title[(3/6) + (2/(2+1)) * 2.2 ] + content[(3/6) + (2/(2+1)) * 2.2 ]

示例查詢輸出：

看，得分都是0.8806269。但是我稍微改一下，得分就變得不一樣了。

修改后查詢輸入：注意，修改了content字段上的boost縮放因子

GET /blogs/_search
{
  "query": {
    "bool": {
      "should": [
        {
          "match": {
            "title": {
              "query": "apple,ipad",
              "boost": 1
            }
          }
        },
        {
          "match": {
            "content": {
              "query": "apple,ipad",
              "boost": 5
            }
          }
        }
      ]
    }
  }
}

修改后示例輸出：

案例：要求蘋(píng)果公司的產(chǎn)品信息優(yōu)先展示

POST /news/_bulk
{"index":{"_id":1}}
{"content":"Apple Mac"}
{"index":{"_id":2}}
{"content":"Apple iPad"}
{"index":{"_id":3}}
{"content":"Apple employee like Apple Pie and Apple Juice"}


GET /news/_search
{
  "query": {
    "bool": {
      "must": {
        "match": {
          "content": "apple"
        }
      }
    }
  }
}

利用must not排除不是蘋(píng)果公司產(chǎn)品的文檔

GET /news/_search
{
  "query": {
    "bool": {
      "must": {
        "match": {
          "content": "apple"
        }
      },
      "must_not": {
        "match":{
          "content": "pie"
        }
      }
    }
  }
}

但是生產(chǎn)環(huán)境有時(shí)候不能這么簡(jiǎn)單粗暴的直接排除掉的。所以這個(gè)時(shí)候可以考慮boosting query的negative_boost。

• negative_boost 對(duì) negative部分query生效
• 計(jì)算評(píng)分時(shí),boosting部分評(píng)分不修改，negative部分query乘以negative_boost值
• negative_boost取值:0-1.0，舉例:0.3

通過(guò)negative_boost反向取一個(gè)分?jǐn)?shù)

GET /news/_search
{
  "query": {
    "boosting": {
      "positive": {
        "match": {
          "content": "apple"
        }
      },
      "negative": {
        "match": {
          "content": "pie"
        }
      },
      "negative_boost": 0.2
    }
  }
}

三、單字符串多字段查詢

【單字符串多字段】指的是一種查詢方式，它有三種不同的查詢策略：

• 最佳字段(Best Fields)：在多個(gè)字段上查詢的時(shí)候，選擇評(píng)分最高的字段（默認(rèn)是累加）
• 多數(shù)字段(Most Fields)：處理英文內(nèi)容時(shí)的一種常見(jiàn)的手段是，在主字段( English Analyzer)，抽取詞干，加入同義詞，以匹配更多的文檔。相同的文本，加入子字段（Standard Analyzer），以提供更加精確的匹配。其他字段作為匹配文檔提高相關(guān)度的信號(hào)，匹配字段越多則越好
• 混合字段(Cross Fields)：對(duì)于某些實(shí)體，例如人名，地址，圖書(shū)信息。需要在多個(gè)字段中確定信息，單個(gè)字段只能作為整體的一部分。希望在任何這些列出的字段中找到盡可能多的詞

3.1 最佳字段查詢Dis Max Query

Dis Max Query：將搜索詞任意詞項(xiàng)與查詢匹配的文檔作為結(jié)果返回，采用字段上最匹配的評(píng)分最終評(píng)分返回max(a,b) （屬于復(fù)合查詢的一種，既然是復(fù)合查詢，那肯定存在復(fù)合查詢的關(guān)鍵詞）

關(guān)鍵詞：
dis_max

示例數(shù)據(jù)：
1）先準(zhǔn)備數(shù)據(jù)

DELETE /blogs
PUT /blogs/_doc/1
{
    "title": "Quick brown rabbits",
    "body":  "Brown rabbits are commonly seen."
}

PUT /blogs/_doc/2
{
    "title": "Keeping pets healthy",
    "body":  "My quick brown fox eats rabbits on a regular basis."
}

2）然后做一個(gè)簡(jiǎn)單的多字段查詢，查詢內(nèi)容如下：

POST /blogs/_search
{
    "query": {
        "bool": {
            "should": [
                { "match": { "title": "Brown fox" }},
                { "match": { "body":  "Brown fox" }}
            ]
        }
    }
}

正常來(lái)說(shuō)，id=2的文檔才是我們最關(guān)注的，換句話來(lái)說(shuō)它的得分應(yīng)該是我們預(yù)想中比較高的，畢竟它的body里面就有我們要搜索的brown fox完整的詞項(xiàng)。但是查詢出來(lái)的結(jié)果可能有點(diǎn)出乎大家意料，為什么？

其實(shí)也不難理解。因?yàn)樗阉髟~會(huì)被拆分成brown跟fox詞項(xiàng)，然而id=1的title跟body的都含有brown詞項(xiàng)，所以，在評(píng)分的過(guò)程中，id=1的得分就可能比id=2的高了。
總的來(lái)說(shuō)，結(jié)果之所以出乎意料的原因還是沒(méi)有認(rèn)識(shí)到title跟body是競(jìng)爭(zhēng)關(guān)系，不應(yīng)該將分?jǐn)?shù)簡(jiǎn)單疊加，而是應(yīng)該找到單個(gè)最佳匹配的字段的評(píng)分。

3.1.1 使用最佳字段查詢dis max query

示例輸入數(shù)據(jù)：

POST /blogs/_search
{
    "query": {
        "dis_max": {
            "queries": [
                { "match": { "title": "Brown fox" }},
                { "match": { "body":  "Brown fox" }}
            ]
        }
    }
}

示例輸出數(shù)據(jù)：

上述例子是把title跟body當(dāng)作了競(jìng)爭(zhēng)關(guān)系，只能二選一。但有時(shí)候，我們又希望是【主從關(guān)系】，而不是完全把另一個(gè)字段拋棄掉，這個(gè)時(shí)候就可以通過(guò)tie_breaker參數(shù)調(diào)整

3.1.2 通過(guò)tie_breaker參數(shù)調(diào)整

Tier Breaker是一個(gè)介于0-1之間的浮點(diǎn)數(shù)。0代表使用最佳匹配;1代表所有語(yǔ)句同等重要。

1. 獲得最佳匹配語(yǔ)句的評(píng)分_score 。
2. 將其他匹配語(yǔ)句的評(píng)分與tie_breaker相乘
3. 對(duì)以上評(píng)分求和并規(guī)范化

最終得分=最佳匹配字段+其他匹配字段*tie_breaker

POST /blogs/_search
{
    "query": {
        "dis_max": {
            "queries": [
                { "match": { "title": "Brown fox" }},
                { "match": { "body":  "Brown fox" }}
            ],
            "tie_breaker": 0.1
        }
    }
}

3.2 Multi Match Query

這個(gè)在上一篇文章已經(jīng)稍微提過(guò)了，這邊說(shuō)到了單字符多字段查詢了，就再說(shuō)一下吧。因?yàn)樗举|(zhì)上就是屬于【單字符多字段查詢】。
Multi Match Query有三種不同的策略，分別是：Best Fields、Most Fields、Cross Fields。

3.2.1 Best Fields：最佳字段搜索（默認(rèn)）

嘿嘿嘿，雖然這個(gè)搜索改了個(gè)名字，但是從意思上不難看出來(lái)，這不就是前面的Dis Max Query嗎？是的，一樣一樣的。
best_fields策略獲取最佳匹配字段的得分, final_score = max(其他匹配字段得分， 最佳匹配字段得分)
采用best_fields查詢，并添加參數(shù)tie_breaker=0.1，可以起到調(diào)控的效果，final_score = 其他匹配字段得分 * 0.1 + 最佳匹配字段得分

關(guān)鍵字：
multi_match、tie_breaker、best_fields、most_fields、cross_fields

示例查詢輸入：
這里直接演示tie_breaker了，不加的時(shí)候跟dis_max沒(méi)啥兩樣，就不演示了。使用示例如下：

POST /blogs/_search
{
  "query": {
    "multi_match": {
      "type": "best_fields",
      "query": "Brown fox",
      "fields": ["title","body"],
      "tie_breaker": 0.2
    }
  }
}

輸出也不貼了，這里最關(guān)鍵的還是理解tie_breaker對(duì)打分的影響

3.2.2 Most Fields：使用多數(shù)字段搜索

most_fields策略獲取全部匹配字段的累計(jì)得分（綜合全部匹配字段的得分），這個(gè)不就是默認(rèn)的評(píng)分公式嘛

POST /blogs/_search
{
  "query": {
    "multi_match": {
      "type": "best_fields",
      "query": "Brown fox",
      "fields": ["title","body"],
      "tie_breaker": 0.2
    }
  }
}

3.2.3 Cross Field：跨字段搜索

搜索內(nèi)容在多個(gè)字段中都顯示，類似bool + must/should組合。怎么理解呢？（em…還記得bool關(guān)鍵詞的must/should有什么特點(diǎn)吧？不記得翻我上一篇文章咯）

是因?yàn)?code>cross_fileds支持operator關(guān)鍵詞，所以篩選記錄的邏輯，在operator=and的時(shí)候跟bool=must一樣，即字段上都要包含關(guān)鍵字；operator=or的時(shí)候跟bool=should一樣，即字段中至少有一個(gè)包含關(guān)鍵字

示例數(shù)據(jù)：

DELETE /address
PUT /address
{
    "settings" : {
        "index" : {
            "analysis.analyzer.default.type": "ik_max_word"
        }
    }
}

PUT /address/_bulk
{ "index": { "_id": "1"} }
{"province": "湖南","city": "長(zhǎng)沙"}
{ "index": { "_id": "2"} }
{"province": "湖南","city": "常德"}
{ "index": { "_id": "3"} }
{"province": "廣東","city": "廣州"}
{ "index": { "_id": "4"} }
{"province": "湖南","city": "邵陽(yáng)"}

示例查詢輸入一：operator=and

GET /address/_search
{
  "query": {
    "multi_match": {
      "query": "湖南常德",
      "type": "cross_fields",
      "operator": "and", 
      "fields": ["province","city"]
    }
  }
}

# 上面等價(jià)于下面的查詢
GET /address/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "province": "湖南常德"
          }
        },
        {
          "match": {
            "city": "湖南常德"
          }
        }
      ]
    }
  }
}

示例查詢輸入二：operator=or

GET /address/_search
{
  "query": {
    "multi_match": {
      "query": "湖南常德",
      "type": "cross_fields",
      "operator": "or", 
      "fields": ["province","city"]
    }
  }
}

# 上面等價(jià)于下面的查詢
GET /address/_search
{
  "query": {
    "bool": {
      "should": [
        {
          "match": {
            "province": "湖南常德"
          }
        },
        {
          "match": {
            "city": "湖南常德"
          }
        }
      ]
    }
  }
}

四、ElasticSearch聚合操作

Elasticsearch除搜索以外，提供了針對(duì)ES 數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析的功能。聚合(aggregations)可以讓我們極其方便的實(shí)現(xiàn)對(duì)數(shù)據(jù)的統(tǒng)計(jì)、分析、運(yùn)算。例如：

• 什么品牌的手機(jī)最受歡迎？
• 這些手機(jī)的平均價(jià)格、最高價(jià)格、最低價(jià)格？
• 這些手機(jī)每月的銷售情況如何？

4.1 使用場(chǎng)景

聚合查詢可以用于各種場(chǎng)景，比如商業(yè)智能、數(shù)據(jù)挖掘、日志分析等等。

• 電商平臺(tái)的銷售分析：統(tǒng)計(jì)每個(gè)地區(qū)的銷售額、每個(gè)用戶的消費(fèi)總額、每個(gè)產(chǎn)品的銷售量等，以便更好地了解銷售情況和趨勢(shì)。
• 社交媒體的用戶行為分析：統(tǒng)計(jì)每個(gè)用戶的發(fā)布次數(shù)、轉(zhuǎn)發(fā)次數(shù)、評(píng)論次數(shù)等，以便更好地了解用戶行為和趨勢(shì)，同時(shí)可以將數(shù)據(jù)按照地區(qū)、時(shí)間、話題等維度進(jìn)行分析。
• 物流企業(yè)的運(yùn)輸分析：統(tǒng)計(jì)每個(gè)區(qū)域的運(yùn)輸量、每個(gè)車輛的運(yùn)輸次數(shù)、每個(gè)司機(jī)的行駛里程等，以便更好地了解運(yùn)輸情況和優(yōu)化運(yùn)輸效率。
• 金融企業(yè)的交易分析：統(tǒng)計(jì)每個(gè)客戶的交易總額、每個(gè)產(chǎn)品的銷售量、每個(gè)交易員的業(yè)績(jī)等，以便更好地了解交易情況和優(yōu)化業(yè)務(wù)流程。
• 智能家居的設(shè)備監(jiān)控分析：統(tǒng)計(jì)每個(gè)設(shè)備的使用次數(shù)、每個(gè)家庭的能源消耗量、每個(gè)時(shí)間段的設(shè)備使用率等，以便更好地了解用戶需求和優(yōu)化設(shè)備效能。

4.2 基本語(yǔ)法

聚合查詢的語(yǔ)法結(jié)構(gòu)與其他查詢相似，通常包含以下部分：

• 查詢條件：指定需要聚合的文檔，可以使用標(biāo)準(zhǔn)的 Elasticsearch 查詢語(yǔ)法，如 term、match、range 等等。
• 聚合函數(shù)：指定要執(zhí)行的聚合操作，如 sum、avg、min、max、terms、date_histogram 等等。每個(gè)聚合命令都會(huì)生成一個(gè)聚合結(jié)果。
• 聚合嵌套：聚合命令可以嵌套，以便更細(xì)粒度地分析數(shù)據(jù)。

GET <index_name>/_search
{
  "aggs": {
    "<aggs_name>": { // 聚合名稱需要自己定義
      "<agg_type>": {
        "field": "<field_name>"
      }
    }
  }
}

• aggs_name：聚合函數(shù)的名稱，需要自定義
• agg_type：聚合種類，比如是桶聚合（terms）或者是指標(biāo)聚合（avg、sum、min、max等）
• field_name：字段名稱或者叫域名。

4.3 聚合的分類

• Metric Aggregation：—些數(shù)學(xué)運(yùn)算，可以對(duì)文檔字段進(jìn)行統(tǒng)計(jì)分析，類比Mysql中的 min(), max(), sum() 操作。

SELECT MIN(price), MAX(price) FROM products
#Metric聚合的DSL類比實(shí)現(xiàn)：
{
    "aggs":{
        "avg_price":{
            "min":{
                "field":"price"
            }
        }
    }
}

• Bucket Aggregation： 一些滿足特定條件的文檔的集合放置到一個(gè)桶里，每一個(gè)桶關(guān)聯(lián)一個(gè)key，類比Mysql中的group by操作

SELECT size COUNT(*) FROM products GROUP BY size
#bucket聚合的DSL類比實(shí)現(xiàn)：
{
 "aggs": {
    "by_size": {
      "terms": {
        "field": "size"
      }
  }
}

• Pipeline Aggregation：對(duì)其他的聚合結(jié)果進(jìn)行二次聚合

4.4 Metric Aggregation

• 單值分析︰只輸出一個(gè)分析結(jié)果
  • min, max, avg, sum
  • Cardinality（類似distinct Count)
• 多值分析:輸出多個(gè)分析結(jié)果
  • stats（統(tǒng)計(jì)）, extended stats
  • percentile （百分位）, percentile rank
  • top hits(排在前面的示例)

查詢員工的最低最高和平均工資：關(guān)鍵詞【max】、【min】、【avg】

#多個(gè) Metric 聚合，找到最低最高和平均工資
POST /employees/_search
{
  "size": 0,  
  "aggs": {
    "max_salary": {
      "max": {
        "field": "salary"
      }
    },
    "min_salary": {
      "min": {
        "field": "salary"
      }
    },
    "avg_salary": {
      "avg": {
        "field": "salary"
      }
    }
  }
}

對(duì)salary進(jìn)行統(tǒng)計(jì)：關(guān)鍵詞【stats】

# 一個(gè)聚合，輸出多值
POST /employees/_search
{
  "size": 0,
  "aggs": {
    "stats_salary": {
      "stats": {
        "field":"salary"
      }
    }
  }
}

cardinate對(duì)搜索結(jié)果去重：關(guān)鍵詞【cardinality】

POST /employees/_search
{
  "size": 0,
  "aggs": {
    "cardinate": {
      "cardinality": {
        "field": "job.keyword"
      }
    }
  }
}

4.5 Bucket Aggregation

按照一定的規(guī)則，將文檔分配到不同的桶中，從而達(dá)到分類的目的。ES提供的一些常見(jiàn)的 Bucket Aggregation。

• Terms，需要字段支持filedata
  • keyword 默認(rèn)支持fielddata
  • text需要在Mapping 中開(kāi)啟fielddata，會(huì)按照分詞后的結(jié)果進(jìn)行分桶
• 數(shù)字類型
  • Range / Data Range
  • Histogram（直方圖） / Date Histogram
• 支持嵌套: 也就在桶里再做分桶

桶聚合可以用于各種場(chǎng)景，例如：

• 對(duì)數(shù)據(jù)進(jìn)行分組統(tǒng)計(jì)，比如按照地區(qū)、年齡段、性別等字段進(jìn)行分組統(tǒng)計(jì)。
• 對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行時(shí)間段分析，比如按照每小時(shí)、每天、每月、每季度、每年等時(shí)間段進(jìn)行分析。
• 對(duì)各種標(biāo)簽信息分類，并統(tǒng)計(jì)其數(shù)量。

1）使用示例：獲取job的分類信息

# 對(duì)keword 進(jìn)行聚合
GET /employees/_search
{
  "size": 0,
  "aggs": {
    "jobs": {
      "terms": {
        "field":"job.keyword"
      }
    }
  }
}

聚合可配置屬性有：

• field：指定聚合字段
• size：指定聚合結(jié)果數(shù)量
• order：指定聚合結(jié)果排序方式

默認(rèn)情況下，Bucket聚合會(huì)統(tǒng)計(jì)Bucket內(nèi)的文檔數(shù)量，記為_(kāi)count，并且按照_count降序排序。我們可以指定order屬性，自定義聚合的排序方式：

GET /employees/_search
{
  "size": 0,
  "aggs": {
    "jobs": {
      "terms": {
        "field":"job.keyword",
         "size": 10,
        "order": {
          "_count": "desc" 
        }
      }
    }
  }
}

2）使用示例：限定聚合范圍

#只對(duì)salary在10000元以上的文檔聚合
GET /employees/_search
{
  "query": {
    "range": {
      "salary": {
        "gte": 10000 
      }
    }
  }, 
  "size": 0,
  "aggs": {
    "jobs": {
      "terms": {
        "field":"job.keyword",
         "size": 10,
        "order": {
          "_count": "desc" 
        }
      }
    }
  }
}

注意：對(duì) Text 字段進(jìn)行 terms 聚合查詢，會(huì)失敗拋出異常

mployees/_search
{
  "size": 0,
  "aggs": {
    "jobs": {
      "terms": {
        "field":"job"
      }
    }
  }
}

解決辦法：對(duì) Text 字段打開(kāi) fielddata，支持terms aggregation

PUT /employees/_mapping
{
  "properties" : {
    "job":{
       "type":  "text",
       "fielddata": true
    }
  }
}

# 對(duì) Text 字段進(jìn)行分詞，分詞后的terms
POST /employees/_search
{
  "size": 0,
  "aggs": {
    "jobs": {
      "terms": {
        "field":"job"
      }
    }
  }
}

3）使用示例：Range & Histogram聚合

• 按照數(shù)字的范圍，進(jìn)行分桶
• 在Range Aggregation中，可以自定義Key

Range 示例：按照工資的 Range 分桶

Salary Range分桶，可以自己定義 key
POST employees/_search
{
  "size": 0,
  "aggs": {
    "salary_range": {
      "range": {
        "field":"salary",
        "ranges":[
          {
            "to":10000
          },
          {
            "from":10000,
            "to":20000
          },
          {
            "key":">20000",
            "from":20000
          }
        ]
      }
    }
  }
}

Histogram示例：按照工資的間隔分桶

#工資0到10萬(wàn)，以 5000一個(gè)區(qū)間進(jìn)行分桶
POST employees/_search
{
  "size": 0,
  "aggs": {
    "salary_histrogram": {
      "histogram": {
        "field":"salary",
        "interval":5000,
        "extended_bounds":{
          "min":0,
          "max":100000
        }
      }
    }
  }
}

top_hits應(yīng)用場(chǎng)景: 當(dāng)獲取分桶后，桶內(nèi)最匹配的頂部文檔列表

# 指定size，不同工種中，年紀(jì)最大的3個(gè)員工的具體信息
POST /employees/_search
{
  "size": 0,
  "aggs": {
    "jobs": {
      "terms": {
        "field":"job.keyword"
      },
      "aggs":{
        "old_employee":{
          "top_hits":{
            "size":3,
            "sort":[
              {
                "age":{
                  "order":"desc"
                }
              }
            ]
          }
        }
      }
    }
  }
}

嵌套聚合示例

# 嵌套聚合1，按照工作類型分桶，并統(tǒng)計(jì)工資信息
POST employees/_search
{
  "size": 0,
  "aggs": {
    "Job_salary_stats": {
      "terms": {
        "field": "job.keyword"
      },
      "aggs": {
        "salary": {
          "stats": {
            "field": "salary"
          }
        }
      }
    }
  }
}

# 多次嵌套。根據(jù)工作類型分桶，然后按照性別分桶，計(jì)算工資的統(tǒng)計(jì)信息
POST employees/_search
{
  "size": 0,
  "aggs": {
    "Job_gender_stats": {
      "terms": {
        "field": "job.keyword"
      },
      "aggs": {
        "gender_stats": {
          "terms": {
            "field": "gender"
          },
          "aggs": {
            "salary_stats": {
              "stats": {
                "field": "salary"
              }
            }
          }
        }
      }
    }
  }
}

4.6 Pipeline Aggregation

支持對(duì)聚合分析的結(jié)果，再次進(jìn)行聚合分析。
Pipeline 的分析結(jié)果會(huì)輸出到原結(jié)果中，根據(jù)位置的不同，分為兩類：

• Sibling - 結(jié)果和現(xiàn)有分析結(jié)果同級(jí)
  • Max，min，Avg & Sum Bucket
  • Stats，Extended Status Bucket
  • Percentiles Bucket
• Parent -結(jié)果內(nèi)嵌到現(xiàn)有的聚合分析結(jié)果之中
  • Derivative(求導(dǎo))
  • Cumultive Sum(累計(jì)求和)
  • Moving Function(移動(dòng)平均值 )

1）min_bucket示例

# 平均工資最低的工種
POST employees/_search
{
  "size": 0,
  "aggs": {
    "jobs": {
      "terms": {
        "field": "job.keyword",
        "size": 10
      },
      "aggs": {
        "avg_salary": {
          "avg": {
            "field": "salary"
          }
        }
      }
    },
    "min_salary_by_job":{   
      "min_bucket": {    
        "buckets_path": "jobs>avg_salary"  
      }
    }
  }
}

• min_salary_by_job結(jié)果和jobs的聚合同級(jí)
• min_bucket求之前結(jié)果的最小值
• 通過(guò)bucket_path關(guān)鍵字指定路徑

2）Stats示例

# 平均工資的統(tǒng)計(jì)分析
POST employees/_search
{
  "size": 0,
  "aggs": {
    "jobs": {
      "terms": {
        "field": "job.keyword",
        "size": 10
      },
      "aggs": {
        "avg_salary": {
          "avg": {
            "field": "salary"
          }
        }
      }
    },
    "stats_salary_by_job":{
      "stats_bucket": {
        "buckets_path": "jobs>avg_salary"
      }
    }
  }
}

3）percentiles示例

# 平均工資的百分位數(shù)
POST employees/_search
{
  "size": 0,
  "aggs": {
    "jobs": {
      "terms": {
        "field": "job.keyword",
        "size": 10
      },
      "aggs": {
        "avg_salary": {
          "avg": {
            "field": "salary"
          }
        }
      }
    },
    "percentiles_salary_by_job":{
      "percentiles_bucket": {
        "buckets_path": "jobs>avg_salary"
      }
    }
  }
}

4）Cumulative_sum示例

#Cumulative_sum   累計(jì)求和
POST employees/_search
{
  "size": 0,
  "aggs": {
    "age": {
      "histogram": {
        "field": "age",
        "min_doc_count": 0,
        "interval": 1
      },
      "aggs": {
        "avg_salary": {
          "avg": {
            "field": "salary"
          }
        },
        "cumulative_salary":{
          "cumulative_sum": {
            "buckets_path": "avg_salary"
          }
        }
      }
    }
  }
}

4.7 聚合的作用范圍

ES聚合分析的默認(rèn)作用范圍是query的查詢結(jié)果集，同時(shí)ES還支持以下方式改變聚合的作用范圍：

• Filter
• Post Filter
• Global

#Query
POST employees/_search
{
  "size": 0,
  "query": {
    "range": {
      "age": {
        "gte": 20
      }
    }
  },
  "aggs": {
    "jobs": {
      "terms": {
        "field":"job.keyword"
        
      }
    }
  }
}

#Filter
POST employees/_search
{
  "size": 0,
  "aggs": {
    "older_person": {
      "filter":{
        "range":{
          "age":{
            "from":35
          }
        }
      },
      "aggs":{
         "jobs":{
           "terms": {
        "field":"job.keyword"
      }
      }
    }},
    "all_jobs": {
      "terms": {
        "field":"job.keyword"
        
      }
    }
  }
}



#Post field. 一條語(yǔ)句，找出所有的job類型。還能找到聚合后符合條件的結(jié)果
POST employees/_search
{
  "aggs": {
    "jobs": {
      "terms": {
        "field": "job.keyword"
      }
    }
  },
  "post_filter": {
    "match": {
      "job.keyword": "Dev Manager"
    }
  }
}


#global 
POST employees/_search
{
  "size": 0,
  "query": {
    "range": {
      "age": {
        "gte": 40
      }
    }
  },
  "aggs": {
    "jobs": {
      "terms": {
        "field":"job.keyword"
        
      }
    },
    
    "all":{
      "global":{},
      "aggs":{
        "salary_avg":{
          "avg":{
            "field":"salary"
          }
        }
      }
    }
  }
}

4.8 排序

指定order，按照count和key進(jìn)行排序：

• 默認(rèn)情況，按照count降序排序
• 指定size，就能返回相應(yīng)的桶

#排序 order
#count and key
POST employees/_search
{
  "size": 0,
  "query": {
    "range": {
      "age": {
        "gte": 20
      }
    }
  },
  "aggs": {
    "jobs": {
      "terms": {
        "field":"job.keyword",
        "order":[
          {"_count":"asc"},
          {"_key":"desc"}
          ]
        
      }
    }
  }
}


#排序 order
#count and key
POST employees/_search
{
  "size": 0,
  "aggs": {
    "jobs": {
      "terms": {
        "field":"job.keyword",
        "order":[  {
            "avg_salary":"desc"
          }]
        
        
      },
    "aggs": {
      "avg_salary": {
        "avg": {
          "field":"salary"
        }
      }
    }
    }
  }
}


#排序 order
#count and key
POST employees/_search
{
  "size": 0,
  "aggs": {
    "jobs": {
      "terms": {
        "field":"job.keyword",
        "order":[  {
            "stats_salary.min":"desc"
          }]
        
        
      },
    "aggs": {
      "stats_salary": {
        "stats": {
          "field":"salary"
        }
      }
    }
    }
  }
}

4.8 ES聚合分析不精準(zhǔn)原因分析

ElasticSearch在對(duì)海量數(shù)據(jù)進(jìn)行聚合分析的時(shí)候會(huì)損失搜索的精準(zhǔn)度來(lái)滿足實(shí)時(shí)性的需求。

Terms聚合分析的執(zhí)行流程：

不精準(zhǔn)的原因： 數(shù)據(jù)分散到多個(gè)分片，聚合是每個(gè)分片的取 Top X，導(dǎo)致結(jié)果不精準(zhǔn)。ES 可以不每個(gè)分片Top X，而是全量聚合，但勢(shì)必這會(huì)有很大的性能問(wèn)題。

4.9 Elasticsearch 聚合性能優(yōu)化

4.9.1 啟用 eager global ordinals 提升高基數(shù)聚合性能

適用場(chǎng)景：高基數(shù)聚合 。高基數(shù)聚合場(chǎng)景中的高基數(shù)含義：一個(gè)字段包含很大比例的唯一值。
global ordinals 中文翻譯成全局序號(hào)，是一種數(shù)據(jù)結(jié)構(gòu)，應(yīng)用場(chǎng)景如下：

• 基于 keyword，ip 等字段的分桶聚合，包含：terms聚合、composite 聚合等。
• 基于text 字段的分桶聚合（前提條件是：fielddata 開(kāi)啟）。
• 基于父子文檔 Join 類型的 has_child 查詢和 父聚合。

global ordinals 使用一個(gè)數(shù)值代表字段中的字符串值，然后為每一個(gè)數(shù)值分配一個(gè) bucket（分桶）。
global ordinals 的本質(zhì)是：?jiǎn)⒂?eager_global_ordinals 時(shí)，會(huì)在刷新（refresh）分片時(shí)構(gòu)建全局序號(hào)。這將構(gòu)建全局序號(hào)的成本從搜索階段轉(zhuǎn)移到了數(shù)據(jù)索引化（寫(xiě)入）階段。
創(chuàng)建索引的同時(shí)開(kāi)啟：eager_global_ordinals。

PUT /my-index
{
  "mappings": {
    "properties": {
      "tags": {
        "type": "keyword",
        "eager_global_ordinals": true
      }
    }
  }

注意：開(kāi)啟 eager_global_ordinals 會(huì)影響寫(xiě)入性能，因?yàn)槊看嗡⑿聲r(shí)都會(huì)創(chuàng)建新的全局序號(hào)。為了最大程度地減少由于頻繁刷新建立全局序號(hào)而導(dǎo)致的額外開(kāi)銷，請(qǐng)調(diào)大刷新間隔 refresh_interval。
動(dòng)態(tài)調(diào)整刷新頻率的方法如下：

PUT my-index/_settings
{
  "index": {
    "refresh_interval": "30s"
  }

該招數(shù)的本質(zhì)是：以空間換時(shí)間。

4.9.1 插入數(shù)據(jù)時(shí)對(duì)索引進(jìn)行預(yù)排序

• Index sorting （索引排序）可用于在插入時(shí)對(duì)索引進(jìn)行預(yù)排序，而不是在查詢時(shí)再對(duì)索引進(jìn)行排序，這將提高范圍查詢（range query）和排序操作的性能。
• 在 Elasticsearch 中創(chuàng)建新索引時(shí)，可以配置如何對(duì)每個(gè)分片內(nèi)的段進(jìn)行排序。
• 這是 Elasticsearch 6.X 之后版本才有的特性。

PUT /my_index
{
  "settings": {
    "index":{
      "sort.field": "create_time",
      "sort.order": "desc"
    }
  },
  "mappings": {
    "properties": {
      "create_time":{
        "type": "date"
      }
    }
  }
}

注意：預(yù)排序?qū)⒃黾?Elasticsearch 寫(xiě)入的成本。在某些用戶特定場(chǎng)景下，開(kāi)啟索引預(yù)排序會(huì)導(dǎo)致大約 40%-50% 的寫(xiě)性能下降。也就是說(shuō)，如果用戶場(chǎng)景更關(guān)注寫(xiě)性能的業(yè)務(wù)，開(kāi)啟索引預(yù)排序不是一個(gè)很好的選擇。

4.9.3 使用節(jié)點(diǎn)查詢緩存

節(jié)點(diǎn)查詢緩存（Node query cache）可用于有效緩存過(guò)濾器（filter）操作的結(jié)果。如果多次執(zhí)行同一 filter 操作，這將很有效，但是即便更改過(guò)濾器中的某一個(gè)值，也將意味著需要計(jì)算新的過(guò)濾器結(jié)果。
例如，由于 “now” 值一直在變化，因此無(wú)法緩存在過(guò)濾器上下文中使用 “now” 的查詢。
那怎么使用緩存呢？通過(guò)在 now 字段上應(yīng)用 datemath 格式將其四舍五入到最接近的分鐘/小時(shí)等，可以使此類請(qǐng)求更具可緩存性，以便可以對(duì)篩選結(jié)果進(jìn)行緩存。

PUT /my_index/_doc/1
{
  "create_time":"2022-05-11T16:30:55.328Z"
}

#下面的示例無(wú)法使用緩存
GET /my_index/_search
{
  "query":{
    "constant_score": {
      "filter": {
        "range": {
          "create_time": {
            "gte": "now-1h",
            "lte": "now"
          }
        }
      }
    }
  }
}

# 下面的示例就可以使用節(jié)點(diǎn)查詢緩存。
GET /my_index/_search
{
  "query":{
    "constant_score": {
      "filter": {
        "range": {
          "create_time": {
            "gte": "now-1h/m",
            "lte": "now/m"
          }
        }
      }
    }
  }
}

上述示例中的“now-1h/m” 就是 datemath 的格式。
如果當(dāng)前時(shí)間 now 是：16:31:29，那么range query 將匹配 my_date 介于：15:31:00 和 15:31:59 之間的時(shí)間數(shù)據(jù)。同理，聚合的前半部分 query 中如果有基于時(shí)間查詢，或者后半部分 aggs 部分中有基于時(shí)間聚合的，建議都使用 datemath 方式做緩存處理以優(yōu)化性能。

4.9.4 使用分片請(qǐng)求緩存

聚合語(yǔ)句中，設(shè)置：size：0，就會(huì)使用分片請(qǐng)求緩存緩存結(jié)果。size = 0 的含義是：只返回聚合結(jié)果，不返回查詢結(jié)果。

GET /es_db/_search
{
  "size": 0,
  "aggs": {
    "remark_agg": {
      "terms": {
        "field": "remark.keyword"
      }
    }
  }
}

4.9.5 拆分聚合，使聚合并行化

Elasticsearch 查詢條件中同時(shí)有多個(gè)條件聚合，默認(rèn)情況下聚合不是并行運(yùn)行的。當(dāng)為每個(gè)聚合提供自己的查詢并執(zhí)行 msearch 時(shí)，性能會(huì)有顯著提升。因此，在 CPU 資源不是瓶頸的前提下，如果想縮短響應(yīng)時(shí)間，可以將多個(gè)聚合拆分為多個(gè)查詢，借助：msearch 實(shí)現(xiàn)并行聚合。

#常規(guī)的多條件聚合實(shí)現(xiàn)
GET /employees/_search
{
  "size": 0,
  "aggs": {
    "job_agg": {
      "terms": {
        "field": "job.keyword"
      }
    },
    "max_salary":{
      "max": {
        "field": "salary"
      }
    }
  }
}
# msearch 拆分多個(gè)語(yǔ)句的聚合實(shí)現(xiàn)
GET _msearch
{"index":"employees"}
{"size":0,"aggs":{"job_agg":{"terms":{"field": "job.keyword"}}}}
{"index":"employees"}
{"size":0,"aggs":{"max_salary":{"max":{"field": "salary"}}}}

學(xué)習(xí)總結(jié)

感謝

感謝大佬【止步前行】的文章《ElasticSearch之score打分機(jī)制原理》文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-793569.html

到了這里，關(guān)于【ES專題】ElasticSearch搜索進(jìn)階的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！