elasticsearch - elasticsearch-按百分比过滤

Question

假设我要按10到20％范围内的某个字段过滤文档。我想知道是否可以通过一些简单的查询(例如{"fieldName":{"percentile": [0.1, 0.2]}})进行查询。

说我有这些文件:

[{"a":1,"b":101},{"a":2,"b":102},{"a":3,"b":103}, ..., {"a":100,"b":200}]

我需要按 a(按升序排列)过滤掉它们的前10位，即从1到10的 a。然后我需要按 b按降序对这些结果进行排序，然后进行分页结果(如第2页，每页10条)。

想到的一种解决方案是:

获取文档的总数。

按a对文档进行排序，取其相应的_id限制为0.1 * total_count

编写最终查询，类似于id in (...) order by b

但是缺点也很明显:

如果我们谈论的是亚秒级延迟，则

似乎并不有效

如果我们在第一个查询中返回的_id太多(第二个查询默认情况下，ES只允许1000个。我当然可以更改配置，但是总会有一个限制)，第二个查询可能无法工作。

Answer 1

我怀疑如果事先不知道a的确切值，是否可以在一个查询中执行此操作，尽管我认为一种非常有效的方法是可行的。

我建议做一个 percentiles aggregation作为第一个查询， range query作为第二个查询。

在我的样本索引中，我只有14个文档，因此出于解释的原因，我将尝试查找占a字段30％到60％的那​​些文档，并按相反的顺序按b字段对它们进行排序(以确保排序有效) 。

这是我插入的文档:

{"a":1,"b":101}
{"a":5,"b":105}
{"a":10,"b":110}
{"a":2,"b":102}
{"a":6,"b":106}
{"a":7,"b":107}
{"a":9,"b":109}
{"a":4,"b":104}
{"a":8,"b":108}
{"a":12,"b":256}
{"a":13,"b":230}
{"a":14,"b":215}
{"a":3,"b":103}
{"a":11,"b":205}

让我们找出在30％到60％百分位数之间 a字段的范围:

POST my_percent/doc/_search
{
    "size": 0,
    "aggs" : {
        "percentiles" : {
            "percentiles" : {
                "field" : "a",
                "percents": [ 30, 60, 90 ]
            }
        }
    }
}

用我的样本索引看起来像这样:

{
...
  "hits": {
    "total": 14,
    "max_score": 0,
    "hits": []
  },
  "aggregations": {
    "percentiles": {
      "values": {
        "30.0": 4.9,
        "60.0": 8.8,
        "90.0": 12.700000000000001
      }
    }
  }
}

现在我们可以使用边界进行 range查询:

POST my_percent/doc/_search
{
    "query": {
      "range": {
            "a" : {
                "gte" : 4.9,
                "lte" : 8.8
            }
        }
    },
    "sort": {
      "b": "desc"
    }
}

结果是:

{
  "took": 5,
  "timed_out": false,
  "_shards": {
    "total": 5,
    "successful": 5,
    "skipped": 0,
    "failed": 0
  },
  "hits": {
    "total": 4,
    "max_score": null,
    "hits": [
      {
        "_index": "my_percent",
        "_type": "doc",
        "_id": "vkFvYGMB_zM1P5OLcYkS",
        "_score": null,
        "_source": {
          "a": 8,
          "b": 108
        },
        "sort": [
          108
        ]
      },
      {
        "_index": "my_percent",
        "_type": "doc",
        "_id": "vUFvYGMB_zM1P5OLWYkM",
        "_score": null,
        "_source": {
          "a": 7,
          "b": 107
        },
        "sort": [
          107
        ]
      },
      {
        "_index": "my_percent",
        "_type": "doc",
        "_id": "vEFvYGMB_zM1P5OLRok1",
        "_score": null,
        "_source": {
          "a": 6,
          "b": 106
        },
        "sort": [
          106
        ]
      },
      {
        "_index": "my_percent",
        "_type": "doc",
        "_id": "u0FvYGMB_zM1P5OLJImy",
        "_score": null,
        "_source": {
          "a": 5,
          "b": 105
        },
        "sort": [
          105
        ]
      }
    ]
  }
}

注意 percentiles聚合的结果是近似的。

通常，这看起来像是可以通过 pandas或 Spark作业更好地解决的任务。

希望有帮助!