Elasticsearch使用篇 - 词项聚合、稀有词项聚合、多词项聚合

已于 2023-03-10 16:56:23 修改
阅读量830 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： Elasticsearch 文章标签： elasticsearch 搜索引擎
于 2023-02-23 15:40:40 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_34561892/article/details/129183161

terms aggregation

即词项分桶聚合。它是 Elasticsearch 最常用的聚合，类同于关系型数据库依据关键字段做 group。

  • size：返回的词项分桶数量，默认 10。阈值 65535。默认情况下，协调节点向每个分片请求 top size 数量的词项桶，并且在所有分片都响应后，将结果进行缩减并返回给客户端。如果实际词项桶的数量大于 size，则返回的词项桶可能会存在偏差并且不准确。

  • shard_size：每个分片返回的词项分桶数量，默认为 size * 1.5 + 10。shard_size 越大，结果越准确，但是最终计算结果的成本也越高（每个分片上的优先级队列会更大，并且节点与客户端之间的数据传输量也更大）。shard_size 不能比 size 小，否则 Elasticsearch 会覆盖该属性值，将其设置为和 size 一样的值。

  • min_doc_count：限制返回的词项分桶中对应文档的命中数量必须满足的最小值，默认 1。

  • shard_min_doc_count：限制每个分片返回的词项分桶中对应文档的命中数量必须满足的最小值，默认 0。必须小于 min_doc_count。建议为 min_doc_count / 分片数。

  • show_term_doc_count_error：显示词项分桶统计数据的错误信息，默认 false。用来显示聚合返回的每个词项的错误值，错误值表示文档计数在最差情况下的错误。这个错误值在决定 shard_size 参数值时非常有用。

  • order：指定排序规则。默认按照 doc_count 逆序排序。

  • missing：指定字段的值不存在时，给予文档的缺省值。默认会忽略。

修改返回的词项分桶的数量的阈值。

PUT _cluster/settings
{
  "transient": {
    "search.max_buckets": 10
  }
}

查询航班目的地最多的 Top 10 国家。

GET kibana_sample_data_flights/_search
{
  "size": 0,
  "aggs": {
    "DestCountry": {
      "terms": {
        "field": "DestCountry",
        "size": 10
      }
    }
  }
}

结果输出如下：

{
  "took" : 38,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 10000,
      "relation" : "gte"
    },
    "max_score" : null,
    "hits" : [ ]
  },
  "aggregations" : {
    "DestCountry" : {
      "doc_count_error_upper_bound" : 0,
      "sum_other_doc_count" : 3187,
      "buckets" : [
        {
          "key" : "IT",
          "doc_count" : 2371
        },
        {
          "key" : "US",
          "doc_count" : 1987
        },
        {
          "key" : "CN",
          "doc_count" : 1096
        },
        {
          "key" : "CA",
          "doc_count" : 944
        },
        {
          "key" : "JP",
          "doc_count" : 774
        },
        {
          "key" : "RU",
          "doc_count" : 739
        },
        {
          "key" : "CH",
          "doc_count" : 691
        },
        {
          "key" : "GB",
          "doc_count" : 449
        },
        {
          "key" : "AU",
          "doc_count" : 416
        },
        {
          "key" : "PL",
          "doc_count" : 405
        }
      ]
    }
  }
}

词项分桶聚合返回的 doc_count 值是近似的。可以使用参考如下两个指标来判断 doc_count 值是否是准确的。

  • sum_other_doc_count：查询结果中没有出现的所有词项的文档总数。

  • doc_count_error_upper_bound：查询结果中没有出现的词项的最大可能文档数。它的值是所有分片返回的最后一个词项的文档数量的和。当 show_term_doc_count_error 参数设置为 true，可以查看每个词项对应的文档数量的误差。这些误差只有当聚合结果按照文档数降序排序时才会被统计。此外，如果按照词项值本身排序、按照文档数升序或者按照子聚合结果排序都无法统计误差，doc_count_error_upper_bound 会返回 -1。

GET kibana_sample_data_flights/_search
{
  "size": 0,
  "aggs": {
    "DestCountry": {
      "terms": {
        "field": "DestCountry",
        "size": 10,
        "show_term_doc_count_error": true
      }
    }
  }
}

结果输出如下：

{
  "took" : 5,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 10000,
      "relation" : "gte"
    },
    "max_score" : null,
    "hits" : [ ]
  },
  "aggregations" : {
    "DestCountry" : {
      "doc_count_error_upper_bound" : 0,
      "sum_other_doc_count" : 3187,
      "buckets" : [
        {
          "key" : "IT",
          "doc_count" : 2371,
          "doc_count_error_upper_bound" : 0
        },
        {
          "key" : "US",
          "doc_count" : 1987,
          "doc_count_error_upper_bound" : 0
        },
        {
          "key" : "CN",
          "doc_count" : 1096,
          "doc_count_error_upper_bound" : 0
        },
        {
          "key" : "CA",
          "doc_count" : 944,
          "doc_count_error_upper_bound" : 0
        },
        {
          "key" : "JP",
          "doc_count" : 774,
          "doc_count_error_upper_bound" : 0
        },
        {
          "key" : "RU",
          "doc_count" : 739,
          "doc_count_error_upper_bound" : 0
        },
        {
          "key" : "CH",
          "doc_count" : 691,
          "doc_count_error_upper_bound" : 0
        },
        {
          "key" : "GB",
          "doc_count" : 449,
          "doc_count_error_upper_bound" : 0
        },
        {
          "key" : "AU",
          "doc_count" : 416,
          "doc_count_error_upper_bound" : 0
        },
        {
          "key" : "PL",
          "doc_count" : 405,
          "doc_count_error_upper_bound" : 0
        }
      ]
    }
  }
}

排序

默认按照 doc_count 逆序排序。不推荐按照 doc_count 升序排序或者在子聚合中排序，这会增加统计文档数量的错误。但是如果在单一分片或者聚合使用的字段在索引时用做路由键，这两种情况下却是准确的。

_count：按照数量排序，默认的排序方式。

_key：按照词项排序。

_term： 按照词项排序。

按照文档数量的升序排序。

GET kibana_sample_data_flights/_search
{
  "size": 0,
  "aggs": {
    "DestCountry": {
      "terms": {
        "field": "DestCountry",
        "size": 10,
        "show_term_doc_count_error": true,
        "order": {
          "_count": "asc"
        }
      }
    }
  }
}

按照 key 的字母顺序升序排序。

GET kibana_sample_data_flights/_search
{
  "size": 0,
  "aggs": {
    "DestCountry": {
      "terms": {
        "field": "DestCountry",
        "size": 10,
        "show_term_doc_count_error": true,
        "order": {
          "_key": "asc"
        }
      }
    }
  }
}

查询航班飞行最短的 Top 10 国家。

GET kibana_sample_data_flights/_search
{
  "size": 0,
  "aggs": {
    "DestCountry": {
      "terms": {
        "field": "DestCountry",
        "size": 10,
        "order": {
          "min_FlightTimeMin": "desc"
        }
      },
      "aggs": {
        "min_FlightTimeMin": {
          "min": {
            "field": "FlightTimeMin"
          }
        }
      }
    }
  }
}

GET kibana_sample_data_flights/_search
{
  "size": 0,
  "aggs": {
    "DestCountry": {
      "terms": {
        "field": "DestCountry",
        "size": 10,
        "order": {
          "stats_FlightTimeMin.max": "desc"
        }
      },
      "aggs": {
        "stats_FlightTimeMin": {
          "stats": {
            "field": "FlightTimeMin"
          }
        }
      }
    }
  }
}

词项嵌套分桶

嵌套深度建议不要超过三层。

GET kibana_sample_data_flights/_search
{
  "size": 0,
  "aggs": {
    "DestCountry": {
      "terms": {
        "field": "DestCountry",
        "size": 10,
        "show_term_doc_count_error": true
      },
      "aggs": {
        "OriginCountry": {
          "terms": {
            "field": "OriginCountry",
            "size": 10
          }
        }
      }
    }
  }
}

脚本方式

GET kibana_sample_data_flights/_search
{
  "size": 0,
  "aggs": {
    "DestCountry": {
      "terms": {
        "script": {
          "source": """
            doc['DestCountry'].value + "-DEMO";
          """,
          "lang": "painless"
        },
        "size": 10
      }
    }
  }
}

结果输出如下：

{
  "took" : 56,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 10000,
      "relation" : "gte"
    },
    "max_score" : null,
    "hits" : [ ]
  },
  "aggregations" : {
    "DestCountry" : {
      "doc_count_error_upper_bound" : 0,
      "sum_other_doc_count" : 3187,
      "buckets" : [
        {
          "key" : "IT-DEMO",
          "doc_count" : 2371
        },
        {
          "key" : "US-DEMO",
          "doc_count" : 1987
        },
        {
          "key" : "CN-DEMO",
          "doc_count" : 1096
        },
        {
          "key" : "CA-DEMO",
          "doc_count" : 944
        },
        {
          "key" : "JP-DEMO",
          "doc_count" : 774
        },
        {
          "key" : "RU-DEMO",
          "doc_count" : 739
        },
        {
          "key" : "CH-DEMO",
          "doc_count" : 691
        },
        {
          "key" : "GB-DEMO",
          "doc_count" : 449
        },
        {
          "key" : "AU-DEMO",
          "doc_count" : 416
        },
        {
          "key" : "PL-DEMO",
          "doc_count" : 405
        }
      ]
    }
  }
}

词项分桶键值过滤

支持精确键值过滤与模糊匹配方式（通过正则表达式）过滤。个人发现 Elasticsearch 7.14 版本模糊匹配方式实际操作中不生效。

  • include：包括指定的词项分桶值。
  • exclude：不包括指定的词项分桶值。
GET kibana_sample_data_flights/_search
{
  "size": 0,
  "aggs": {
    "DestCountry": {
      "terms": {
        "field": "DestCountry",
        "size": 10,
        "show_term_doc_count_error": true,
        "include": ["US", "IT", "CN"]
      }
    }
  }
}

结果输出如下：

{
  "took" : 2,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 10000,
      "relation" : "gte"
    },
    "max_score" : null,
    "hits" : [ ]
  },
  "aggregations" : {
    "DestCountry" : {
      "doc_count_error_upper_bound" : 0,
      "sum_other_doc_count" : 0,
      "buckets" : [
        {
          "key" : "IT",
          "doc_count" : 2371,
          "doc_count_error_upper_bound" : 0
        },
        {
          "key" : "US",
          "doc_count" : 1987,
          "doc_count_error_upper_bound" : 0
        },
        {
          "key" : "CN",
          "doc_count" : 1096,
          "doc_count_error_upper_bound" : 0
        }
      ]
    }
  }
}

词项分桶分区聚合

很多时候需要统计的分桶数量太多，导致一次运行很慢。可以借助分区机制，在客户端进行合并。对所有可能的分桶进行分区。

partition：分区编号。从 0 开始。

num_partitions：分区数量。

GET kibana_sample_data_flights/_search
{
  "size": 0,
  "aggs": {
    "DestCountry": {
      "terms": {
        "field": "DestCountry",
        "size": 10,
        "show_term_doc_count_error": true,
        "include": {
          "partition": 2,
          "num_partitions": 5
        }
      }
    }
  }
}

最低0.47元/天 解锁文章

200万优质内容无限畅学
【2024最新精简版】ElasticSearch面试篇
A的博客
06-20 2206
正向索引就是先获取文档内容, 再判断文档内容中是否包含所需的关键词 , 这种查询方式就是正向索引 , MYSQL的模糊查询就是正向索引而倒排索引，是通过分词策略，形成了词条和文档的映射关系表，这种词条+映射表的结构即为倒排索引ES的倒排索引底层使用B+树的结构进行组织 , 每一个词条即为B+树的一个节点(不是叶子节点) , 叶子节点挂的就是词条所在文档的ID , 查询的时候先根据关键词查询文档ID , 在根据文档ID获取文档详情 , 因为走索引查询所以查询效率比正向索引要高的多默认情况下使用使用。
MogaNet：高效的多阶门控聚合网络
AI浩
02-06 2840
自深度神经网络（DNNs）复兴以来，卷积神经网络（ConvNets）已成为计算机视觉领域的首选方法。通过在池化和非线性操作之间交替使用层次化的卷积层，ConvNets能够利用内置的平移等变约束来编码观察图像的底层语义模式，并进一步成为当今计算机视觉系统中的基础设施。然而，ConvNets所学习的表示对局部纹理有很强的偏见，这导致全局信息的严重损失。因此，研究者们一直在努力改进宏观层次架构和上下文聚合模块。
【Elasticsearch】multi terms aggregation
risc123456的博客
02-06 694
在Elasticsearch中，`multi terms aggregation`和`composite aggregation`都可以用于对多个字段进行聚合，但它们在实现方式、性能、灵活性和适用场景上存在一些差异。• 支持多种聚合类型（如`terms`、`histogram`、`date_histogram`、`geotile_grid`等），可以组合不同类型的数据源。• 通过`sources`参数定义多个字段的聚合规则，支持多种类型的聚合（如`terms`、`histogram`等）。
elasticsearch之Terms Aggregation
qq_18218071的博客
07-23 2855
引言 Bucket aggregations本文译为桶聚合 桶聚合（bucket aggregation）不像指标聚合（Metric aggregation）那样计算字段的指标，而是创建文档存储桶。 每个存储桶都与一个标准（取决于聚合类型）相关联，该标准确定当前上下文中的文档是否“落入”其中。 换句话说，存储桶有效地定义了文档集。 除了存储桶本身之外，存储桶聚合还计算并返回落入每个存储桶的文档数量。 1.Terms Aggregation 术语聚合（Terms Aggregation）在文档的指定字段中搜索
ElasticSearch Terms Aggregation 聚合
Gler.的博客
02-03 3955
ElasticSearch（后续简称为ES）提供了对数据的统计分析服务。在之前的开发中使用Terms Aggregation 对数据进行聚合统计，遇到了一些问题，查阅了ES的官方文档Terms Aggregation的Size用法。 博文内容参考或引用自ElasticSearch 7.6 官方文档 一、聚合基本概念 ES 聚合的两个主要概念： 桶（Buckets）：满足特定条件的文档的集合 指标（Metrics）：对桶内的文档进行统计计算 每个聚合都是一个或者多个桶和另个或者多个指标的组合，用粗略的SQ
Es Bucket聚合(桶聚合) 第二篇-Terms Aggregation与Significant Terms Aggregation
中间件兴趣圈
03-14 1万+
作者介绍：《RocketMQ技术内幕》作者，中间件兴趣圈微信公众号维护者，文末有对应的二维码，关注后可以与作者更好的互动。 本章将介绍elasticsearch最重要的桶聚合terms aggregation。 1、Terms Aggregation 多值聚合，根据库中的文档动态构建桶。基于词根的聚合，如果聚合字段是text的话，会对一个一个的词根进行聚合，通常不会在text类型的字段上使用聚合，...
Terms Aggregation说明
D的专栏
08-13 955
Terms Aggregation A multi-bucket value source based aggregation where buckets are dynamically built - one per unique value. Example: GET /_search { "aggs" : { "genres" : { "terms" : { "field" : "genre" } } } } Cop..
Elasticsearch 7.X-8.0 AggregationBuliders 相关聚合函数（二）桶聚合
Darling_Jiang的博客
02-19 841
桶聚合
【Elasticsearch】分桶聚合功能概述
risc123456的博客
02-07 891
按照聚合功能是否涉及单个桶（Single Bucket）或多个桶（Multi-Bucket）进行分类，可以将这些聚合功能分为两大类。单桶聚合主要用于对整个数据集或特定子集进行全局统计，而多桶聚合则用于将数据划分到多个桶中进行分组统计。• 多桶聚合：用于将数据划分到多个桶中进行分组统计，适合对数据进行更细粒度的分析，例如按时间、数值范围或类别进行分组。• 单桶聚合：主要用于全局统计，不涉及分组，适合对整个数据集或特定子集进行简单统计。• 作用：使用Geohash算法将地理区域划分为网格，并统计网格内的数据。
Elasticsearch Terms聚合性能提升10倍
alex的博客
09-05 9365
{ "size": 0, "query": { "bool": { "filter": { "range": { "requestTime": { "from": 1536127200000, "to": 1536135000006,
【Elasticsearch】terms聚合
risc123456的博客
02-06 655
• 如果需要对`text`字段进行聚合，可以启用`fielddata`，但会增加内存使用。• 提供文档计数误差上限（`doc_count_error_upper_bound`）。• 支持显示术语文档计数误差（`show_term_doc_count_error`）。• 默认不支持对`text`字段进行术语聚合，建议使用`keyword`子字段。• 增加`size`和`shard_size`参数会增加内存和网络开销。• 使用正则表达式（`include`和`exclude`）过滤术语。
Elasticsearch入门----terms聚合实现搜索热词统计
老王的博客
10-18 4361
最近项目中遇到一个需求。统计用户的搜索热词Top5。于是就想到了用elasticsearch来记录用户检索时的关键词及用户信息，然后通过聚合操作实现统计用户搜索热词，返回搜索次数最多的前10个。 Elasticsearch版本：7.0.0 首先创建存储关键词及用户信息的索引： POST http://localhost:9200/hotwords_test/_mapping { "properties": { "search_txt": { "type": "keywo
elasticsearch实现热门词汇展示
yulio1234的博客
08-22 1万+
搜索页面经常会有展示热门词汇的需求。把用户经常搜索的词汇按出现的次数展示出来。这其实就是一个经典的wordcount，是数据分析方面典型的入门案例。相对于hadoop和strorm。用es可以很方便的实现。 //获取搜索日志 SearchRequestBuilder requestBuilder = esClient.prepareSearch("ind
ES数据聚合
PaoShan的博客
02-01 1056
从理论到实操
Elasticsearch Terms Aggregation 根据某一项的聚合
热门推荐
kunpengku
12-16 2万+
原文 https://www.elastic.co/guide/en/elasticsearch/reference/current/search-aggregations-bucket-terms-aggregation.html根据某一项的每个唯一的值的聚合。 举例：{ "aggs" : { "genres" : { "terms" : { "
ElasticSearch-聚合查询aggs（八）
qq_42218187的博客
12-06 1397
参考文档，点击此处 聚合查询可以想象成就是mysql的group by分组查询，使用聚合函数min，max，sum，avg进行聚合，返回的是一条数据 聚合的模板 聚合查询 一个aggs里可以有很多个聚合，每个聚合彼此间都是独立的 以下语句的含义就是查询出爱好是网吧的数据，然后对age字段进行最小值，最大值，平均值的获取 GET /ems/_search?size=0 ##如果有些情况不在意查询结果是什么，而只在意aggs的结果，可以把size设为0，如此可以让返回的hits结果集是0，加快返回的速
Elasticsearch教程(6) ES桶聚合Query DSL-Terms Aggregation
Java Spring Elasticsearch
11-28 1912
Elasticsearch 桶聚合 SQL DSL JavaAPI1 准备测试数据1.1 插入数据DSL1.2 表格展示2 Terms Aggregation（根据字段的值分组）2.1 根据dept分组，求每个部门的数量2.1.1 SQL2.1.2 DSL2.2 根据dept分组，求每个部门的数量，并排序2.2.1 SQL2.2.2 DSL2.3 对统计结果过滤，加having2.3.1 SQL2...
14. python-es-8.3.3-多词项聚合multi_terms
我的博客
09-08 1014
python-es-multi_terms
Elasticsearch 数据聚合
m0_69594200的博客
05-04 841
例如：根据城市名称做聚合，也就是城市名称对数据进行分组统计。可以加query查询条件，也可以加原数据返回条数size，使用_order对聚合结果按条数进行倒叙排序。例如：在上述统计结果，获取评分score字段的最大值max、最小值min、平均值avg、求和sum，加上与terms同级的aggs条件。聚合条件与query条件同级别，因此需要使用request.source()来指定聚合条件。从返回结果可以看出原文档数据并没有返回，分组统计结果也只有规定的两条数据。对文档做分组，aggs。
ElasticSearch检索机制， ElasticSearch怎么使用
最新发布
07-05
Elasticsearch 是一个基于 Lucene 的分布式、RESTful 搜索和分析引擎，其核心检索机制围绕**倒排索引（Inverted Index）**和**分布式查询处理**展开。以下是其检索机制和使用方法的详细说明： --- ### **1. Elasticsearch 检索机制** #### **（1）倒排索引（Inverted Index）** - **核心原理**： - 将文档（Document）拆分为**词项（Term）**，并记录每个词项出现在哪些文档中（类似字典的“词→文档列表”映射）。 - 例如：文档1包含“苹果 香蕉”，文档2包含“苹果 橙子”，倒排索引为： ``` 苹果 → [文档1, 文档2] 香蕉 → [文档1] 橙子 → [文档2] ``` - **优势**： - 快速定位包含特定词项的文档，避免全表扫描。 - 支持高效布尔查询（AND/OR/NOT）。 #### **（2）分布式查询处理** - **分片（Shard）**： - 索引（Index）被划分为多个分片（默认5个主分片），分布在集群的不同节点上。 - 查询时，协调节点（Coordinating Node）将请求广播到所有相关分片，并行处理后合并结果。 - **流程**： 1. 用户发送查询请求到任意节点（协调节点）。 2. 协调节点确定查询涉及的分片，并转发请求。 3. 各分片本地执行查询，返回结果（含文档ID和评分）。 4. 协调节点合并结果，按相关性排序后返回。 #### **（3）相关性评分（TF-IDF & BM25）** - **TF-IDF**： - 词频（TF）：词项在文档中出现的频率。 - 逆文档频率（IDF）：词项在所有文档中的稀有程度（常见词权重低）。 - **BM25（默认算法）**： - 改进TF-IDF，考虑文档长度、词项频率饱和度等因素，评分更精准。 - **示例**： - 查询“苹果 手机”时，同时包含两个词的文档评分更高。 #### **（4）实时性与近实时（NRT）** - **倒排索引不可变**： - 新增文档写入新索引段（Segment），定期合并（Merge）到主索引。 - **近实时（NRT）**： - 文档写入后约1秒可被搜索（通过`refresh_interval`配置，默认1秒）。 - 完全持久化需`flush`操作（将内存数据刷到磁盘）。 --- ### **2. Elasticsearch 使用方法** #### **（1）基础操作** ##### **① 索引文档** ```json PUT /products/_doc/1 { "name": "iPhone 13", "price": 799, "description": "高性能智能手机", "tags": ["苹果", "手机"] } ``` - **说明**： - `products`：索引名（类似数据库表）。 - `_doc`：类型（7.x+版本默认单类型）。 - `1`：文档ID（可省略，自动生成）。 ##### **② 简单查询** ```json GET /products/_search { "query": { "match": { "name": "iPhone" } } } ``` - **返回结果**： ```json { "hits": { "hits": [ { "_id": "1", "_score": 0.2876821, // BM25评分 "_source": { "name": "iPhone 13", "price": 799 } } ] } } ``` ##### **③ 布尔查询（AND/OR/NOT）** ```json GET /products/_search { "query": { "bool": { "must": [ { "match": { "tags": "苹果" } } ], "filter": [ { "range": { "price": { "lte": 1000 } } } // 价格≤1000 ] } } } ``` #### **（2）高级功能** ##### **① 全文检索（分析文本）** - **分词器（Analyzer）**： - 默认使用`standard`分词器（按空格分词，小写化）。 - 自定义分词器示例： ```json PUT /my_index { "settings": { "analysis": { "analyzer": { "my_analyzer": { "type": "custom", "tokenizer": "standard", "filter": ["lowercase", "asciifolding"] // 小写+去除重音 } } } } } ``` ##### **② 聚合查询（Aggregation）** ```json GET /products/_search { "size": 0, // 不返回文档，仅聚合结果 "aggs": { "avg_price": { "avg": { "field": "price" } }, "tags_count": { "terms": { "field": "tags.keyword" } // 对精确值聚合 } } } ``` - **结果**： ```json { "aggregations": { "avg_price": { "value": 799 }, "tags_count": { "buckets": [ { "key": "苹果", "doc_count": 1 }, { "key": "手机", "doc_count": 1 } ] } } } ``` ##### **③ 高亮显示（Highlight）** ```json GET /products/_search { "query": { "match": { "description": "智能" } }, "highlight": { "fields": { "description": {} } } } ``` - **返回结果**： ```json { "hits": { "hits": [ { "_source
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值