ES系列之聚合统计不准确问题对应解决方案

本篇文章不是讲ElasticSearch（下面简称ES）聚合分析的基本概念和用法的，这些网上的资料很多，不清楚的可以自行查阅。

我下面聚合分析使用的数据都是kibana自带的，这样方便有些读者实际测试文中的示例。

基本概念

ES为了满足搜索的实时性，在聚合分析的一些场景会通过损失精准度的方式加快结果的返回。这其实ES在实时性和精准度中间的权衡。

需要明确的是，并不是所有的聚合分析都会损失精准度，比如min,max等这些就没有精准度的问题。

可能这样直接说不好理解，下面会有详细的分析。

问题描述

我们通过一个示例引入问题。

首先我会把kibana自带的航班信息索引(名为kibana_sample_data_flights)reindex到我自定义的一个索引(名为my_flights)中，我的mapping和自带的索引完全一样，唯一的区别在于我设置了20个分片。索引的设置如下：

1. PUT my_flights

2. {

3.   "settings": {

4.     "number_of_shards": 20

5.   },

6.   "mappings" : {

7.       "properties" : {

8.         "AvgTicketPrice" : {

9.           "type" : "float"

10.         },

11.         省略其它部分

reindex（以后有专门的文章讲reindex）的过程比较慢，我的电脑大概需要一分钟左右。

1. POST _reindex

2. {

3.   "source": {

4.     "index": "kibana_sample_data_flights"

5.   },

6.   "dest": {

7.     "index": "my_flights"

8.   }

9. }

然后我们执行聚合分析的查询，这个查询是根据航班的目的地进行分桶。

1. GET my_flights/_search

2. {

3.   "size": 0, 

4.   "aggs": {

5.     "dest": {

6.       "terms": {

7.         "field": "DestCountry"

8.       }

9.     }

10.   }

11. }

结果如下，

1. {

2.   "took" : 9,

3.   "timed_out" : false,

4.   "_shards" : {

5.     "total" : 20,

6.     "successful" : 20,

7.     "skipped" : 0,

8.     "failed" : 0

9.   },

10.   "hits" : {

11.     "total" : {

12.       "value" : 10000,

13.       "relation" : "gte"

14.     },

15.     "max_score" : null,

16.     "hits" : [ ]

17.   },

18.   "aggregations" : {

19.     "dest" : {

20.       "doc_count_error_upper_bound" : 52,

21.       "sum_other_doc_count" : 3187,

22.       "buckets" : [

23.         {

24.           "key" : "IT",

25.           "doc_count" : 2371

26.         },

27.         {

28.           "key" : "US",

29.           "doc_count" : 1987

30.         },

32.         其它部分省略

在返回结果的aggregations中，有两个值：doc_count_error_upper_bound和sum_other_doc_count，我先来解释下，

• doc_count_error_upper_bound：表示没有在这次聚合中返回，但是可能存在的潜在聚合结果。

• sum_other_doc_count：表示这次聚合中没有统计到的文档数。这个好理解，因为ES统计的时候默认只会根据count显示排名前十的分桶。如果分类（这里是目的地）比较多，自然会有文档没有被统计到。

而这个doc_count_error_upper_bound就是我们本文要关注的重点对象，这个指标其实就是告诉用户本次的聚合结果究竟有多不精确。

问题分析

ES基于分布式，聚合分析的请求都是分发到所有的分片上单独处理，最后汇总结果。ES的terms聚合本身是前几个（size指定）结果，这就导致了结果必然有误差。

如上图所示，我们进行一个terms分桶查询，取前面3个结果。ES给出的结果是 A，B，C三个term，文档数量分别是12, 6, 4。

但是我们看最下面两个分片上的文档分布，人工也能看出来其实D应该是在结果中的，因为D的文档数量有6个，比C多，所以比较精确的结果应该是A，B，D。

产生问题的原因在于ES在对每个分片单独处理的时候，第一个分片的结果是A,B,C，第二个分片是A,B,D，并且第一个分片的C的文档数量大于D。所以汇总后的结果是A,B,C。

如何提高精准度

讨论完了问题，现在来看看如何解决问题。一般的方案有几种：

不分片

设置主分片为1，也就是不分片了。这个显而易见，上面分析聚合不精确的核心原因就在于分片，所以不分片肯定可以解决问题。但是缺点也是显然的，只适用于数据量小的情况下，如果数据量大都在一个分片上会影响ES的性能。

我们来做个测试，看看不分片的效果。我们使用自带的kibana_sample_data_flights索引来执行分桶聚合。

1. GET kibana_sample_data_flights/_search

2. {

3.   "size": 0, 

4.   "aggs": {

5.     "dest": {

6.       "terms": {

7.         "field": "DestCountry"      

8.         , "size": 3

9.       }

10.     }

11.   }

12. }

结果是，

1. {

2.   "took" : 2,

3.   "timed_out" : false,

4.   "_shards" : {

5.     "total" : 1,

6.     "successful" : 1,

7.     "skipped" : 0,

8.     "failed" : 0

9.   },

10.   "hits" : {

11.     "total" : {

12.       "value" : 10000,

13.       "relation" : "gte"

14.     },

15.     "max_score" : null,

16.     "hits" : [ ]

17.   },

18.   "aggregations" : {

19.     "dest" : {

20.       "doc_count_error_upper_bound" : 0,

21.       "sum_other_doc_count" : 7605,

22.       "buckets" : [

23.         {

24.           "key" : "IT",

25.           "doc_count" : 2371

26.         },

27.         其它部分省略

因为kibana_sample_data_flights索引的分片数量是1，所以没有损失精准度。

提高聚合的数量

如下所示，把size设置成20（默认情况是10）聚合查询。size是指定聚合返回的结果数量。返回的结果越多，精确度肯定就越高。

1. GET my_flights/_search

2. {

3.   "size": 0, 

4.   "aggs": {

5.     "dest": {

6.       "terms": {

7.         "field": "DestCountry"      

8.         , "size": 20

9.       }

10.     }

11.   }

12. }

结果，

1. "aggregations" : {

2.     "dest" : {

3.       "doc_count_error_upper_bound" : 0,

4.       "sum_other_doc_count" : 571,

5.       "buckets" : [

6.         {

7.           "key" : "IT",

8.           "doc_count" : 2371

9.         },

10.         其它部分省略

结果也是没有精准度的损失了。

调大shard_size值

这个值表示要从分片上拿来计算的文档数量。默认情况下和size是一样的。取得size的值越大，结果会越接近准确，不过很明显会影响性能。

总结

1. ES某些聚合统计会存在损失精准度的问题

2. 损失精准度的原因是分片处理中间结果，汇总引起的误差，是ES实时性和精准度的权衡

3. 可以通过调大shard_size等方法增加精准度 

转载：ES系列之原来ES的聚合统计不准确啊