嵌套桶

在我们使用不同的嵌套方案时，聚合的力量才能真正得以显现。在前例中，我们已经看到如何将一个度量嵌入桶中，它的功能已经十分强大了。

但真正令人激动的分析来自于将桶嵌套进 另外一个桶 所能得到的结果。现在，我们想知道每个颜色的汽车制造商的分布：

  1. GET /cars/transactions/_search
  2. {
  3.    "size" : 0,
  4.    "aggs": {
  5.       "colors": {
  6.          "terms": {
  7.             "field": "color"
  8.          },
  9.          "aggs": {
  10.             "avg_price": { (1)
  11.                "avg": {
  12.                   "field": "price"
  13.                }
  14.             },
  15.             "make": { (2)
  16.                 "terms": {
  17.                     "field": "make" (3)
  18.                 }
  19.             }
  20.          }
  21.       }
  22.    }
  23. }

<1> 注意前例中的 avg_price 度量仍然保持原位。

<2> 另一个聚合 make 被加入到了 color 颜色桶中。

<3> 这个聚合是 terms 桶，它会为每个汽车制造商生成唯一的桶。

这里发生了一些有趣的事。首先，我们可能会观察到之前例子中的 avg_price 度量完全没有变化，还在原来的位置。一个聚合的每个 层级 都可以有多个度量或桶， avg_price 度量告诉我们每种颜色汽车的平均价格。它与其他的桶和度量相互独立。

这对我们的应用非常重要，因为这里面有很多相互关联，但又完全不同的度量需要收集。聚合使我们能够用一次数据请求获得所有的这些信息。

另外一件值得注意的重要事情是我们新增的这个 make 聚合，它是一个 terms 桶（嵌套在 colors 、 terms 桶内）。这意味着它会为数据集中的每个唯一组合生成（ color 、 make ）元组。

让我们看看返回的响应（为了简单我们只显示部分结果）：

  1. {
  2. ...
  3.    "aggregations": {
  4.       "colors": {
  5.          "buckets": [
  6.             {
  7.                "key": "red",
  8.                "doc_count": 4,
  9.                "make": { (1)
  10.                   "buckets": [
  11.                      {
  12.                         "key": "honda", (2)
  13.                         "doc_count": 3
  14.                      },
  15.                      {
  16.                         "key": "bmw",
  17.                         "doc_count": 1
  18.                      }
  19.                   ]
  20.                },
  21.                "avg_price": {
  22.                   "value": 32500 (3)
  23.                }
  24.             },
  26. ...
  27. }

<1> 正如期望的那样，新的聚合嵌入在每个颜色桶中。

<2> 现在我们看见按不同制造商分解的每种颜色下车辆信息。

<3> 最终，我们看到前例中的 avg_price 度量仍然维持不变。

响应结果告诉我们以下几点：

  • 红色车有四辆。
  • 红色车的平均售价是 $32，500 美元。
  • 其中三辆是 Honda 本田制造，一辆是 BMW 宝马制造。