Question

简短的问题：在执行带有子聚合的查询时，内部聚合为什么在某些情况下会丢失数据？

详细问题：我有一个带有子聚合（存储桶中的存储桶）的搜索查询，如下所示：

{
    "size": 0,
    "aggs": {
        "outer_docs": {
            "terms": {"size": 20, "field": "field_1_to_aggregate_on"},
            "aggs": {
                "inner_docs": {
                    "terms": {"size": 10000, "field": "field_2_to_aggregate_on"},
                    "aggs": "things to display here"
                }
            }
        }
    }
}

如果执行此查询，对于某些external_docs，我不会收到与之关联的所有inner_docs。在下面的输出中，外部文档key_1有三个内部文档。

{
    "hits": {
        "total": 9853,
        "max_score": 0.0,
        "hits": []
    },
    "aggregations": {
        "outer_docs": {
            "doc_count_error_upper_bound": -1, "sum_other_doc_count": 9801,
            "buckets": [
                {
                    "key": "key_1", "doc_count": 3,
                    "inner_docs": {
                        "doc_count_error_upper_bound": 0,
                        "sum_other_doc_count": 0,
                        "buckets": [
                            {"key": "1", "doc_count": 1, "some": "data here"},
                            ...
                            {"key": "3", "doc_count": 1, "some": "data here"},
                        ]
                    }
                },
                ...
            ]
        }
    }
}

现在，我添加一个查询以单选一个反而会在前20个中使用的external_doc。

"query": {"bool": {"must": [{'term': {'field_1_to_aggregate_on': 'key_1'}}]}}

在这种情况下，我确实获得了所有inner_docs，这些输出在外部文档key_1的七个内部文档下面的输出中。

{
    "hits": {
        "total": 8,
        "max_score": 0.0,
        "hits": []
    },
    "aggregations": {
        "outer_docs": {
            "doc_count_error_upper_bound": -1, "sum_other_doc_count": 9801,
            "buckets": [
                {
                    "key": "key_1", "doc_count": 8,
                    "inner_docs": {
                        "doc_count_error_upper_bound": 0,
                        "sum_other_doc_count": 0,
                        "buckets": [
                            {"key": "1", "doc_count": 1, "some": "data here"},
                            ...
                            {"key": "7", "doc_count": 2, "some": "data here"},
                        ]
                    }
                },
                ...
            ]
        }
    }
}

我已明确指定每个外部文档要10,000个内部文档。是什么使我无法获取所有数据？

这是我的版本信息：

{
    'build_date': '2018-09-26T13:34:09.098244Z',
    'build_flavor': 'default',
    'build_hash': '04711c2',
    'build_snapshot': False,
    'build_type': 'deb',
    'lucene_version': '7.4.0',
    'minimum_index_compatibility_version': '5.0.0',
    'minimum_wire_compatibility_version': '5.6.0',
    'number': '6.4.2'
}

编辑：经过更多的研究，我发现问题与子聚合无关，但与聚合本身和分片的使用无关。我已经为Elastic打开了此错误报告：

Answer 1

为此使用composite aggregation怎么样？肯定可以解决您的问题。

GET /_search
{
    "aggs" : {
        "all_docs": {
            "composite" : {
                "size": 1000,
                "sources" : [
                    { "outer_docs": { "terms": { "field": "field_1_to_aggregate_on" } } },
                    { "inner_docs": { "terms": { "field": "field_2_to_aggregate_on" } } }
                ]
            }
        }
    }
}

如果您有很多存储桶，则复合聚合将帮助您使用size/after滚动浏览每个存储桶。

Answer 2

检查弹性弃用日志文件。您可能会收到如下警告：

This aggregation creates too many buckets (10001) and will throw an error in future versions. You should update the [search.max_buckets] cluster setting or use the [composite] aggregation to paginate all buckets in multiple requests.

search.max_buckets是一个动态集群设置，在7.0中默认为10.000个存储桶。

现在，这在任何地方都没有记录，但是根据我的经验：分配超过10.000个存储桶会导致查询终止，但是您会取回在那一刻之前已经获得的结果。这说明了结果中缺少数据

使用复合聚合将有所帮助，您的另一个选择是增加max_buckets。请注意，这样可能会使整个群集崩溃，因为每个存储区（RAM）都会产生成本。实际使用所有分配的存储桶都没有关系，只能将空存储桶崩溃。

请参阅：

https://www.elastic.co/guide/en/elasticsearch/reference/master/breaking-changes-7.0.html#_literal_search_max_buckets_literal_in_the_cluster_setting https://www.elastic.co/guide/en/elasticsearch/reference/current/search-aggregations-bucket.html https://github.com/elastic/elasticsearch/issues/35896

Answer 3

事实证明，问题并非归因于子聚合，而这是ElasticSearch的实际功能。我们使用5个分片，而使用分片时，聚合仅返回近似结果。

我们已使此问题可重现，并将其发布在Elastic discuss forum中。在那里，我们了解到聚合并不总是返回所有数据，而是指向documentation的链接，其中对此进行了更详细的说明。

我们还了解到，仅使用1个分片即可解决该问题，并且在不可能的情况下，参数shard_size可以缓解此问题。

子聚合导致数据丢失

3 个答案: