中國人很喜歡吃油條的中英文分詞器兩種分法
standard：中 國 人 很 喜 歡 吃 油 條
ik：中國人 很 喜歡 吃 油條
1、在elasticsearch中安裝ik中文分詞器
（1）git clone https://github.com/medcl/elasticsearch-analysis-ik
（2）git checkout tags/v5.2.0
（3）mvn package
（4）將target/releases/elasticsearch-analysis-ik-5.2.0.zip拷貝到es/plugins/ik目錄下
（5）在es/plugins/ik下對elasticsearch-analysis-ik-5.2.0.zip進行解壓縮
（6）重啟es
2、ik分詞器的兩種分詞策略(一般使用 ik_max_word策略)
ik_max_word: 會將文本做最細粒度的拆分，比如會將“中華人民共和國國歌”拆分為“中華人民共和國,中華人民,中華,華人,人民共和國,人民,人,民,共和國,共和,和,國國,國歌”，會窮盡各種可能的組合；
ik_smart: 會做最粗粒度的拆分，比如會將“中華人民共和國國歌”拆分為“中華人民共和國,國歌”。
PUT /my_index
{
"mappings": {
"my_type": {
"properties": {
"text": {
"type": "text",
"analyzer": "ik_max_word"
}
}
}
}
}
POST /my_index/my_type/_bulk
{ "index": { "_id": "1"} }
{ "text": "男子偷上萬元發(fā)紅包求交女友 被抓獲時仍然單身" }
{ "index": { "_id": "2"} }
{ "text": "16歲少女為結婚“變”22歲 7年后想離婚被法院拒絕" }
{ "index": { "_id": "3"} }
{ "text": "深圳女孩騎車逆行撞奔馳 遭索賠被嚇哭(圖)" }
{ "index": { "_id": "4"} }
{ "text": "女人對護膚品比對男票好？網(wǎng)友神懟" }
{ "index": { "_id": "5"} }
{ "text": "為什么國內的街道招牌用的都是紅黃配？" }
GET /my_index/_analyze
{
"text": "男子偷上萬元發(fā)紅包求交女友 被抓獲時仍然單身",
"analyzer": "ik_max_word"
}
GET /my_index/my_type/_search
{
"query": {
"match": {
"text": "16歲少女結婚好還是單身好？"
}
}
}
IK分詞器配置文件及自定義詞庫
1、ik配置文件
ik配置文件地址：es/plugins/ik/config目錄
IKAnalyzer.cfg.xml：用來配置自定義詞庫
main.dic：ik原生內置的中文詞庫，總共有27萬多條，只要是這些單詞，都會被分在一起
quantifier.dic：放了一些單位相關的詞
suffix.dic：放了一些后綴
surname.dic：中國的姓氏
stopword.dic：英文停用詞
ik原生最重要的兩個配置文件
main.dic：包含了原生的中文詞語，會按照這個里面的詞語去分詞
stopword.dic：包含了英文的停用詞
停用詞，stopword
a the and at but ,一般，像停用詞，會在分詞的時候，直接被干掉，不會建立在倒排索引中
2、自定義詞庫
（1）自己建立詞庫：每年都會涌現(xiàn)一些特殊的流行詞，網(wǎng)紅，藍瘦香菇，喊麥，鬼畜，一般不會在ik的原生詞典里
自己補充自己的最新的詞語，到ik的詞庫里面去
IKAnalyzer.cfg.xml：ext_dict，custom/mydict.dic
補充自己的詞語，然后需要重啟es，才能生效
（2）自己建立停用詞庫：比如了，的，啥，么，我們可能并不想去建立索引，讓人家搜索
custom/ext_stopword.dic，已經有了常用的中文停用詞，可以補充自己的停用詞，然后重啟es
修改IK分詞器源碼來基于mysql熱更新詞庫
每次都是在es的擴展詞典中，手動添加新詞語，很坑
（1）每次添加完，都要重啟es才能生效，非常麻煩
（2）es是分布式的，可能有數(shù)百個節(jié)點，你不能每次都一個一個節(jié)點上面去修改
es不停機，直接我們在外部某個地方添加新的詞語，es中立即熱加載到這些新詞語
兩種熱更新的方案
（1）修改ik分詞器源碼，然后手動支持從mysql中每隔一定時間，自動加載新的詞庫
（2）基于ik分詞器原生支持的熱更新方案，部署一個web服務器，提供一個http接口，通過modified和tag兩個http響應頭，來提供詞語的熱更新
一般都用第一種方案，第二種 ik git社區(qū)官方都不建議采用，覺得不太穩(wěn)定
2、修改源碼
Dictionary類，169行：Dictionary單例類的初始化方法，在這里需要創(chuàng)建一個我們自定義的線程，并且啟動它 new Thread(new HotDictReloadThread()).start();
HotDictReloadThread類：就是死循環(huán)，不斷調用Dictionary.getSingleton().reLoadMainDict()，去重新加載詞典 loadMainDict
Dictionary類，389行：this.loadMySQLExtDict();
Dictionary類，683行：this.loadMySQLStopwordDict();
3、mvn package打包代碼
target\releases\elasticsearch-analysis-ik-5.2.0.zip
4、解壓縮ik壓縮包
將mysql驅動jar，放入ik的目錄下
5、修改jdbc相關配置
6、重啟es
觀察日志，日志中就會顯示我們打印的那些東西，比如加載了什么配置，加載了什么詞語，什么停用詞
7、在mysql中添加詞庫與停用詞
8、分詞實驗，驗證熱更新生效
聚合分析之bucket和metric
bucket：按照某個字段進行bucket劃分，那個字段的值相同的那些數(shù)據(jù)，就會被劃分到一個bucket中。如：
北京 小李
北京 小王
上海 小張
上海 小麗
上海 小陳
基于city劃分buckets 劃分出來兩個bucket，一個是北京bucket，一個是上海bucket
北京bucket：包含了2個人，小李，小王
上海bucket：包含了3個人，小張，小麗，小陳
metric：對一個數(shù)據(jù)分組執(zhí)行的統(tǒng)計。當我們有了一堆bucket之后，就可以對每個bucket中的數(shù)據(jù)進行聚合分詞了，比如說計算一個bucket內所有數(shù)據(jù)的數(shù)量，或者計算一個bucket內所有數(shù)據(jù)的平均值，最大值，最小值
聚合統(tǒng)計--哪種顏色電視銷量最高
PUT /tvs
{
"mappings": {
"sales": {
"properties": {
"price": {
"type": "long"
},
"color": {
"type": "keyword"
},
"brand": {
"type": "keyword"
},
"sold_date": {
"type": "date"
}
}
}
}
}
POST /tvs/sales/_bulk
{ "index": {}}
{ "price" : 1000, "color" : "紅色", "brand" : "長虹", "sold_date" : "2016-10-28" }
{ "index": {}}
{ "price" : 2000, "color" : "紅色", "brand" : "長虹", "sold_date" : "2016-11-05" }
{ "index": {}}
{ "price" : 3000, "color" : "綠色", "brand" : "小米", "sold_date" : "2016-05-18" }
{ "index": {}}
{ "price" : 1500, "color" : "藍色", "brand" : "TCL", "sold_date" : "2016-07-02" }
{ "index": {}}
{ "price" : 1200, "color" : "綠色", "brand" : "TCL", "sold_date" : "2016-08-19" }
{ "index": {}}
{ "price" : 2000, "color" : "紅色", "brand" : "長虹", "sold_date" : "2016-11-05" }
{ "index": {}}
{ "price" : 8000, "color" : "紅色", "brand" : "三星", "sold_date" : "2017-01-01" }
{ "index": {}}
{ "price" : 2500, "color" : "藍色", "brand" : "小米", "sold_date" : "2017-02-12" }
2、統(tǒng)計哪種顏色的電視銷量最高
GET /tvs/sales/_search
{
"size" : 0,
"aggs" : {
"popular_colors" : {
"terms" : {
"field" : "color"
}
}
}
}
# 請求參數(shù)解釋
size：只獲取聚合結果，而不要執(zhí)行聚合的原始數(shù)據(jù)
aggs：固定語法，要對一份數(shù)據(jù)執(zhí)行分組聚合操作
popular_colors：就是對每個aggs，都要起一個名字，這個名字是隨機的，你隨便取什么都ok
terms：根據(jù)字段的值進行分組
field：根據(jù)指定的字段的值進行分組
//返回結果
{
"took": 22,
"timed_out": false,
"_shards": {
"total": 5,
"successful": 5,
"failed": 0
},
"hits": {
"total": 8,
"max_score": 0,
"hits": []
},
"aggregations": {
"popular_colors": {
"doc_count_error_upper_bound": 0,
"sum_other_doc_count": 0,
"buckets": [
{
"key": "紅色",
"doc_count": 4
},
{
"key": "綠色",
"doc_count": 2
},
{
"key": "藍色",
"doc_count": 2
}
]
}
}
}
# 返回數(shù)據(jù)解釋：
hits.hits：我們指定了size是0，所以hits.hits就是空的，否則會把執(zhí)行聚合的那些原始數(shù)據(jù)給你返回回來
aggregations：聚合結果
popular_color：我們指定的某個聚合的名稱
buckets：根據(jù)我們指定的field劃分出的buckets
key：每個bucket對應的那個值
doc_count：這個bucket分組內，有多少個數(shù)據(jù)
數(shù)量，其實就是這種顏色的銷量
默認的排序規(guī)則：按照doc_count降序排序
聚合統(tǒng)計--bucket+metric：統(tǒng)計每種顏色電視平均價格
在之前的terms同級下，新增一個aggs分組之后，聚合求平均
GET /tvs/sales/_search
{
"size" : 0,
"aggs": {
"colors": {
"terms": {
"field": "color"
},
"aggs": {
"avg_price": {
"avg": {
"field": "price"
}
}
}
}
}
}
# 返回數(shù)據(jù)
{
"took": 14,
"timed_out": false,
"_shards": {
"total": 5,
"successful": 5,
"failed": 0
},
"hits": {
"total": 8,
"max_score": 0,
"hits": []
},
"aggregations": {
"colors": {
"doc_count_error_upper_bound": 0,
"sum_other_doc_count": 0,
"buckets": [
{
"key": "紅色",
"doc_count": 4,
"avg_price": {
"value": 3250
}
},
{
"key": "綠色",
"doc_count": 2,
"avg_price": {
"value": 2100
}
},
{
"key": "藍色",
"doc_count": 2,
"avg_price": {
"value": 2000
}
}
]
}
}
}
# 返回數(shù)據(jù)解釋
buckets，除了key和doc_count
avg_price：我們自己取的metric aggs的名字
value：我們的metric計算的結果，每個bucket中的數(shù)據(jù)的price字段求平均值后的結果
select avg(price) from tvs.sales group by color
bucket嵌套實現(xiàn)顏色+品牌的多層下鉆分析
比如說，現(xiàn)在紅色的電視有4臺，同時這4臺電視中，有3臺是屬于長虹的，1臺是屬于小米的
紅色電視中的3臺長虹的平均價格是多少？
紅色電視中的1臺小米的平均價格是多少？
下鉆的意思是，已經分了一個組了，比如說顏色的分組，然后還要繼續(xù)對這個分組內的數(shù)據(jù)，再分組，比如一個顏色內，還可以分成多個不同的品牌的組，最后對每個最小粒度的分組執(zhí)行聚合分析操作，這就叫做下鉆分析
GET /tvs/sales/_search
{
"size": 0,
"aggs": {
"顏色分組":{
"terms": {
"field": "color"
},
"aggs": {
"顏色求平均": {
"avg": {
"field": "price"
}
},
"品牌分組":{
"terms": {
"field": "brand"
},
"aggs": {
"品牌求平均": {
"avg": {
"field": "price"
}
}
}
}
}
}
}
}
//返回數(shù)據(jù)
{
"took": 2,
"timed_out": false,
"_shards": {
"total": 5,
"successful": 5,
"failed": 0
},
"hits": {
"total": 8,
"max_score": 0,
"hits": []
},
"aggregations": {
"顏色分組": {
"doc_count_error_upper_bound": 0,
"sum_other_doc_count": 0,
"buckets": [
{
"key": "紅色",
"doc_count": 4,
"品牌分組": {
"doc_count_error_upper_bound": 0,
"sum_other_doc_count": 0,
"buckets": [
{
"key": "長虹",
"doc_count": 3,
"品牌求平均": {
"value": 1666.6666666666667
}
},
{
"key": "三星",
"doc_count": 1,
"品牌求平均": {
"value": 8000
}
}
]
},
"顏色求平均": {
"value": 3250
}
},
{
"key": "綠色",
"doc_count": 2,
"品牌分組": {
"doc_count_error_upper_bound": 0,
"sum_other_doc_count": 0,
"buckets": [
{
"key": "TCL",
"doc_count": 1,
"品牌求平均": {
"value": 1200
}
},
{
"key": "小米",
"doc_count": 1,
"品牌求平均": {
"value": 3000
}
}
]
},
"顏色求平均": {
"value": 2100
}
},
{
"key": "藍色",
"doc_count": 2,
"品牌分組": {
"doc_count_error_upper_bound": 0,
"sum_other_doc_count": 0,
"buckets": [
{
"key": "TCL",
"doc_count": 1,
"品牌求平均": {
"value": 1500
}
},
{
"key": "小米",
"doc_count": 1,
"品牌求平均": {
"value": 2500
}
}
]
},
"顏色求平均": {
"value": 2000
}
}
]
}
}
}
metrics：統(tǒng)計每種顏色電視最大最小價格
之前我們也可以求數(shù)量和平均值
count：bucket，terms，自動就會有一個doc_count，就相當于是count
avg：avg aggs，求平均值
現(xiàn)在我們使用更多的metrics操作
max：求一個bucket內，指定field值最大的那個數(shù)據(jù)
min：求一個bucket內，指定field值最小的那個數(shù)據(jù)
sum：求一個bucket內，指定field值的總和
一般來說，90%的常見的數(shù)據(jù)分析的操作，metric，無非就是count，avg，max，min，sum
GET /tvs/sales/_search
{
"size" : 0,
"aggs": {
"colors": {
"terms": {
"field": "color"
},
"aggs": {
"avg_price": { "avg": { "field": "price" } },
"min_price" : { "min": { "field": "price"} },
"max_price" : { "max": { "field": "price"} },
"sum_price" : { "sum": { "field": "price" } }
}
}
}
}
//返回數(shù)據(jù)
{
"took": 5,
"timed_out": false,
"_shards": {
"total": 5,
"successful": 5,
"failed": 0
},
"hits": {
"total": 8,
"max_score": 0,
"hits": []
},
"aggregations": {
"colors": {
"doc_count_error_upper_bound": 0,
"sum_other_doc_count": 0,
"buckets": [
{
"key": "紅色",
"doc_count": 4,
"max_price": {
"value": 8000
},
"min_price": {
"value": 1000
},
"avg_price": {
"value": 3250
},
"sum_price": {
"value": 13000
}
},
{
"key": "綠色",
"doc_count": 2,
"max_price": {
"value": 3000
},
"min_price": {
"value": 1200
},
"avg_price": {
"value": 2100
},
"sum_price": {
"value": 4200
}
},
{
"key": "藍色",
"doc_count": 2,
"max_price": {
"value": 2500
},
"min_price": {
"value": 1500
},
"avg_price": {
"value": 2000
},
"sum_price": {
"value": 4000
}
}
]
}
}
}
hitogram按價格區(qū)間統(tǒng)計電視銷量和銷售額
histogram：類似于terms，也是進行bucket分組操作，接收一個field，按照這個field的值的各個范圍區(qū)間，進行bucket分組操作
interval：2000，劃分范圍，02000，20004000，40006000，60008000，8000~10000，buckets
去根據(jù)price的值，比如2500，看落在哪個區(qū)間內，比如20004000，此時就會將這條數(shù)據(jù)放入20004000對應的那個bucket中
bucket劃分的方法，terms，將field值相同的數(shù)據(jù)劃分到一個bucket中
bucket有了之后，一樣的，去對每個bucket執(zhí)行avg，count，sum，max，min，等各種metric操作，聚合分析
以2000位區(qū)間段，求各個區(qū)間的產品價格總和
GET /tvs/sales/_search
{
"size" : 0,
"aggs":{
"price":{
"histogram":{
"field": "price",
"interval": 2000
},
"aggs":{
"revenue": {
"sum": {
"field" : "price"
}
}
}
}
}
}
//返回數(shù)據(jù)
{
"took": 6,
"timed_out": false,
"_shards": {
"total": 5,
"successful": 5,
"failed": 0
},
"hits": {
"total": 8,
"max_score": 0,
"hits": []
},
"aggregations": {
"price": {
"buckets": [
{
"key": 0,
"doc_count": 3,
"revenue": {
"value": 3700
}
},
{
"key": 2000,
"doc_count": 4,
"revenue": {
"value": 9500
}
},
{
"key": 4000,
"doc_count": 0,
"revenue": {
"value": 0
}
},
{
"key": 6000,
"doc_count": 0,
"revenue": {
"value": 0
}
},
{
"key": 8000,
"doc_count": 1,
"revenue": {
"value": 8000
}
}
]
}
}
}
日期間隔舉例
GET /tvs/sales/_search
{
"size" : 0,
"aggs": {
"sales": {
"date_histogram": {
"field": "sold_date",
"interval": "month",
"format": "yyyy-MM-dd",
"min_doc_count" : 0,
"extended_bounds" : {
"min" : "2016-01-01",
"max" : "2017-12-31"
}
}
}
}
}
# 參數(shù)解釋
min_doc_count：即使某個日期interval，2017-01-01~2017-01-31中，一條數(shù)據(jù)都沒有，那么這個區(qū)間也是要返回的，不然默認是會過濾掉這個區(qū)間的
extended_bounds，min，max：劃分bucket的時候，會限定在這個起始日期，和截止日期內
//返回數(shù)據(jù)
{
"took": 10,
"timed_out": false,
"_shards": {
"total": 5,
"successful": 5,
"failed": 0
},
"hits": {
"total": 8,
"max_score": 0,
"hits": []
},
"aggregations": {
"sales": {
"buckets": [
{
"key_as_string": "2016-01-01",
"key": 1451606400000,
"doc_count": 0
},
{
"key_as_string": "2016-02-01",
"key": 1454284800000,
"doc_count": 0
},
{
"key_as_string": "2016-03-01",
"key": 1456790400000,
"doc_count": 0
},
{
"key_as_string": "2016-04-01",
"key": 1459468800000,
"doc_count": 0
},
{
"key_as_string": "2016-05-01",
"key": 1462060800000,
"doc_count": 1
},
{
"key_as_string": "2016-06-01",
"key": 1464739200000,
"doc_count": 0
},
{
"key_as_string": "2016-07-01",
"key": 1467331200000,
"doc_count": 1
},
{
"key_as_string": "2016-08-01",
"key": 1470009600000,
"doc_count": 1
},
{
"key_as_string": "2016-09-01",
"key": 1472688000000,
"doc_count": 0
},
{
"key_as_string": "2016-10-01",
"key": 1475280000000,
"doc_count": 1
},
{
"key_as_string": "2016-11-01",
"key": 1477958400000,
"doc_count": 2
},
{
"key_as_string": "2016-12-01",
"key": 1480550400000,
"doc_count": 0
},
{
"key_as_string": "2017-01-01",
"key": 1483228800000,
"doc_count": 1
},
{
"key_as_string": "2017-02-01",
"key": 1485907200000,
"doc_count": 1
},
{
"key_as_string": "2017-03-01",
"key": 1488326400000,
"doc_count": 0
},
{
"key_as_string": "2017-04-01",
"key": 1491004800000,
"doc_count": 0
},
{
"key_as_string": "2017-05-01",
"key": 1493596800000,
"doc_count": 0
},
{
"key_as_string": "2017-06-01",
"key": 1496275200000,
"doc_count": 0
},
{
"key_as_string": "2017-07-01",
"key": 1498867200000,
"doc_count": 0
},
{
"key_as_string": "2017-08-01",
"key": 1501545600000,
"doc_count": 0
},
{
"key_as_string": "2017-09-01",
"key": 1504224000000,
"doc_count": 0
},
{
"key_as_string": "2017-10-01",
"key": 1506816000000,
"doc_count": 0
},
{
"key_as_string": "2017-11-01",
"key": 1509494400000,
"doc_count": 0
},
{
"key_as_string": "2017-12-01",
"key": 1512086400000,
"doc_count": 0
}
]
}
}
}
下鉆分析之統(tǒng)計每季度每個品牌的銷售額
其實就是先分組再下鉆聚合
GET /tvs/sales/_search
{
"size": 0,
"aggs": {
"group_by_sold_date": {
"date_histogram": {
"field": "sold_date",
"interval": "quarter",//quarter是季度的意思，這里是按照季度去劃分
"format": "yyyy-MM-dd",
"min_doc_count": 0,
"extended_bounds": {
"min": "2016-01-01",
"max": "2017-12-31"
}
},
"aggs": {
"group_by_brand": { //按照品牌下鉆分析
"terms": {
"field": "brand"
},
"aggs": {
"sum_price": {
"sum": {
"field": "price"
}
}
}
},
"total_sum_price": {//每個季度的總銷售額
"sum": {
"field": "price"
}
}
}
}
}
}
搜索+聚合：統(tǒng)計指定品牌下每個顏色的銷量
其實就是搜索和聚合操作相結合
GET /tvs/sales/_search
{
"size": 0,
"query": {
"term": {
"brand": {
"value": "小米"
}
}
},
"aggs": {
"group_by_color": {
"terms": {
"field": "color"
}
}
}
}
global bucket：單個品牌與所有品牌銷量對比
global：就是global bucket，就是將所有數(shù)據(jù)納入聚合的scope，而不管之前的query。
出來兩個結果，一個結果，是基于query搜索結果來聚合的; 一個結果，是對所有數(shù)據(jù)執(zhí)行聚合的
GET /tvs/sales/_search
{
"size": 0,
"query": {
"term": {
"brand": {
"value": "長虹"
}
}
},
"aggs": {
"single_brand_avg_price": {
"avg": {
"field": "price"
}
},
"all": {
"global": {},
"aggs": {
"all_brand_avg_price": {
"avg": {
"field": "price"
}
}
}
}
}
}
//返回結果
{
"took": 12,
"timed_out": false,
"_shards": {
"total": 5,
"successful": 5,
"failed": 0
},
"hits": {
"total": 3,
"max_score": 0,
"hits": []
},
"aggregations": {
"all": {
"doc_count": 8,
"all_brand_avg_price": {
"value": 2650
}
},
"single_brand_avg_price": {
"value": 1666.6666666666667
}
}
}
過濾+聚合：統(tǒng)計價格大于1200的電視平均價格
先過濾再聚合
GET /tvs/sales/_search
{
"size": 0,
"query": {
"constant_score": {
"filter": {
"range": {
"price": {
"gte": 1200
}
}
}
}
},
"aggs": {
"avg_price": {
"avg": {
"field": "price"
}
}
}
}
bucket filter：一次統(tǒng)計牌品最近N，M天的平均價格
GET /tvs/sales/_search
{
"size": 0,
"query": {
"term": {
"brand": {
"value": "長虹"
}
}
},
"aggs": {
"recent_150d": {
"filter": {
"range": {
"sold_date": {
"gte": "now-150d"
}
}
},
"aggs": {
"recent_150d_avg_price": {
"avg": {
"field": "price"
}
}
}
},
"recent_140d": {
"filter": {
"range": {
"sold_date": {
"gte": "now-140d"
}
}
},
"aggs": {
"recent_140d_avg_price": {
"avg": {
"field": "price"
}
}
}
},
"recent_130d": {
"filter": {
"range": {
"sold_date": {
"gte": "now-130d"
}
}
},
"aggs": {
"recent_130d_avg_price": {
"avg": {
"field": "price"
}
}
}
}
}
}
aggs.filter，針對的是聚合去做的
如果放query里面的filter，是全局的，會對所有的數(shù)據(jù)都有影響
但是，如果，比如說，你要統(tǒng)計，長虹電視，最近1個月的平均值; 最近3個月的平均值; 最近6個月的平均值
我們就可以使用bucket filter：對不同的bucket下的aggs，進行filter
排序：按每種顏色的平均銷售額降序排序
之前的話，排序，是按照每個bucket的doc_count降序來排的,但是假如說，我們現(xiàn)在統(tǒng)計出來每個顏色的電視的銷售額，需要按照銷售額降序排序？？？？
GET /tvs/sales/_search
{
"size": 0,
"aggs": {
"group_by_color": {
"terms": {
"field": "color",
"order": {
"avg_price": "asc"http://根據(jù) avg_price來升序排序
}
},
"aggs": {
"avg_price": {
"avg": {
"field": "price"
}
}
}
}
}
}
顏色+品牌下鉆分析時按最深層metric進行排序
GET /tvs/sales/_search
{
"size": 0,
"aggs": {
"group_by_color": {
"terms": {
"field": "color"
},
"aggs": {
"group_by_brand": {
"terms": {
"field": "brand",
"order": {
"avg_price": "desc"http://這里是最深層 在這里做排序就好了
}
},
"aggs": {
"avg_price": {
"avg": {
"field": "price"
}
}
}
}
}
}
}
}
