简介
官方文档：https://www.elastic.co/guide/en/elasticsearch/reference/7.3/search-aggregations-bucket-rare-terms-aggregation.html
在许多的情况下，我们做 terms聚合 搜索的时候，我们想得到的是每个桶里满足条件的文档最多的搜索结果。但是有些情况，我们想寻找稀有的术语数量。尽管我们可以把我们的搜索结果按照升序来排序，但是对于很大数据的这种聚合操作很容易造成 unbunded error。在 Elasticsearch 了提供了一种叫做 Rare Terms Aggregation 的方法。
它使用了可预测结果的资源高效算法。它是一种聚合，用于识别长系列关键词的尾部的数据，例如文档数较少的字词。从技术角度来看，稀有术语汇总通过维护术语映射以及与每个值关联的计数器来进行。每次识别该术语时，计数器都会增加。如果计数器超过预定义的阈值，则将该术语从map中删除并插入到 cuckoo filter。如果在 cuckoo filter 中找到了该术语，则假定该术语先前已从map中删除，并且是“常见的”。此聚合设计为比替代方案（将terms aggreation的size设置为：MAX_LONG）或通过计数递增排序项聚合（可能会导致 unbounded error）的内存效率更高。
Rare terms aggregation 有多种用例；例如，SIEM 用户经常对罕见事件感兴趣，这些罕见事件有时被怀疑是安全事件的体现。Rare terms aggregation 是Elastic在7.3版本中引入的新功能。
聚合搜索
准备数据
我们首先来下载我们的测试数据：
然后我们通过Kibana把这个数据来导入到我们的Elasticsearch中：
在导入的过程中，我们选择Time field为year，并且指定相应的日期格式：
我们指定我们的索引名字为best_games：
terms aggregation
为了说明问题，我们先来采用 terms aggregation 的方法，并使用升序的方式来进行查询：
代码语言：javascript复制GET best_games/_search
{
"size": 0,
"aggs": {
"normal_genre": {
"terms": {
"field": "genre",
"order": {
"_count": "asc"
}
}
}
}
}我们可以看到这个结果：
代码语言：javascript复制{
"took" : 2,
"timed_out" : false,
"_shards" : {
"total" : 1,
"successful" : 1,
"skipped" : 0,
"failed" : 0
},
"hits" : {
"total" : {
"value" : 500,
"relation" : "eq"
},
"max_score" : null,
"hits" : [ ]
},
"aggregations" : {
"normal_genre" : {
"doc_count_error_upper_bound" : 0,
"sum_other_doc_count" : 208,
"buckets" : [
{
"key" : "Strategy",
"doc_count" : 2
},
{
"key" : "Adventure",
"doc_count" : 7
},
{
"key" : "Puzzle",
"doc_count" : 8
},
{
"key" : "Simulation",
"doc_count" : 18
},
{
"key" : "Fighting",
"doc_count" : 19
},
{
"key" : "Platform",
"doc_count" : 34
},
{
"key" : "Racing",
"doc_count" : 35
},
{
"key" : "Misc",
"doc_count" : 44
},
{
"key" : "Role-Playing",
"doc_count" : 49
},
{
"key" : "Sports",
"doc_count" : 76
}
]
}
}
}我们可以看到在 key 为 Strategy 里的文档有两个，而且文档的数值是按照升序的方法来进行排列的。
我们也许觉得这样的方法没有什么问题。它完全满足我们的需求。细心的开发者可以参考Elastic的 Terms aggeration 官方文档，可以看到这样的一段文字：
它的意思是使用升序来进行排序是不建议的一种方法。它会随着文档数量的增加而可能出现错误，特别是多 shard 进行搜索。为了克服这个问题，我们需要使用 Rare terms aggregation。
Rare terms aggregation
我们首先使用如下的命令来查询：
代码语言：javascript复制GET best_games/_search
{
"size": 0,
"aggs": {
"rare_genre": {
"rare_terms": {
"field": "genre",
"max_doc_count": 1
}
}
}
}在这里，我们定义了 max_doc_count 为1。max_doc_count 参数用于控制术语可以具有的文档计数的上限。对于 rare terms aggregation 而言，它没有像 terms aggregation 那样有一个 size 的参数来控制返回数值的大小。 这意味着将返回符合max_doc_count 条件的字词。 Rare terms aggregation 以这种方式起作用，以避免困扰术语聚合的升序问题。
但是，这的确意味着如果选择不正确，可以返回大量结果。 为了限制此设置的危险，最大 max_doc_count 为100。
针对我们上面的用例，它返回的结果是：
代码语言：javascript复制{
"took" : 0,
"timed_out" : false,
"_shards" : {
"total" : 1,
"successful" : 1,
"skipped" : 0,
"failed" : 0
},
"hits" : {
"total" : {
"value" : 500,
"relation" : "eq"
},
"max_score" : null,
"hits" : [ ]
},
"aggregations" : {
"rare_genre" : {
"buckets" : [ ]
}
}
}也就是说所有的文档的数量都是大于1的，没有一个是少于1的。那么如果我们修改这个查询条件为：
代码语言：javascript复制GET best_games/_search
{
"size": 0,
"aggs": {
"rare_genre": {
"rare_terms": {
"field": "genre",
"max_doc_count": 10
}
}
}
}那么返回的结果是
代码语言：javascript复制{
"took" : 1,
"timed_out" : false,
"_shards" : {
"total" : 1,
"successful" : 1,
"skipped" : 0,
"failed" : 0
},
"hits" : {
"total" : {
"value" : 500,
"relation" : "eq"
},
"max_score" : null,
"hits" : [ ]
},
"aggregations" : {
"rare_genre" : {
"buckets" : [
{
"key" : "Strategy",
"doc_count" : 2
},
{
"key" : "Adventure",
"doc_count" : 7
},
{
"key" : "Puzzle",
"doc_count" : 8
}
]
}
}
}
