--- title: "Easysearch：Bucket 和 Metric 聚合，看完这一篇就够了" date: 2026-01-22 lastmod: 2026-01-22 description: "详解 Easysearch 两大聚合核心：Bucket 聚合用于数据分组分类，Metric 聚合进行数值统计，涵盖 terms、avg、sum、date_histogram 等类型，配合 ECharts 实现分类统计、性能分析、趋势监控等实战应用" tags: ["Easysearch", "聚合分析", "数据可视化"] summary: "1. 什么是 Easysearch？ # Easysearch 是一款现代分布式搜索与分析引擎，支持全文检索、结构化检索、聚合分析等能力。它能够处理大规模文档数据，通过灵活的搜索与统计能力帮助开发者构建实时分析、报表展示、业务监控等功能。Easysearch 的聚合功能设计来源于 Elasticsearch 的 Aggregations 框架，可实现高效的数据统计与分组分析。 2. 聚合的基本概念 # 在 Easysearch 中，聚合（Aggregations）是一种能够将数据按照某种规则进行统计与组合的能力。聚合通常不返回具体的匹配文档，而是返回统计结果或分组信息。聚合主要分为： Bucket（桶）聚合：将符合条件的文档分成多个“桶（Bucket）”，类似 SQL 中的 GROUP BY。 Metric（指标）聚合：对一组文档或桶进行数值计算，如求平均值、总和等。 一个聚合请求典型结构如下： GET /your_index/_search { "size": 0, "aggs": { "your_aggregation_name": { "AGG_TYPE": { ... } } } } 其中 "size": 0 表示不返回具体文档，只关心聚合结果。 3. 桶聚合：按值分组（terms） # Bucket 聚合 就是“分桶”，比如按照某个字段的不同值将数据分成不同组，每组对应一个桶。最常用的桶聚合是 terms（词条聚合）。 3.1 terms 聚合基础 # terms 聚合会为某个字段中出现的每个不同值建立一个桶，并统计每个桶内包含的文档数量： GET logs/_search { "size": 0, "aggs": { "status_codes": { "terms": { "field": "status." --- ## 1. 什么是 Easysearch？ **Easysearch** 是一款现代分布式搜索与分析引擎，支持全文检索、结构化检索、聚合分析等能力。它能够处理大规模文档数据，通过灵活的搜索与统计能力帮助开发者构建实时分析、报表展示、业务监控等功能。Easysearch 的聚合功能设计来源于 Elasticsearch 的 Aggregations 框架，可实现高效的数据统计与分组分析。 --- ## 2. 聚合的基本概念 在 Easysearch 中，聚合（**Aggregations**）是一种能够将数据按照某种规则进行统计与组合的能力。聚合通常不返回具体的匹配文档，而是返回统计结果或分组信息。聚合主要分为： - **Bucket（桶）聚合**：将符合条件的文档分成多个“桶（Bucket）”，类似 SQL 中的 `GROUP BY`。 - **Metric（指标）聚合**：对一组文档或桶进行数值计算，如求平均值、总和等。 一个聚合请求典型结构如下： ```json GET /your_index/_search { "size": 0, "aggs": { "your_aggregation_name": { "AGG_TYPE": { ... } } } } ``` 其中 `"size": 0` 表示不返回具体文档，只关心聚合结果。 --- ## 3. 桶聚合：按值分组（terms） **Bucket 聚合** 就是“分桶”，比如按照某个字段的不同值将数据分成不同组，每组对应一个桶。最常用的桶聚合是 **terms（词条聚合）**。 ### 3.1 `terms` 聚合基础 `terms` 聚合会为某个字段中出现的每个不同值建立一个桶，并统计每个桶内包含的文档数量： ```json GET logs/_search { "size": 0, "aggs": { "status_codes": { "terms": { "field": "status.keyword", "size": 5 } } } } ``` 在这个例子中，按 `status.keyword` 字段的值进行分组统计，返回最频繁的 5 个状态码以及它们对应的文档计数。 ##### 解释 - **key**：每个桶对应的字段值； - **doc_count**：该值对应的文档数量； - **size**：限制返回多少个桶（默认有上限）。 ### 3.2 桶聚合的意义 `terms` 聚合相当于 SQL 中的 `GROUP BY` 操作，它能将数据分类统计，例如： - 按产品类别统计数量； - 按响应码统计请求数量； - 按用户 ID 统计用户行为分布。 结合其他聚合，还可以进一步对每个分组做数值统计。 --- ## 4. 指标聚合：计算数值统计（avg / sum / min / max） **Metric 聚合** 是对符合条件的文档或某个桶内的文档进行数值计算，比如求平均值、求和等。Easysearch 支持常见的指标聚合。 ### 4.1 常见的指标聚合类型 | 聚合类型 | 功能 | | -------- | ---------------- | | **avg** | 计算字段的平均值 | | **sum** | 计算字段值的总和 | | **min** | 找出字段的最小值 | | **max** | 找出字段的最大值 | 这些指标类似于关系型数据库的统计函数。 --- ### 4.2 `avg`（平均值） `avg` 聚合返回一个字段的平均值。例如： ```json GET products/_search { "size": 0, "aggs": { "avg_price": { "avg": { "field": "price" } } } } ``` 返回结果中 `avg_price.value` 即为该字段的平均值。 **意义**：可以快速获知指标中心趋势，例如平均购买金额、平均访问时间等。 --- ### 4.3 `sum`（求和） `sum` 聚合返回字段值的总和，例如： ```json GET deliveries/_search { "size": 0, "aggs": { "total_weight": { "sum": { "field": "weight_kg" } } } } ``` 返回 `total_weight.value` 即为该字段所有文档的总和。 **意义**：适合用于计算总收入、总耗时等。 --- ### 4.4 `min` / `max` 类似 `sum` 和 `avg`，`min` 聚合返回某字段在数据集中的最小值，`max` 聚合返回最大值，它们用于分析分布范围。 --- ## 5. 组合聚合示例：Bucket 与 Metric 联合使用 指标聚合通常与桶聚合一起使用，先把文档分桶，再在每个桶内做统计。 例如，统计每个状态码的平均响应时间： ```json GET logs/_search { "size": 0, "aggs": { "by_status": { "terms": { "field": "status.keyword" }, "aggs": { "avg_resp_time": { "avg": { "field": "response_time" } } } } } } ``` 执行后，每个状态码对应一个桶，并包含该状态码下的平均响应时间。 **解释**： - 外层 `terms` 聚合分组； - 内层 `avg` 聚合在对应桶内计算平均值。 这种模式既能分类又能统计，是构建多维度分析的基础。 --- ## 6. 聚合结果的可视化实践 Easysearch 的聚合结果本质上是结构化的 JSON 数据，这些数据非常适合直接用于可视化展示。实际应用中，我们通常遵循以下流程： **聚合查询 → 获取 buckets → 提取 key / value → 映射为图表数据** 下面通过 **三个最常见的场景**，结合 **具体聚合查询与可视化代码示例**，说明 Bucket 与 Metric 聚合如何落地使用。 --- ### 6.1 `terms` 聚合 + 柱状图：分类统计 #### 场景说明 统计不同 **状态码（status）** 的请求数量，并使用柱状图展示。 --- ### ① Easysearch 聚合查询 ```json GET logs/_search { "size": 0, "aggs": { "status_count": { "terms": { "field": "status.keyword", "size": 10 } } } } ``` --- ### ② 聚合返回结果（简化） ```json { "aggregations": { "status_count": { "buckets": [ { "key": "200", "doc_count": 15230 }, { "key": "404", "doc_count": 312 }, { "key": "500", "doc_count": 87 } ] } } } ``` --- ### ③ 前端数据提取（JavaScript） ```js const buckets = response.aggregations.status_count.buckets; const xAxisData = buckets.map((item) => item.key); const seriesData = buckets.map((item) => item.doc_count); ``` --- ### ④ 使用 ECharts 渲染柱状图 ```js const option = { title: { text: "请求状态码分布", }, xAxis: { type: "category", data: xAxisData, }, yAxis: { type: "value", }, series: [ { type: "bar", data: seriesData, }, ], }; chart.setOption(option); ``` ![](/img/knowledge-base/basic/easysearch-bucket-and-metric-aggregations/image-1.png) 📊 **效果说明** - 每个状态码对应一个柱子 - 柱子的高度即 `doc_count` - 非常适合做 **分类统计面板** --- ### 6.2 `terms + avg` 聚合 + 柱状图：分类指标分析 #### 场景说明 统计 **每种状态码下的平均响应时间**，用于分析性能问题。 --- ### ① Easysearch 聚合查询 ```json GET logs/_search { "size": 0, "aggs": { "by_status": { "terms": { "field": "status.keyword" }, "aggs": { "avg_response_time": { "avg": { "field": "response_time" } } } } } } ``` --- ### ② 返回结果（简化） ```json { "aggregations": { "by_status": { "buckets": [ { "key": "200", "doc_count": 15230, "avg_response_time": { "value": 35.6 } }, { "key": "500", "doc_count": 87, "avg_response_time": { "value": 420.3 } } ] } } } ``` --- ### ③ 前端数据处理 ```js const buckets = response.aggregations.by_status.buckets; const xAxisData = buckets.map((b) => b.key); const seriesData = buckets.map((b) => b.avg_response_time.value); ``` --- ### ④ 使用 ECharts 渲染柱状图（平均响应时间） ```js const option = { title: { text: "不同状态码的平均响应时间", }, xAxis: { type: "category", data: xAxisData, }, yAxis: { type: "value", name: "ms", }, series: [ { type: "bar", data: seriesData, }, ], }; ``` ![](/img/knowledge-base/basic/easysearch-bucket-and-metric-aggregations/image-2.png) 📌 **实践价值** - 可以快速发现 **异常状态码** - 是 **性能监控 / SLA 分析** 的基础方式 --- ### 6.3 `date_histogram` 聚合 + 折线图：趋势分析 #### 场景说明 按 **天** 统计访问量变化趋势，用于流量监控。 --- ### ① Easysearch 聚合查询 ```json GET logs/_search { "size": 0, "aggs": { "visits_over_time": { "date_histogram": { "field": "@timestamp", "calendar_interval": "day" } } } } ``` --- ### ② 返回结果（简化） ```json { "aggregations": { "visits_over_time": { "buckets": [ { "key_as_string": "2025-01-01", "doc_count": 1200 }, { "key_as_string": "2025-01-02", "doc_count": 1780 }, { "key_as_string": "2025-01-03", "doc_count": 2156 }, { "key_as_string": "2025-01-04", "doc_count": 2067 }, { "key_as_string": "2025-01-05", "doc_count": 2654 } ] } } } ``` --- ### ③ 前端数据处理 ```js const buckets = response.aggregations.visits_over_time.buckets; const xAxisData = buckets.map((b) => b.key_as_string); const seriesData = buckets.map((b) => b.doc_count); ``` --- ### ④ 使用 ECharts 渲染折线图 ```js const option = { title: { text: "每日访问量趋势", }, xAxis: { type: "category", data: xAxisData, }, yAxis: { type: "value", }, series: [ { type: "line", data: seriesData, smooth: true, }, ], }; ``` ![](/img/knowledge-base/basic/easysearch-bucket-and-metric-aggregations/image-3.png) 📈 **适用场景** - 访问量趋势分析 - 业务增长监控 - 异常流量识别 --- ## 6.4 可视化实践总结 | 聚合类型 | 常见图表 | 典型用途 | | ----------------- | --------------- | ------------ | | terms | 柱状图 / 饼图 | 分类统计 | | terms + avg / sum | 柱状图 | 分类指标分析 | | date_histogram | 折线图 / 面积图 | 时间趋势分析 | **核心思想只有一句话：Bucket 决定“分组维度”，Metric 决定“统计值”，图表只是结果的呈现方式。** --- ## 7. 总结 | 聚合类型 | 作用 | | --------------- | -------------------------------------- | | **Bucket 聚合** | 对数据分类分组，例如按字段值划分桶 | | **Metric 聚合** | 对数据或分组做统计，例如平均值、总和等 | 聚合的真正价值在于**组合使用**：先分组，再对每组做统计，这样才能得到对业务有意义的分析结果。 掌握 `terms`、`avg`、`sum` 等聚合类型后，你就可以用 Easysearch 构建灵活的数据统计分析与可视化功能，为业务洞察与数据驱动决策提供坚实基础。