62_Geo_distance_agg.asciidoc

地理距离聚合

geo_distance 聚合 对一些搜索非常有用，例如找到所有距离我 1km 以内的披萨店。搜索结果应该也的确被限制在用户指定 1km 范围内，但是我们可以添加在 2km 范围内找到的其他结果：

GET /attractions/restaurant/_search
{
  "query": {
    "bool": {
      "must": {
        "match": { (1)
          "name": "pizza"
        }
      },
      "filter": {
        "geo_bounding_box": {
          "location": { (2)
            "top_left": {
              "lat":  40.8,
              "lon": -74.1
            },
            "bottom_right": {
              "lat":  40.4,
              "lon": -73.7
            }
          }
        }
      }
    }
  },
  "aggs": {
    "per_ring": {
      "geo_distance": { (3)
        "field":    "location",
        "unit":     "km",
        "origin": {
          "lat":    40.712,
          "lon":   -73.988
        },
        "ranges": [
          { "from": 0, "to": 1 },
          { "from": 1, "to": 2 }
        ]
      }
    }
  },
  "post_filter": { (4)
    "geo_distance": {
      "distance":   "1km",
      "location": {
        "lat":      40.712,
        "lon":     -73.988
      }
    }
  }
}

1. 主查询查找名称中含有 pizza 的饭店。

2. geo_bounding_box 筛选那些只在纽约区域的结果。

3. geo_distance 聚合统计距离用户 1km 以内，1km 到 2km 的结果的数量。

4. 最后，post_filter 将结果缩小至那些在用户 1km 范围内的饭店。

前面的请求 响应如下：

"hits": {
  "total":     1,
  "max_score": 0.15342641,
  "hits": [ (1)
     {
        "_index": "attractions",
        "_type":  "restaurant",
        "_id":    "3",
        "_score": 0.15342641,
        "_source": {
           "name": "Mini Munchies Pizza",
           "location": [
              -73.983,
              40.719
           ]
        }
     }
  ]
},
"aggregations": {
  "per_ring": { (2)
     "buckets": [
        {
           "key":       "*-1.0",
           "from":      0,
           "to":        1,
           "doc_count": 1
        },
        {
           "key":       "1.0-2.0",
           "from":      1,
           "to":        2,
           "doc_count": 1
        }
     ]
  }
}

1. post_filter 已经将搜索结果缩小至仅在用户 1km 范围以内的披萨店。

2. 聚合包括搜索结果加上其他在用户 2km 范围以内的披萨店。

在这个例子中，我们计算了落在每个同心环内的饭店数量。当然，我们可以在 per_rings 聚合下面嵌套子聚合来计算每个环的平均价格、最受欢迎程度，等等。