微服务项目之电商--19.ElasticSearch基本、高级查询和过滤、结果过滤、排序和聚合aggregations

骑猪看日落 2021-11-02 05:04 273阅读 0赞

接上一篇

**目录**

3.查询

3.1.基本查询：

3.1.1 查询所有（match\_all)

3.1.2 匹配查询（match）

3.1.3 多字段查询（multi\_match）

3.1.4 词条匹配(term)

3.1.5 多词条精确匹配(terms)

3.2.结果过滤

3.2.1.直接指定字段

3.2.2.指定includes和excludes

3.3 高级查询

3.3.1 布尔组合（bool)

3.3.2 范围查询(range)

3.3.3 模糊查询(fuzzy)

3.4 过滤(filter)

3.5 排序

3.4.1 单字段排序

3.4.2 多字段排序

4. 聚合aggregations

4.1 基本概念

4.2 聚合为桶

4.3 桶内度量

4.5.划分桶的其它方式

4.5.1.阶梯分桶Histogram

4.5.2.范围分桶range

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

# 3.查询 #

我们从4块来讲查询：

*  基本查询
 *  `_source`过滤
 *  结果过滤
 *  高级查询
 *  排序

## 3.1.基本查询： ##

基本语法

GET /索引库名/\_search  
\{  
    "query":\{  
        "查询类型":\{  
            "查询条件":"查询条件值"  
        \}  
    \}  
\}

这里的query代表一个查询对象，里面可以有不同的查询属性

*  查询类型：
    
     *  例如：`match_all`， `match`，`term` ， `range` 等等
 *  查询条件：查询条件会根据类型的不同，写法也有差异，后面详细讲解

### 3.1.1 查询所有（match\_all) ###

示例：

GET /heima/\_search  
\{  
    "query":\{  
        "match\_all": \{\}  
    \}  
\}

*  `query`：代表查询对象
 *  `match_all`：代表查询所有

结果

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3OTA5NTA4_size_16_color_FFFFFF_t_70][]

*  took：查询花费时间，单位是毫秒
 *  time\_out：是否超时
 *  \_shards：分片信息
 *  hits：搜索结果总览对象
    
     *  total：搜索到的总条数
     *  max\_score：所有结果中文档得分的最高分
     *  hits：搜索结果的文档对象数组，每个元素是一条搜索到的文档信息
        
         *  \_index：索引库
         *  \_type：文档类型
         *  \_id：文档id
         *  \_score：文档得分
         *  \_source：文档的源数据

### 3.1.2 匹配查询（match） ###

我们先加入一条数据，便于测试：

![20190810095135980.png][]

现在，索引库中有2部手机，1台电视：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3OTA5NTA4_size_16_color_FFFFFF_t_70 1][]

*  or关系

`match`类型查询，会把查询条件进行分词，然后进行查询,多个词条之间是or的关系

GET /heima/\_search  
\{  
    "query":\{  
        "match":\{  
            "title":"小米电视"  
        \}  
    \}  
\}

结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3OTA5NTA4_size_16_color_FFFFFF_t_70 2][]

在上面的案例中，不仅会查询到电视，而且与小米相关的都会查询到，多个词之间是`or`的关系。

*  and关系

某些情况下，我们需要更精确查找，我们希望这个关系变成`and`，可以这样做：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3OTA5NTA4_size_16_color_FFFFFF_t_70 3][]

结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3OTA5NTA4_size_16_color_FFFFFF_t_70 4][]

本例中，只有同时包含`小米`和`电视`的词条才会被搜索到。

*  or和and之间？

在 `or` 与 `and` 间二选一有点过于非黑即白。 如果用户给定的条件分词后有 5 个查询词项，想查找只包含其中 4 个词的文档，该如何处理？将 operator 操作符参数设置成 `and` 只会将此文档排除。

有时候这正是我们期望的，但在全文搜索的大多数应用场景下，我们既想包含那些可能相关的文档，同时又排除那些不太相关的。换句话说，我们想要处于中间某种结果。

`match` 查询支持 `minimum_should_match` 最小匹配参数， 这让我们可以指定必须匹配的词项数用来表示一个文档是否相关。我们可以将其设置为某个具体数字，更常用的做法是将其设置为一个`百分数`，因为我们无法控制用户搜索时输入的单词数量：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3OTA5NTA4_size_16_color_FFFFFF_t_70 5][]

本例中，搜索语句可以分为3个词，如果使用and关系，需要同时满足3个词才会被搜索到。这里我们采用最小品牌数：75%，那么也就是说只要匹配到总词条数量的75%即可，这里3\*75% 约等于2。所以只要包含2个词条就算满足条件了。

结果

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3OTA5NTA4_size_16_color_FFFFFF_t_70 6][]

### 3.1.3 多字段查询（multi\_match） ###

`multi_match`与`match`类似，不同的是它可以在多个字段中查询

GET /heima/_search
    {
        "query":{
            "multi_match": {
                "query":    "小米",
                "fields":   [ "title", "subTitle" ]
            }
    	}
    }

本例中，我们会在title字段和subtitle字段中查询`小米`这个词

### 3.1.4 词条匹配(term) ###

`term` 查询被用于精确值 匹配，这些精确值可能是数字、时间、布尔或者那些**未分词**的字符串

GET /heima/_search
    {
        "query":{
            "term":{
                "price":2699.00
            }
        }
    }

结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3OTA5NTA4_size_16_color_FFFFFF_t_70 7][]

### 3.1.5 多词条精确匹配(terms) ###

`terms` 查询和 term 查询一样，但它允许你指定多值进行匹配。如果这个字段包含了指定值中的任何一个值，那么这个文档满足条件：

GET /heima/_search
    {
        "query":{
            "terms":{
                "price":[2699.00,2899.00,3899.00]
            }
        }
    }

结果：

{
      "took": 4,
      "timed_out": false,
      "_shards": {
        "total": 3,
        "successful": 3,
        "skipped": 0,
        "failed": 0
      },
      "hits": {
        "total": 3,
        "max_score": 1,
        "hits": [
          {
            "_index": "heima",
            "_type": "goods",
            "_id": "2",
            "_score": 1,
            "_source": {
              "title": "大米手机",
              "images": "http://image.leyou.com/12479122.jpg",
              "price": 2899
            }
          },
          {
            "_index": "heima",
            "_type": "goods",
            "_id": "r9c1KGMBIhaxtY5rlRKv",
            "_score": 1,
            "_source": {
              "title": "小米手机",
              "images": "http://image.leyou.com/12479122.jpg",
              "price": 2699
            }
          },
          {
            "_index": "heima",
            "_type": "goods",
            "_id": "3",
            "_score": 1,
            "_source": {
              "title": "小米电视4A",
              "images": "http://image.leyou.com/12479122.jpg",
              "price": 3899
            }
          }
        ]
      }
    }

## 3.2.结果过滤 ##

默认情况下，elasticsearch在搜索的结果中，会把文档中保存在`_source`的所有字段都返回。

如果我们只想获取其中的部分字段，我们可以添加`_source`的过滤

### 3.2.1.直接指定字段 ###

示例：

GET /heima/_search
    {
      "_source": ["title","price"],
      "query": {
        "term": {
          "price": 2699
        }
      }
    }

返回的结果：

{
      "took": 12,
      "timed_out": false,
      "_shards": {
        "total": 3,
        "successful": 3,
        "skipped": 0,
        "failed": 0
      },
      "hits": {
        "total": 1,
        "max_score": 1,
        "hits": [
          {
            "_index": "heima",
            "_type": "goods",
            "_id": "r9c1KGMBIhaxtY5rlRKv",
            "_score": 1,
            "_source": {
              "price": 2699,
              "title": "小米手机"
            }
          }
        ]
      }
    }

### 3.2.2.指定includes和excludes ###

我们也可以通过：

*  includes：来指定想要显示的字段
 *  excludes：来指定不想要显示的字段

二者都是可选的。

示例：

GET /heima/_search
    {
      "_source": {
        "includes":["title","price"]
      },
      "query": {
        "term": {
          "price": 2699
        }
      }
    }

与下面的结果将是一样的：

GET /heima/_search
    {
      "_source": {
         "excludes": ["images"]
      },
      "query": {
        "term": {
          "price": 2699
        }
      }
    }

## 3.3 高级查询 ##

### 3.3.1 布尔组合（bool) ###

`bool`把各种其它查询通过`must`（与）、`must_not`（非）、`should`（或）的方式进行组合

GET /heima/_search
    {
        "query":{
            "bool":{
            	"must":     { "match": { "title": "大米" }},
            	"must_not": { "match": { "title":  "电视" }},
            	"should":   { "match": { "title": "手机" }}
            }
        }
    }

结果：

{
      "took": 10,
      "timed_out": false,
      "_shards": {
        "total": 3,
        "successful": 3,
        "skipped": 0,
        "failed": 0
      },
      "hits": {
        "total": 1,
        "max_score": 0.5753642,
        "hits": [
          {
            "_index": "heima",
            "_type": "goods",
            "_id": "2",
            "_score": 0.5753642,
            "_source": {
              "title": "大米手机",
              "images": "http://image.leyou.com/12479122.jpg",
              "price": 2899
            }
          }
        ]
      }
    }

### 3.3.2 范围查询(range) ###

`range` 查询找出那些落在指定区间内的数字或者时间

GET /heima/_search
    {
        "query":{
            "range": {
                "price": {
                    "gte":  1000.0,
                    "lt":   2800.00
                }
        	}
        }
    }

`range`查询允许以下字符：

### 3.3.3 模糊查询(fuzzy) ###

我们新增一个商品：

POST /heima/goods/4  
\{  
    "title":"apple手机",  
    "images":"http://image.leyou.com/12479122.jpg",  
    "price":6899.00  
\}

`fuzzy` 查询是 `term` 查询的模糊等价。它允许用户搜索词条与实际词条的拼写出现偏差，但是偏差的编辑距离不得超过2：

GET /heima/_search
    {
      "query": {
        "fuzzy": {
          "title": "appla"
        }
      }
    }

上面的查询，也能查询到apple手机

我们可以通过`fuzziness`来指定允许的编辑距离：

GET /heima/_search
    {
      "query": {
        "fuzzy": {
            "title": {
                "value":"appla",
                "fuzziness":1
            }
        }
      }
    }

## 3.4 过滤(filter) ##

> **条件查询中进行过滤**

所有的查询都会影响到文档的评分及排名。如果我们需要在查询结果中进行过滤，并且不希望过滤条件影响评分，那么就不要把过滤条件作为查询条件来用。而是使用`filter`方式：

GET /heima/_search
    {
        "query":{
            "bool":{
            	"must":{ "match": { "title": "小米手机" }},
            	"filter":{
                    "range":{"price":{"gt":2000.00,"lt":3800.00}}
            	}
            }
        }
    }

注意：`filter`中还可以再次进行`bool`组合条件过滤。

> **无查询条件，直接过滤**

如果一次查询只有过滤，没有查询条件，不希望进行评分，我们可以使用`constant_score`取代只有 filter 语句的 bool 查询。在性能上是完全相同的，但对于提高查询简洁性和清晰度有很大帮助。

GET /heima/_search
    {
        "query":{
            "constant_score":   {
                "filter": {
                	 "range":{"price":{"gt":2000.00,"lt":3000.00}}
                }
            }
    }

## 3.5 排序 ##

### 3.4.1 单字段排序 ###

`sort` 可以让我们按照不同的字段进行排序，并且通过`order`指定排序的方式

GET /heima/_search
    {
      "query": {
        "match": {
          "title": "小米手机"
        }
      },
      "sort": [
        {
          "price": {
            "order": "desc"
          }
        }
      ]
    }

### 3.4.2 多字段排序 ###

假定我们想要结合使用 price和 \_score（得分） 进行查询，并且匹配的结果首先按照价格排序，然后按照相关性得分排序：

GET /goods/_search
    {
        "query":{
            "bool":{
            	"must":{ "match": { "title": "小米手机" }},
            	"filter":{
                    "range":{"price":{"gt":200000,"lt":300000}}
            	}
            }
        },
        "sort": [
          { "price": { "order": "desc" }},
          { "_score": { "order": "desc" }}
        ]
    }

# 4. 聚合aggregations #

聚合可以让我们极其方便的实现对数据的统计、分析。例如：

*  什么品牌的手机最受欢迎？
 *  这些手机的平均价格、最高价格、最低价格？
 *  这些手机每月的销售情况如何？

实现这些统计功能的比数据库的sql要方便的多，而且查询速度非常快，可以实现实时搜索效果。

## 4.1 基本概念 ##

Elasticsearch中的聚合，包含多种类型，最常用的两种，一个叫`桶`，一个叫`度量`：

> **桶（bucket）**

桶的作用，是按照某种方式对数据进行分组，每一组数据在ES中称为一个`桶`，例如我们根据国籍对人划分，可以得到`中国桶`、`英国桶`，`日本桶`……或者我们按照年龄段对人进行划分：0~10,10~20,20~30,30~40等。

Elasticsearch中提供的划分桶的方式有很多：

*  Date Histogram Aggregation：根据日期阶梯分组，例如给定阶梯为周，会自动每周分为一组
 *  Histogram Aggregation：根据数值阶梯分组，与日期类似
 *  Terms Aggregation：根据词条内容分组，词条内容完全匹配的为一组
 *  Range Aggregation：数值和日期的范围分组，指定开始和结束，然后按段分组

综上所述，我们发现bucket aggregations 只负责对数据进行分组，并不进行计算，因此往往bucket中往往会嵌套另一种聚合：metrics aggregations即度量

> **度量（metrics）**

分组完成以后，我们一般会对组中的数据进行聚合运算，例如求平均值、最大、最小、求和等，这些在ES中称为`度量`

比较常用的一些度量聚合方式：

*  Avg Aggregation：求平均值
 *  Max Aggregation：求最大值
 *  Min Aggregation：求最小值
 *  Percentiles Aggregation：求百分比
 *  Stats Aggregation：同时返回avg、max、min、sum、count等
 *  Sum Aggregation：求和
 *  Top hits Aggregation：求前几
 *  Value Count Aggregation：求总数
 *  ……

为了测试聚合，我们先批量导入一些数据

创建索引：

PUT /cars
    {
      "settings": {
        "number_of_shards": 1,
        "number_of_replicas": 0
      },
      "mappings": {
        "transactions": {
          "properties": {
            "color": {
              "type": "keyword"
            },
            "make": {
              "type": "keyword"
            }
          }
        }
      }
    }

**注意**：在ES中，需要进行聚合、排序、过滤的字段其处理方式比较特殊，因此不能被分词。这里我们将color和make这两个文字类型的字段设置为keyword类型，这个类型不会被分词，将来就可以参与聚合

导入数据

POST /cars/transactions/\_bulk  
\{ "index": \{\}\}  
\{ "price" : 10000, "color" : "red", "make" : "honda", "sold" : "2014-10-28" \}  
\{ "index": \{\}\}  
\{ "price" : 20000, "color" : "red", "make" : "honda", "sold" : "2014-11-05" \}  
\{ "index": \{\}\}  
\{ "price" : 30000, "color" : "green", "make" : "ford", "sold" : "2014-05-18" \}  
\{ "index": \{\}\}  
\{ "price" : 15000, "color" : "blue", "make" : "toyota", "sold" : "2014-07-02" \}  
\{ "index": \{\}\}  
\{ "price" : 12000, "color" : "green", "make" : "toyota", "sold" : "2014-08-19" \}  
\{ "index": \{\}\}  
\{ "price" : 20000, "color" : "red", "make" : "honda", "sold" : "2014-11-05" \}  
\{ "index": \{\}\}  
\{ "price" : 80000, "color" : "red", "make" : "bmw", "sold" : "2014-01-01" \}  
\{ "index": \{\}\}  
\{ "price" : 25000, "color" : "blue", "make" : "ford", "sold" : "2014-02-12" \}

## 4.2 聚合为桶 ##

首先，我们按照 汽车的颜色`color`来划分`桶`

GET /cars/_search
    {
        "size" : 0,
        "aggs" : { 
            "popular_colors" : { 
                "terms" : { 
                  "field" : "color"
                }
            }
        }
    }

*  size： 查询条数，这里设置为0，因为我们不关心搜索到的数据，只关心聚合结果，提高效率
 *  aggs：声明这是一个聚合查询，是aggregations的缩写
    
     *  popular\_colors：给这次聚合起一个名字，任意。
        
         *  terms：划分桶的方式，这里是根据词条划分
            
             *  field：划分桶的字段

结果：

{
      "took": 1,
      "timed_out": false,
      "_shards": {
        "total": 1,
        "successful": 1,
        "skipped": 0,
        "failed": 0
      },
      "hits": {
        "total": 8,
        "max_score": 0,
        "hits": []
      },
      "aggregations": {
        "popular_colors": {
          "doc_count_error_upper_bound": 0,
          "sum_other_doc_count": 0,
          "buckets": [
            {
              "key": "red",
              "doc_count": 4
            },
            {
              "key": "blue",
              "doc_count": 2
            },
            {
              "key": "green",
              "doc_count": 2
            }
          ]
        }
      }
    }

*  hits：查询结果为空，因为我们设置了size为0
 *  aggregations：聚合的结果
 *  popular\_colors：我们定义的聚合名称
 *  buckets：查找到的桶，每个不同的color字段值都会形成一个桶
    
     *  key：这个桶对应的color字段的值
     *  doc\_count：这个桶中的文档数量

通过聚合的结果我们发现，目前红色的小车比较畅销！

## 4.3 桶内度量 ##

前面的例子告诉我们每个桶里面的文档数量，这很有用。 但通常，我们的应用需要提供更复杂的文档度量。 例如，每种颜色汽车的平均价格是多少？

因此，我们需要告诉Elasticsearch`使用哪个字段`，`使用何种度量方式`进行运算，这些信息要嵌套在`桶`内，`度量`的运算会基于`桶`内的文档进行

现在，我们为刚刚的聚合结果添加 求价格平均值的度量：

GET /cars/_search
    {
        "size" : 0,
        "aggs" : { 
            "popular_colors" : { 
                "terms" : { 
                  "field" : "color"
                },
                "aggs":{
                    "avg_price": { 
                       "avg": {
                          "field": "price" 
                       }
                    }
                }
            }
        }
    }

*  aggs：我们在上一个aggs(popular\_colors)中添加新的aggs。可见`度量`也是一个聚合,度量是在桶内的聚合
 *  avg\_price：聚合的名称
 *  avg：度量的类型，这里是求平均值
 *  field：度量运算的字段

结果：

...
      "aggregations": {
        "popular_colors": {
          "doc_count_error_upper_bound": 0,
          "sum_other_doc_count": 0,
          "buckets": [
            {
              "key": "red",
              "doc_count": 4,
              "avg_price": {
                "value": 32500
              }
            },
            {
              "key": "blue",
              "doc_count": 2,
              "avg_price": {
                "value": 20000
              }
            },
            {
              "key": "green",
              "doc_count": 2,
              "avg_price": {
                "value": 21000
              }
            }
          ]
        }
      }
    ...

可以看到每个桶中都有自己的`avg_price`字段，这是度量聚合的结果
    
    
    
    ## 4.4 桶内嵌套桶
    
    刚刚的案例中，我们在桶内嵌套度量运算。事实上桶不仅可以嵌套运算， 还可以再嵌套其它桶。也就是说在每个分组中，再分更多组。
    
    比如：我们想统计每种颜色的汽车中，分别属于哪个制造商，按照`make`字段再进行分桶

GET /cars/_search
    {
        "size" : 0,
        "aggs" : { 
            "popular_colors" : { 
                "terms" : { 
                  "field" : "color"
                },
                "aggs":{
                    "avg_price": { 
                       "avg": {
                          "field": "price" 
                       }
                    },
                    "maker":{
                        "terms":{
                            "field":"make"
                        }
                    }
                }
            }
        }
    }

*  原来的color桶和avg计算我们不变
 *  maker：在嵌套的aggs下新添一个桶，叫做maker
 *  terms：桶的划分类型依然是词条
 *  filed：这里根据make字段进行划分

部分结果：

...
    {"aggregations": {
        "popular_colors": {
          "doc_count_error_upper_bound": 0,
          "sum_other_doc_count": 0,
          "buckets": [
            {
              "key": "red",
              "doc_count": 4,
              "maker": {
                "doc_count_error_upper_bound": 0,
                "sum_other_doc_count": 0,
                "buckets": [
                  {
                    "key": "honda",
                    "doc_count": 3
                  },
                  {
                    "key": "bmw",
                    "doc_count": 1
                  }
                ]
              },
              "avg_price": {
                "value": 32500
              }
            },
            {
              "key": "blue",
              "doc_count": 2,
              "maker": {
                "doc_count_error_upper_bound": 0,
                "sum_other_doc_count": 0,
                "buckets": [
                  {
                    "key": "ford",
                    "doc_count": 1
                  },
                  {
                    "key": "toyota",
                    "doc_count": 1
                  }
                ]
              },
              "avg_price": {
                "value": 20000
              }
            },
            {
              "key": "green",
              "doc_count": 2,
              "maker": {
                "doc_count_error_upper_bound": 0,
                "sum_other_doc_count": 0,
                "buckets": [
                  {
                    "key": "ford",
                    "doc_count": 1
                  },
                  {
                    "key": "toyota",
                    "doc_count": 1
                  }
                ]
              },
              "avg_price": {
                "value": 21000
              }
            }
          ]
        }
      }
    }
    ...

*  我们可以看到，新的聚合`maker`被嵌套在原来每一个`color`的桶中。
 *  每个颜色下面都根据 `make`字段进行了分组
 *  我们能读取到的信息：
    
     *  红色车共有4辆
     *  红色车的平均售价是 $32，500 美元。
     *  其中3辆是 Honda 本田制造，1辆是 BMW 宝马制造。

## 4.5.划分桶的其它方式 ##

前面讲了，划分桶的方式有很多，例如：

刚刚的案例中，我们采用的是Terms Aggregation，即根据词条划分桶。

接下来，我们再学习几个比较实用的：

### 4.5.1.阶梯分桶Histogram ###

> 原理：

histogram是把数值类型的字段，按照一定的阶梯大小进行分组。你需要指定一个阶梯值（interval）来划分阶梯大小。

举例：

比如你有价格字段，如果你设定interval的值为200，那么阶梯就会是这样的：

0，200，400，600，...

上面列出的是每个阶梯的key，也是区间的启点。

如果一件商品的价格是450，会落入哪个阶梯区间呢？计算公式如下：

bucket_key = Math.floor((value - offset) / interval) * interval + offset

value：就是当前数据的值，本例中是450

offset：起始偏移量，默认为0

interval：阶梯间隔，比如200

因此你得到的key = Math.floor((450 - 0) / 200) \* 200 + 0 = 400

> 操作一下：

比如，我们对汽车的价格进行分组，指定间隔interval为5000：

GET /cars/_search
    {
      "size":0,
      "aggs":{
        "price":{
          "histogram": {
            "field": "price",
            "interval": 5000
          }
        }
      }
    }

结果：

{
      "took": 21,
      "timed_out": false,
      "_shards": {
        "total": 5,
        "successful": 5,
        "skipped": 0,
        "failed": 0
      },
      "hits": {
        "total": 8,
        "max_score": 0,
        "hits": []
      },
      "aggregations": {
        "price": {
          "buckets": [
            {
              "key": 10000,
              "doc_count": 2
            },
            {
              "key": 15000,
              "doc_count": 1
            },
            {
              "key": 20000,
              "doc_count": 2
            },
            {
              "key": 25000,
              "doc_count": 1
            },
            {
              "key": 30000,
              "doc_count": 1
            },
            {
              "key": 35000,
              "doc_count": 0
            },
            {
              "key": 40000,
              "doc_count": 0
            },
            {
              "key": 45000,
              "doc_count": 0
            },
            {
              "key": 50000,
              "doc_count": 0
            },
            {
              "key": 55000,
              "doc_count": 0
            },
            {
              "key": 60000,
              "doc_count": 0
            },
            {
              "key": 65000,
              "doc_count": 0
            },
            {
              "key": 70000,
              "doc_count": 0
            },
            {
              "key": 75000,
              "doc_count": 0
            },
            {
              "key": 80000,
              "doc_count": 1
            }
          ]
        }
      }
    }

你会发现，中间有大量的文档数量为0 的桶，看起来很丑。

我们可以增加一个参数min\_doc\_count为1，来约束最少文档数量为1，这样文档数量为0的桶会被过滤

示例：

GET /cars/_search
    {
      "size":0,
      "aggs":{
        "price":{
          "histogram": {
            "field": "price",
            "interval": 5000,
            "min_doc_count": 1
          }
        }
      }
    }

结果：

{
      "took": 15,
      "timed_out": false,
      "_shards": {
        "total": 5,
        "successful": 5,
        "skipped": 0,
        "failed": 0
      },
      "hits": {
        "total": 8,
        "max_score": 0,
        "hits": []
      },
      "aggregations": {
        "price": {
          "buckets": [
            {
              "key": 10000,
              "doc_count": 2
            },
            {
              "key": 15000,
              "doc_count": 1
            },
            {
              "key": 20000,
              "doc_count": 2
            },
            {
              "key": 25000,
              "doc_count": 1
            },
            {
              "key": 30000,
              "doc_count": 1
            },
            {
              "key": 80000,
              "doc_count": 1
            }
          ]
        }
      }
    }

完美，！

如果你用kibana将结果变为柱形图，会更好看：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3OTA5NTA4_size_16_color_FFFFFF_t_70 8][]

### 4.5.2.范围分桶range ###

范围分桶与阶梯分桶类似，也是把数字按照阶段进行分组，只不过range方式需要你自己指定每一组的起始和结束大小。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3OTA5NTA4_size_16_color_FFFFFF_t_70]: /images/20211102/fe02cb4fc51d40f2bc9f69db21bd2c98.png
[20190810095135980.png]: /images/20211102/c7e386e10b364456930583b86dade8ba.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3OTA5NTA4_size_16_color_FFFFFF_t_70 1]: /images/20211102/5a838215d6184ba4827432c1725c57e8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3OTA5NTA4_size_16_color_FFFFFF_t_70 2]: /images/20211102/fcbc554ead0040e89c430e024bfafaee.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3OTA5NTA4_size_16_color_FFFFFF_t_70 3]: /images/20211102/d34f1351d44f4b38a1f0bfde375881e2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3OTA5NTA4_size_16_color_FFFFFF_t_70 4]: /images/20211102/72cb54e9fc6d47c9b4330940e0ccf1ad.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3OTA5NTA4_size_16_color_FFFFFF_t_70 5]: /images/20211102/1ee8e10d74a642c08a9b0be19a94b7dc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3OTA5NTA4_size_16_color_FFFFFF_t_70 6]: /images/20211102/d057d450bf5a46d28d22d0256dc36ccb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3OTA5NTA4_size_16_color_FFFFFF_t_70 7]: /images/20211102/c2656b55666347ac9233679ffeb1feb8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3OTA5NTA4_size_16_color_FFFFFF_t_70 8]: /images/20211102/637680260d404c41a72a5642017984cd.png