1

我有一个索引，其映射类似于

{
    "id": {
        "type": "long"
    },
    "start": {
        "type": "date"
    },
    "end": {
        "type": "date"
    }
}

我想创建一个日期直方图，以便每个文档都落入所有桶中，这些桶的间隔落在“开始”和“结束”之间。

例如。如果对于一个文档“开始”= 2018 年 1 月 12 日，“结束”= 2019 年 4 月 25 日，我的日期直方图间隔是周，范围是 now-1y 到现在。我现在希望从 2018 年 12 月 1 日到 2019 年 4 月 25 日这一周，该文档落入每个桶中。因此，仅使用这个文档，结果应该是 52 个存储桶，其中 4 月到 12 月的存储桶具有 doc_count 0，而 12 月到 4 月的存储桶具有 doc_count 1。

正如我所看到的，日期直方图仅让我可以选择根据一个字段（“开始”或“结束”）将我的文档与一个桶完全匹配。

到目前为止我已经尝试过：

  1. 动态生成带有 52 个过滤器的查询，用于检查文档是否落入此“桶”
  2. 尝试在每个查询中使用无痛脚本

两种解决方案都非常缓慢。我正在处理大约 200k 个文档，这样的查询大约需要 10 秒。

编辑：这是一个动态生成的示例查询。可以看出，每周创建一个过滤器。此查询大约需要 10 秒，这太长了

%{
  aggs: %{
    count_chart: %{
      aggs: %{
        last_seen_over_time: %{
          filters: %{
            filters: %{
              "2018-09-24T00:00:00Z" => %{
                bool: %{
                  must: [
                    %{range: %{start: %{lte: "2018-09-24T00:00:00Z"}}},
                    %{range: %{end: %{gte: "2018-09-17T00:00:00Z"}}}
                  ]
                }
              },
              "2018-12-24T00:00:00Z" => %{
                bool: %{
                  must: [
                    %{range: %{start: %{lte: "2018-12-24T00:00:00Z"}}},
                    %{range: %{end: %{gte: "2018-12-17T00:00:00Z"}}}
                  ]
                }
              },
              "2019-04-01T00:00:00Z" => %{
                bool: %{
                  must: [
                    %{range: %{start: %{lte: "2019-04-01T00:00:00Z"}}},
                    %{range: %{end: %{gte: "2019-03-25T00:00:00Z"}}}
                  ]
                }
              }, ...
          }
      }
    }
  },
  size: 0
}

和一个示例响应：

%{
  "_shards" => %{"failed" => 0, "skipped" => 0, "successful" => 5, "total" => 5},
  "aggregations" => %{
    "count_chart" => %{
      "doc_count" => 944542,
      "last_seen_over_time" => %{
        "buckets" => %{
          "2018-09-24T00:00:00Z" => %{"doc_count" => 52212},
          "2018-12-24T00:00:00Z" => %{"doc_count" => 138509},
          "2019-04-01T00:00:00Z" => %{"doc_count" => 119634},
          ...
        }
      }
    }
  },
  "hits" => %{"hits" => [], "max_score" => 0.0, "total" => 14161812},
  "timed_out" => false,
  "took" => 2505
}

我希望这个问题是可以理解的。如果不是，我将更详细地解释它。

4

1 回答 1

1

每周进行 2 次 date_histogram 查询并计算差异如何？我假设由于查询中的 size:0 ，您只需要总数。

    let start = await client.search({
        index: 'dates',
        size: 0,
        body: {
            "aggs" : {
                "start": {
                    "date_histogram": {
                        "field": "start",
                        "interval": "week"
                    },
                }
            }
        }
    });

    let end = await client.search({
        index: 'dates',
        size: 0,
        body: {
            "aggs" : {
                "end": {
                    "date_histogram": {
                        "field": "end",
                        "interval": "week"
                    },
                }
            }
        }
    });

   let buckets = {};
   let start_buckets = start.aggregations.start.buckets;
   let end_buckets = end.aggregations.start.buckets;
   let started = 0;
   let ended = 0;
   for (let i = 0; i < start_buckets.length; i++) {
       started += start_buckets[i].doc_count;
       buckets[start_buckets[i].key_as_string] = started - ended;
       ended += end_buckets[i].doc_count;
   }

在我的本地测试中，这个测试用时不到 2 秒，与你的测试规模相似。

您可以同时运行两个聚合以节省更多时间。

于 2019-04-28T11:13:53.423 回答