在 elasticsearch 中从 postgresql 对分区进行排名

Question

我们面临着将大型数据集从 postgres（备份或其他）迁移到 elasticsearch 的问题。

我们有类似这样的模式

+---------------+--------------+------------+-----------+
|    user_id    |  created_at  |  latitude  | longitude |
+---------------+--------------+------------+-----------+
|       5       |  23.1.2015   |    12.49   |    20.39  |
+---------------+--------------+------------+-----------+
|       2       |  23.1.2015   |    12.42   |    20.32  |
+---------------+--------------+------------+-----------+
|       2       |  24.1.2015   |    12.41   |    20.31  |
+---------------+--------------+------------+-----------+
|       5       |  25.1.2015   |    12.45   |    20.32  |
+---------------+--------------+------------+-----------+
|       1       |  23.1.2015   |    12.43   |    20.34  |
+---------------+--------------+------------+-----------+
|       1       |  24.1.2015   |    12.42   |    20.31  |
+---------------+--------------+------------+-----------+

并且我们能够找到 created_at 的最新位置，这要归功于 SQL

中的排名功能

... WITH locations AS ( 
select user_id, lat, lon, rank() over (partition by user_id order by created_at) as r
FROM locations)
SELECT user_id, lat, lon FROM locations WHERE r = 1

并且结果仅为每个用户最新创建的位置：

+---------------+--------------+------------+-----------+
|    user_id    |  created_at  |  latitude  | longitude |
+---------------+--------------+------------+-----------+
|       2       |  24.1.2015   |    12.41   |    20.31  |
+---------------+--------------+------------+-----------+
|       5       |  25.1.2015   |    12.45   |    20.32  |
+---------------+--------------+------------+-----------+
|       1       |  24.1.2015   |    12.42   |    20.31  |
+---------------+--------------+------------+-----------+

将数据导入elasticsearch后，我们的文档模型如下：

{
   "location" : { "lat" : 12.45, "lon" : 46.84 },
   "user_id"  : 5,
   "created_at" : "2015-01-24T07:55:20.606+00:00"
}
etc...

我正在 elasticsearch 查询中寻找这个 SQL 查询的替代方案，我认为它一定是可能的，但我还没有找到如何。

Answer 1

很简单：如果您想找到最旧的记录（对于给定的 ID），您只需要 没有更旧的记录（具有相同的id）存在。（这假设对于给定的 id，不存在相同 created_at 日期的记录）

SELECT * FROM locations ll
WHERE NOT EXISTS (
   SELECT * FROM locations nx
   WHERE nx.user_id = ll.user_id
   AND nx.created_at > ll.created_at
   );

EDITED（看来 OP 想要 newst 观察，而不是最旧的）

Answer 2

使用top_hits.

    "aggs": {
    "user_id": {
    "terms": {"field": "user_id"},
    "aggs": {
        "top_location": {
          "top_hits": {
            "size": 1,
            "sort": { "created_at": "asc" },
            "_source": []
          }
        }
    }
 }
}

Answer 3

您可以使用 field collapsing 和 inner_hits 组合来实现此目的。

{
    "collapse": {
        "field": "user_id",
        "inner_hits": {
            "name": "order by created_at",
            "size": 1,
            "sort": [
                {
                    "created_at": "desc"
                }
            ]
        }
    },
}

详细文章：https://blog.francium.tech/sql-window-function-partition-by-in-elasticsearch-c2e3941495b6

在 elasticsearch 中从 postgresql 对分区进行排名

Rank over partition from postgresql in elasticsearch

sql

postgresql

window-functions

elasticsearch