一直以来，es的agg聚合分析性能都比较差（对应sql的 group by）。特别是在超多数据中做聚合，在搜索的条件命中特别多结果的情况下，聚合分析会非常非常的慢。一个聚合条件：聚合分析请求的时间 = search time + agg timeN个聚合条件：聚合分析请求的时间 = search time + agg time * N搜索的数据范围越大，聚合请求时间越长。搜索条件命中的数据越多，聚合请求的时间越长。搜索的字段，不一样的值越多，聚合请求时间越长。例如性别字段，通常仅有3个取值（男、女、未知），这种属于取值少的。像邮箱字段，值非常多，上亿个。这种就属于高基数字段。同样的搜索条件，高基数字段的聚合耗时会多非常多！聚合请求时候非常吃cpu 和io资源的。通常在大数据检索场景下，很难支持高并发的聚合。并发上去以后，先是CPU飙升，再是IO飙升，随之load很高很高。其根本原因，从agg聚合的源码来看。因为聚合请求分为两个阶段，先根据条件查询数据。然后将命中的全部数据，放在内存中做计算。在第二个过程中，因为将所有命中的数据全部取回来，然后做计算，就涉及到了非常多的小文件的IO。IO会蹭蹭蹭的飙升。就目前而言，在不改源码的情况下，聚合性能很难有很大的突破。本篇文章，通过抽样的思路，通过抽取分片，相当于数据剪枝的方式，来节省资源消耗。提升聚合分析性能，提升大概在3-5倍。随着数据越多，分片越多，资源越少，性能提升效果越明显。
我个人是做万亿级内容数据检索的。负责搜索集群，负责搜索优化。聚合分析性能优化，我应该说已经看了全网关于优化的文章。在实际数据体量非常大的前提下，实际效果不是太明显。其中比较好的有这几篇文章。es官方博文
抽样聚合方案
1.es原生抽样聚合
官方提供的采样聚合
参考文档：Sampler aggregation | Elasticsearch Guide [7.11] | Elastic
ES中的抽样聚合，意思是只对高质量的数据做聚合。比如，指定搜索条件，该搜索条件命中的数据为100W，对这100W数据，根据相关性分数排序。然后对这topK的数据做聚，比如每个shard上取200条评分最高的数据，去聚合。这就是ES sampler aggregation的含义。
2.es pre-filter机制
参考文档：Elasticsearch的search之_shards skipped之谜_布道的博客-CSDN博客__shards skipped
3.es在检索过程中指定分片
GET index_name/_search?preference=_shards:0
抽样抽分片的思路，只每次固定只检测其中一个分片。例如我们的索引一共300G，每个分片30G，一共有10个分片。在检索的过程中，只对其中一个分片做检索和聚合。其最终的聚合结果，根据我们的测试来看，效果还是非常不错的。聚合结果的分布情况和本来的terms聚合相差不大。性能也能提升个几倍。注意这种方式，聚合结果是近似的，并不是完全准确的（ES本身的聚合解结果就不是100%精准的）。
在大数据随机分布的情况下。在搜索命中大量数据情况下，其结果分布也是满足正态分布的。注意在搜索结果命中的结果集越多，其结果越符合正态分布，其聚合结果越接近标准值（原生terms聚合）。这里有一个值，一个经验值，在搜索提交条件命中大于10000的时候，可以用抽样，结果偏差不大。
注意，这里具体抽哪一个分片是有说法的。我们要考虑一个问题，同一个搜索条件，聚合结果应该是一致的。这里可以将搜索条件进行md5，然后取hash值，然后将hash值模上分片总数。这里只是一个思路。
ES官方的抽样聚合说明
抽样方案对比测试
对比测试了三种聚合分析的方式，其中包含了terms、sampler terms、和shard抽样（假如有10个shard，只对其中一个shard做搜索）
先说测试结论
官方的抽样，召回的结果和标准结果偏差较大。
官方的抽样，时间花费上，并没有太大的提升。
抽取分片，召回的结果和标准结果偏差不大。
抽取分片，时间花费上，性能提升3-5倍。资源花费为分片总数分之一。
响应时间对比如下
| 检索范围 | 检索条件 | 查询语法 | 响应时间 | 备注 |
| major_index_202303 | （北京 AND 暴雨） | terms | 4561 7694 | |
| shard抽样 | 1423 2785 | 效果最好 | ||
| terms sampler | 5650 3663 | 效果没有太明显 |
召回结果对比如下
| 关键词 | terms（结果） | 抽取一个分片 | sampler terms（抽样200） | 备注 |
| 地区 | 4224 | 446 | 2094 | |
| 中国 | 3772 | 375 | - | |
| 发展 | 3605 | 342 | - | |
| 天气 | 3503 | 378 | 1942 | |
| 部分 | 2781 | 294 | 1525 | |
| 大雨 | 2395 | 236 | - | |
| 暴雨 | 2394 | 264 | 2454 | |
| 气温 | 2079 | 212 | 915 | |
| 局地 | 1851 | 199 | 1055 | |
| 工作 | 1741 | 187 | - | |
| 降雨 | - | - | 1111 | |
| 北京 | - | - | 827 | |
| 巴西 | - | - | 801 | |
| 灾害 | - | - | 801 |
检索语句
这里使用的是query_string 检索语法。对比标准的terms聚合，官方的simple抽样，和抽分片。
"query": {
"query_string": {
"query": """北京 AND 暴雨""",
"fields": [
"content^1.0",
"title^1.0"
],
"type": "phrase",
"tie_breaker": 1,
"default_operator": "and",
"max_determinized_states": 10000,
"enable_position_increments": true,
"fuzziness": "AUTO",
"fuzzy_prefix_length": 0,
"fuzzy_max_expansions": 50,
"phrase_slop": 0,
"escape": false,
"auto_generate_synonyms_phrase_query": true,
"fuzzy_transpositions": true,
"boost": 1
}
}
全部测试结果原始数据
| 搜索范围 | 搜索条件 | 聚合方式 | 耗时情况ms | 返回结果 |
| major_info_202303 | （北京 AND 暴雨） | terms | 4561 7694 | [ { "key" : "地区", "doc_count" : 4224 }, { "key" : "中国", "doc_count" : 3772 }, { "key" : "发展", "doc_count" : 3605 }, { "key" : "天气", "doc_count" : 3503 }, { "key" : "部分", "doc_count" : 2781 }, { "key" : "大雨", "doc_count" : 2395 }, { "key" : "暴雨", "doc_count" : 2394 }, { "key" : "气温", "doc_count" : 2079 }, { "key" : "局地", "doc_count" : 1851 }, { "key" : "工作", "doc_count" : 1741 } ] |
| terms sampler | 5650 3663 | [ { "key" : "暴雨", "doc_count" : 2454 }, { "key" : "地区", "doc_count" : 2094 }, { "key" : "天气", "doc_count" : 1942 }, { "key" : "部分", "doc_count" : 1525 }, { "key" : "降雨", "doc_count" : 1111 }, { "key" : "局地", "doc_count" : 1055 }, { "key" : "气温", "doc_count" : 915 }, { "key" : "北京", "doc_count" : 827 }, { "key" : "巴西", "doc_count" : 801 }, { "key" : "灾害", "doc_count" : 801 } ] | ||
| terms + 指定shard | 1423 2785 | [ { "key" : "地区", "doc_count" : 446 }, { "key" : "天气", "doc_count" : 378 }, { "key" : "中国", "doc_count" : 375 }, { "key" : "发展", "doc_count" : 342 }, { "key" : "部分", "doc_count" : 294 }, { "key" : "暴雨", "doc_count" : 264 }, { "key" : "大雨", "doc_count" : 236 }, { "key" : "气温", "doc_count" : 212 }, { "key" : "局地", "doc_count" : 199 }, { "key" : "工作", "doc_count" : 187 } ] |
9309
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
