Bucket script 聚合是一个父管道（parent pipeline）聚合，它执行一个脚本，该脚本可以对父多桶聚合中的指定指标执行每个桶的计算。 指定的指标必须是数字，并且脚本必须返回一个数值。有关 pipeline 聚合的内容，你可以阅读文章 “Elasticsearch：pipeline aggregation 介绍”。

用法

单独的 bucket_script 聚合看起来像这样：

{
  "bucket_script": {
    "buckets_path": {
      "my_var1": "the_sum",                    tgcode 
      "my_var2": "the_value_count"
    },
    "script": "params.my_var1 / params.my_var2"
  }
}

这里，my_var1 是要在脚本中使用的存储桶路径的变量名称，the_sum 是要用于该变量的指标的路径。

Bucket_script 参数说明

参数名称	描述	强制要求	默认值
script	为此聚合运行的脚本。 该脚本可以是内联的、文件的或索引的。 （有关详细信息，请参阅脚本）	必须
buckets_path	脚本变量的映射及其到我们希望用于变量的存储桶的关联路径（有关更多详细信息，请参见 buckets_path 语法）	必须
gap_policy	在数据中发现差距时应用的策略（有关详细信息，请参阅处理数据中的差距）	可选	skip
format	输出值的 DecimalFormat 模式。 如果指定，则在聚合的 value_as_string 属性中返回格式化的值	可选	null

在以下的展示中，我使用 Elastic Stack 8.4.3 来进行展示。

示例

为了说明问题的方便，我们来使用一个示例来进行详细说明。我将使用 Kibana 自带的 eCommerce 索引进行展示。我们的目的是：找出每天销售的 Men’s Clothing 这个类别的销售额在总体销售额中的比例。

在本练习中，我们使用 Kibana 自带的一个例子来进行展示：

这样我能就在 Elasticsearch 中创建了一个叫做kibana_sample_data_ecommerce 的索引。这个一个 eCommerce 的数据。我们可以在 Discover 中进行查看：

如上所示，上面的数据tgcode展示的是从 10 月 20 号到 10 月 31 号的数据。

我们可以使用 Lens 来展示每天的文档数：

如上所示，每天都有一定数量的文档。上面的聚合相当于如下的命令：

GET kibana_sample_data_ecommerce/_search
{
  "size": 0,
  "aggs": {
    "sales_per_day": {
      "date_histogram": {
        "field": "order_date",
        "calendar_interval": "day"
      }
    }
  }
}

上面的聚合返回如下的数据：

我们可以通过如下的命令来得到每天的总销售额：

GET kibana_sample_data_ecommerce/_search?filter_path=aggregations
{
  "size": 0,
  "aggs": {
    "sales_per_day": {
      "date_histogram": {
        "field": "order_date",
        "calendar_interval": "day"
      },
      "aggs": {
        "total_sales": {
          "sum": {
            "field": "products.base_price"
          }
        }
      }
    }
  }
}

如上所示，我们求出了每天tgcode销售的总额。为了能够求出每天卖出的 Men’s clothing 这个类别的总额，我们可以使用另外一个叫做 filter 的聚合：

GET kibana_sample_data_ecommerce/_search?filter_path=aggregations
{
  "size": 0,
  "aggs": {
    "sales_per_day": {
      "date_histogram": {
        "field": "order_date",
        "calendar_interval": "day"
      },
      "aggs": {
        "total_sales": {
          "sum": {
            "field": "products.base_price"
          }
        },
        "man's_clothing": {
          "filter": {
            "term": {
              "category.keyword": "Men's Clothing"
            }
          },
          "aggs": {
            "sales": {
              "sum": {
                "field": "products.base_price"
              }
            }
          }
        }
      }
    }
  }
}

如上所示，我们至此求出了 Men’s Clothing 这个类别的每天的销售总额。

我们接下来使用 bucket script 聚合来求出每天的 Men’s Clothing 这个类别的总额和当天销售总额的百分比：

GET kibana_sample_data_ecommerce/_search?filter_path=aggregations
{
  "size": 0,
  "aggs": {
    "sales_per_day": {
      "date_histogram": {
        "field": "order_date",
        "calendar_interval": "day"
      },
      "aggs": {
        "total_sales": {
          "sum": {
            "field": "products.base_price"
          }
        },
        "man's_clothing": {
          "filter": {
            "term": {
              "category.keyword": "Men's Clothing"
            }
          },
          "aggs": {
            "sales": {
              "sum": {
                "field": "products.base_price"
              }
            }
          }
        }
      },
      "man's_clothing_percentage": {
        "bucket_script": {
          "buckets_path": {
            "mans_clothing": "man's_clothing>sales",
            "total_sales": "total_sales"
          },
          "script": "params.mans_clothing / params.total_sales * 100"
        }
      }
    }
  }
}

在上面的man’s_clothing_percentage 聚合中，它使用了其它聚合的结果并算出新的聚合的值。这种聚合被称之为 pipeline 聚合。特别需要指出的是man’s_clothing>sales 不是布尔比较大小的算式，而是引用聚合值的路径。

如上所示，我们可以看到每天的 Men’s Clothing 的销售额的百分比。