我正在使用ElasticSearch来统计数据，但我遇到了一个问题，使用日期直方图的结果和使用日期范围的结果是不同的。
下面是我的查询和它的结果，使用日期直方图和按日期分组来计算数据。
{
"query": {
"bool": {
"must": [
{
"bool": {
"must": [
{
"range": {
"starttime": {
"from": 1686502800000,
"to": null,
"include_lower": true,
"include_upper": true,
"boost": 1
}
}
},
{
"range": {
"starttime": {
"from": null,
"to": 1688317199999,
"include_lower": true,
"include_upper": true,
"boost": 1
}
}
}
],
"adjust_pure_negative": true,
"boost": 1
}
},
{
"bool": {
"must_not": [
{
"exists": {
"field": "holdCall",
"boost": 1
}
}
],
"adjust_pure_negative": true,
"boost": 1
}
}
],
"adjust_pure_negative": true,
"boost": 1
}
},
"aggregations": {
"group_by_starttime": {
"date_histogram": {
"field": "starttime",
"calendar_interval": "1d",
"offset": 0,
"order": {
"_key": "asc"
},
"keyed": false,
"min_doc_count": 0
},
"aggregations": {
"count_id": {
"value_count": {
"field": "id.keyword"
}
}
}
}
}
}个字符
如您在2023/06/25（1687651200000）中所见，结果为25032。
下面是我的查询结果，使用日期范围来计算25/06/2023的数据。
{
"query": {
"bool": {
"must": [
{
"bool": {
"must": [
{
"range": {
"starttime": {
"from": 1687626000000,
"to": null,
"include_lower": true,
"include_upper": true,
"boost": 1
}
}
},
{
"range": {
"starttime": {
"from": null,
"to": 1687712399999,
"include_lower": true,
"include_upper": true,
"boost": 1
}
}
}
],
"adjust_pure_negative": true,
"boost": 1
}
},
{
"bool": {
"must_not": [
{
"exists": {
"field": "holdCall",
"boost": 1
}
}
],
"adjust_pure_negative": true,
"boost": 1
}
}
],
"adjust_pure_negative": true,
"boost": 1
}
},
"aggregations": {
"count_id": {
"value_count": {
"field": "id.keyword"
}
}
}
}{
"count_id": {
"value": 29803
}
}的字符串
如您所见，结果为29803，与使用日期直方图的结果不同。
请问我该如何解决这个问题？我在网上搜索了一下，但什么也没找到。
1条答案
按热度按时间knsnq2tg1#
文件总数的差异是由于指定的时间范围不同造成的。“开始”时间设置为1687626000000，对应于GMT中的“2023年6月24日17：00：00”，而“结束”时间设置为GMT中的“2023年6月25日16：59：59.999”。
使用日期直方图聚合时，由于calendar_interval设置为1天，因此每天都会创建存储桶。因此，创建了两个桶：一个是6月24日，另一个是6月25日。
总计数4771表示6月24日桶内的文档，而计数25032表示6月25日桶内的文档。将这些值加在一起得到总计数29803。
另一方面，当运行没有日期直方图聚合的范围查询时，查询将检索给定时间范围内的所有数据作为一个整体，而不为每一天创建单独的桶。因此，结果计数将不同于聚合计数，因为它不考虑数据的每日细分。