白话Elasticsearch51-深入聚合数据分析之text field聚合以及fielddata原理

---

概述

继续跟中华石杉老师学习ES，第51篇

课程地址： https://www.roncoo.com/view/55

---

官网

fielddata： 戳这里

---

示例

对于分词的field执行aggregation，报错

先构造下模拟索引及数据

PUT /artisan_index 
{
  "mappings": {
    "artisan_type": {
      "properties": {
        "artisan_filed": {
          "type": "text"
        }
      }
    }
  }
}




PUT /artisan_index/artisan_type/1
{
  "artisan_filed": "artisan_1"
}

PUT /artisan_index/artisan_type/2
{
  "artisan_filed": "artisan_2"
}

GET  /artisan_index/_mapping/artisan_type

---

我们建立的 artisan_filed是text类型，默认是分词的，那么我们对该字段进行 aggs看下

GET  /artisan_index/artisan_type/_search
{
  "size": 0,
  "aggs": {
    "group_by_artisan_field": {
      "terms": {
        "field": "artisan_filed"
      }
    }
  }
}

报错如下：

 {
        "type": "illegal_argument_exception",
        "reason": "Fielddata is disabled on text fields by default. Set fielddata=true on [artisan_filed] in order to load fielddata in memory by uninverting the inverted index. Note that this can however use significant memory. Alternatively use a keyword field instead."
      }

对分词的field，直接执行聚合操作，会报错，大概意思是说，你必须要打开fielddata，然后将正排索引数据加载到内存中，才可以对分词的field执行聚合操作，而且会消耗很大的内存 .

当然了，排序这种操作也是不行的。

---

给分词的field，设置fielddata=true，可执行

#删除索引
DELETE artisan_index

#创建索引，设置text类型的字段的fielddata为true
PUT /artisan_index 
{
  "mappings": {
    "artisan_type": {
      "properties": {
        "artisan_filed": {
          "type": "text",
          "fielddata": true
        }
      }
    }
  }
}



#模拟数据
PUT /artisan_index/artisan_type/1
{
  "artisan_filed": "artisan_1"
}

PUT /artisan_index/artisan_type/2
{
  "artisan_filed": "artisan_2"
}


#查看映射
GET  /artisan_index/_mapping/artisan_type



---------------

# 聚合操作
GET  /artisan_index/artisan_type/_search
{
  "size": 0,
  "aggs": {
    "group_by_artisan_field": {
      "terms": {
        "field": "artisan_filed"
      }
    }
  }
}

如果要对分词的field执行聚合操作，必须将fielddata设置为true

---

使用field.keyword，对分词的field进行聚合，可执行

#直接写入数据，让ES自动创建索引
PUT /artisan_index/artisan_type/1
{
  "artisan_filed": "artisan_1"
}

PUT /artisan_index/artisan_type/2
{
  "artisan_filed": "artisan_2"
}


#查看映射
GET  /artisan_index/_mapping/artisan_type

# artisan_filed.keyword  es内置的keyword也可以在没设置fielddata=true的情况下聚合
GET  /artisan_index/artisan_type/_search
{
  "size": 0,
  "aggs": {
    "group_by_artisan_field": {
      "terms": {
        "field": "artisan_filed.keyword"
      }
    }
  }
}

artisan_filed.keyword es内置的keyword也可以在没设置fielddata=true的情况下。

当然了，如果对不分词的field执行聚合操作，直接就可以执行，不需要设置fieldata=true

---

分词field+fielddata的工作原理

doc value --> 不分词的所有field，可以执行聚合操作 --> 如果你的某个field不分词，那么在index-time，就会自动生成doc value --> 针对这些不分词的field执行聚合操作的时候，自动就会用doc value来执行。

分词field，是没有doc value的。。。在index-time，如果某个field是分词的，那么是不会给它建立doc value正排索引的，因为分词后，占用的空间过于大，所以默认是不支持分词field进行聚合的

分词field默认没有doc value，所以直接对分词field执行聚合操作，是会报错的

对于分词field，必须打开和使用fielddata，完全存在于纯内存中。。。结构和doc value类似。。。如果是ngram或者是大量term，那么必将占用大量的内存。。。

如果一定要对分词的field执行聚合，那么必须将fielddata=true，然后es就会在执行聚合操作的时候，现场将field对应的数据，建立一份fielddata正排索引，fielddata正排索引的结构跟doc value是类似的，但是只会将fielddata正排索引加载到内存中来，然后基于内存中的fielddata正排索引执行分词field的聚合操作

如果直接对分词field执行聚合，报错，提示让我们开启fielddata=true，告诉我们，会将fielddata uninverted index（正排索引），加载到内存，会耗费内存空间

为什么fielddata必须在内存？分词的字符串，需要按照term进行聚合，需要执行更加复杂的算法和操作，如果基于磁盘和os cache，那么性能会很差