ElasticSearch教程——cardinality（去重）算法之优化内存开销以及HLL算法

青旅半醒 2021-09-27 20:58 915阅读 0赞

**ElasticSearch汇总请查看：[ElasticSearch教程——汇总篇][ElasticSearch]**

说明，一般使用第一种和第二种方法，很少使用第三种HLL优化（效果不是特别明显）

# 1、cardinality语法 #

es，去重，cartinality metric，对每个bucket中的指定的field进行去重，取去重后的count，类似于count(distcint)  
**cardinality，count(distinct)，5%的错误率，性能在100ms左右**

{
      "size" : 0,
      "aggs" : {
          "months" : {
            "date_histogram": {
              "field": "sold_date",
              "interval": "month"
            },
            "aggs": {
              "distinct_colors" : {
                  "cardinality" : {
                    "field" : "brand"
                  }
              }
            }
          }
      }
    }

{
      "took": 70,
      "timed_out": false,
      "_shards": {
        "total": 5,
        "successful": 5,
        "failed": 0
      },
      "hits": {
        "total": 8,
        "max_score": 0,
        "hits": []
      },
      "aggregations": {
        "group_by_sold_date": {
          "buckets": [
            {
              "key_as_string": "2016-05-01T00:00:00.000Z",
              "key": 1462060800000,
              "doc_count": 1,
              "distinct_brand_cnt": {
                "value": 1
              }
            },
            {
              "key_as_string": "2016-06-01T00:00:00.000Z",
              "key": 1464739200000,
              "doc_count": 0,
              "distinct_brand_cnt": {
                "value": 0
              }
            },
            {
              "key_as_string": "2016-07-01T00:00:00.000Z",
              "key": 1467331200000,
              "doc_count": 1,
              "distinct_brand_cnt": {
                "value": 1
              }
            },
            {
              "key_as_string": "2016-08-01T00:00:00.000Z",
              "key": 1470009600000,
              "doc_count": 1,
              "distinct_brand_cnt": {
                "value": 1
              }
            },
            {
              "key_as_string": "2016-09-01T00:00:00.000Z",
              "key": 1472688000000,
              "doc_count": 0,
              "distinct_brand_cnt": {
                "value": 0
              }
            },
            {
              "key_as_string": "2016-10-01T00:00:00.000Z",
              "key": 1475280000000,
              "doc_count": 1,
              "distinct_brand_cnt": {
                "value": 1
              }
            },
            {
              "key_as_string": "2016-11-01T00:00:00.000Z",
              "key": 1477958400000,
              "doc_count": 2,
              "distinct_brand_cnt": {
                "value": 1
              }
            },
            {
              "key_as_string": "2016-12-01T00:00:00.000Z",
              "key": 1480550400000,
              "doc_count": 0,
              "distinct_brand_cnt": {
                "value": 0
              }
            },
            {
              "key_as_string": "2017-01-01T00:00:00.000Z",
              "key": 1483228800000,
              "doc_count": 1,
              "distinct_brand_cnt": {
                "value": 1
              }
            },
            {
              "key_as_string": "2017-02-01T00:00:00.000Z",
              "key": 1485907200000,
              "doc_count": 1,
              "distinct_brand_cnt": {
                "value": 1
              }
            }
          ]
        }
      }
    }

# 2、precision\_threshold优化准确率和内存开销 #

GET /tvs/sales/_search
    {
        "size" : 0,
        "aggs" : {
            "distinct_brand" : {
                "cardinality" : {
                  "field" : "brand",
                  "precision_threshold" : 100 
                }
            }
        }
    }

brand去重，如果brand（品牌）的unique value，在100个以内，小米，长虹，三星，TCL，HTL。。。

在多少个unique value以内，cardinality，几乎保证100%准确  
cardinality算法，会占用precision\_threshold \* 8 byte 内存消耗，100 \* 8 = 800个字节  
占用内存很小而且unique value如果的确在值以内，那么可以确保100%准确  
100，数百万的unique value，错误率在5%以内

precision\_threshold，值设置的越大，占用内存越大，可以确保更多unique value的场景下，100%的准确

field，去重，count，这时候，unique value，10000，  
precision\_threshold=10000，  
10000 \* 8 = 80000 个byte，  
80000 / 1024 ≈ 80KB

#    3、HyperLogLog++ (HLL)算法性能优化 #

cardinality底层算法：HLL算法，HLL算法的性能  
会对所有的uqniue value取hash值，通过hash值近似去求distcint count，误差

默认情况下，发送一个cardinality请求的时候，会动态地对所有的field value，取hash值; 将取hash值的操作，前移到建立索引的时候

创建索引时， brand field type 增加创建其hash值索引  
注：这边的“murmur3”是一种取hash值的算法

PUT /tvs/
    {
      "mappings": {
        "sales": {
          "properties": {
            "brand": {
              "type": "text",
              "fields": {
                "hash": {
                  "type": "murmur3" 
                }
              }
            }
          }
        }
      }
    }

根据hash值作引进行cartinality metric

GET /tvs/sales/_search
    {
        "size" : 0,
        "aggs" : {
            "distinct_brand" : {
                "cardinality" : {
                  "field" : "brand.hash",
                  "precision_threshold" : 100 
                }
            }
        }
    }

[ElasticSearch]: https://blog.csdn.net/gwd1154978352/article/details/82781731