在进行大数据分析时，我们会经常使用数据表格来展示数据。数据表格可以用来展示原始的数据。这是数据可以来自于 source。在很多的时候，我们更希望这些数据是一些聚合的数据表格，比如如下的数据表格：

在 Kibana 中，我们很容易通过可视化工具生成我们所需要的表格。我们可以参考我之前的文章 “在 Kibana 中的四种表格制作方式”。在今天的文章中，我将介绍如何使用 Elasticsearch API 通过搜索的方法生成我们想要的数据，并可以在自己的应用中进行可视化。

简单的表格

在我之前的文章 “在 Kibana 中的四种表格制作方式” 里，针对第一种情况，当我们创建表格时实际上是显示了文档的某些字段而已。分页请求对于构建简单的表格，列表，网格非常有用。

为了保持以需求为导向，你应该旨在将响应 hits 的内容限制为仅 “实际上” 需要填充这些组件的那些属性。 这样，你可以通过 includes 参数指定应返回哪些字段。 类似地，你可以通过 “excludes” 参数来控制哪些内容可以跳过。 也支持通配符：

POST index_name/_search
{"size": 24,"from": 24,"query": { ... },"_source": {"includes": ["id", "price", "photos"],"excludes": ["irrelevant_field", "internal_*"]}
}

然后，返回的 hits 将用作表行，其属性作为每个列。在我之前的文章 “Elasticsearch：从搜索中获取选定的字段” 有详细的描述。我们也可以使用 fields 来实现：

POST index_name/_search
{"size": 24,"from": 24,"query": { ... },"fields": ["id", "price", "photos"],"_source": false
}

目前在最新的 Kibana 的 Discover 的设计中，里面的数据展示都是使用  fields 方法来获取字段的值。

我们还可以对属性的值进行后处理，以便无需进行任何进一步的操作即可将其呈现在前端（例如，日期格式，应用折扣或将布尔值转换为表情符号），比如：

POST my_index/_search
{..."script_fields": {"emoji_booleans": {"script": {"source": "doc['boolean_field'].value == true ? \"✅\" : \"❌\"" }}}
} 

在上面，我们通过 doc values 对布尔值进一步进行处理。通过这样的处理，我们可以直接在客户端进行展示。有关 script fields 的更多介绍，请参阅我之前的文章 “Elasticsearch：Script fields 及其调试”。

更为高级的报表

在上面，我们只是使用简单的针对 source 或者针对 source 进行简单处理从而得出的报表。在实际的使用中，我们更希望能够提炼出更为使用者容易理解的洞察数据，比如对数据的聚合。让我们想象一下一个典型的电子商务情况-分页且分面的电子商店运行后，管理层将要求：

• 总和，
• 平均值和中位数，
• 点击率和转化率，
• 和其他汇总指标。

如果你已经阅读了我之前的文章  “在 Kibana 中的四种表格制作方式”，你可以发现在使用 table 可视化，TSVB 以及 Lens 来进行数据表格的展示时，它们里面都使用了 aggretation。那么在我们时间的应用开发中，我们该如何使用 Elasticsearch API 来实现这个呢？

使用场景 - 价格范围指标

管理层想知道

• 在 $0 < x ≤ $25，$25 < x ≤ $100 和 $ > 100 范围内售出了多少产品
• 并在每个类别中 “产生了多少收入”

鉴于你的文档结构如下：

POST products/_doc
{"category": "phone_case","price": 20,"status": "sold"
}POST products/_doc
{"category": "powerbank","price": 99,"status": "sold"
}

针对上面的聚合，我们很容易联系到 filter 聚合。说起来，这也是当初我在 Elasticsearch  认证工程师中的考题之一呢 :)

所需的表应如下所示：

显然，在上面，我们可以通过 range filter 聚合，并针对每个 filter 聚合进行子聚合，并得出它们的指标。

解决方案

我们使用如下的方案：

POST products/_search
{"size": 0,"aggs": {"by_range": {"filter": {"term": {"status": "sold"}},"aggs": {"1.row|0_to_25": {"filter": {"range": {"price": {"gt": 0,"lte": 25}}},"aggs": {"1.sold_count": {"cardinality": {"field": "_id"}},"2.revenue": {"sum": {"field": "price"}}}},"2.row|26_to_100": {... // same inner aggs as above},"3.row|101+": {... // same inner aggs as above}}}}
} 

在上面，我们首先针对所有的文档过滤 sold，也就是卖出的产品。然后，使用 range filter 把每个价钱范围里的文档进行统计。 接着我们再进行子聚合得出总的价钱（sum）和已经卖出的个数（cardinality）。

然后，可以很容易地对响应进行后处理以形成表格，因为从 “n.row | xyz” 中提取了行名，并从各个子聚合中提取了列名。

如果大家对这个还不是很熟的话，那么请使用 Kibana 来创建一个表格：

在上面，我使用了 Kibana 自带的 kibana_sample_data_ecommerce 索引来做展示。在上面，我们创建了一个 table 可视化。我们想了解它是如何工作的，我们可以点击上面的 Inspect：

点击上面的 View: Data,

在上面，我们可以清楚地看到它是如何实现的。它在查询时使用的语句和我们的稍有不同，但是整体架构还是基本一样的。

更为简洁的选择

上述方法需要复制粘贴单元格级别的子聚合定义，对于某些人而言，至少在 [DRY 原则上]，这是一种不合常规的方式。

可以通过分别声明 filters 以使它们共享相同的子聚合来跳过复制粘贴。 用于此巧妙技巧的聚合工具称为 filters。上面的查询可以重新修改为：

POST products/_search
{"size": 0,"aggs": {"by_range": {"filter": {"term": {"status": "sold"}},"aggs": {"price_ranges": {"filters": {"filters": {"1.row|0_to_25": {"range": {"price": {"gt": 0,"lte": 25}}},"2.row|26_to_100": {"range": {...}},"3.row|101+": {"range": {...}}}},"aggs": {"1.sold_count": {"cardinality": {"field": "_id"}},"2.revenue": {"sum": {"field": "price"}}}}}}}
}

上面的搜索结果与一堆独立的过滤器聚合值相同。在本例子中，我使用了简单的 filter 来进行桶聚合，在实际的使用中，你可以依据自己的情况选择合适的桶聚合。请参阅我的另外一篇文章 “Elasticsearch：透彻理解 Elasticsearch 中的 Bucket aggregation”。我们可以使用同样的技巧针对数据做不同的指标聚合。