企业官网建设流程全解析

45 · percentiles 与 cardinality 精度（近似聚合的真相）

阶段：第五阶段 / 进阶（第 20 篇指标聚合的深入）
ES：percentiles/percentile_ranks/cardinality| PostgreSQL：percentile_cont/COUNT(DISTINCT)

1. 概念：ES 的分位数和去重计数是“近似”的

为了在海量数据、多分片下还能快，ES 用了近似算法：

它们不是精确值。数据量小时几乎无差，量大时要理解误差来源，别当精确数用于对账。

2. PostgreSQL 对照

-- 精确分位数（PG 精确，ES 近似）SELECTpercentile_cont(0.95)WITHINGROUP(ORDERBYlatency)FROMreq;-- 精确去重（PG 精确，ES cardinality 近似）SELECTCOUNT(DISTINCTuser_id)FROMreq;

PG 是精确计算；ES 用近似换性能。要精确去重且量不大，可用terms桶数或 composite。

3. ES DSL

3.1 percentiles（分位数）

GET req_idx/_search { "size": 0, "aggs": { "latency_pct": { "percentiles": { "field": "latency_ms", "percents": [50, 90, 95, 99] } } } }

3.2 percentile_ranks（反查：某值排在第几百分位）

"aggs": { "rank": { "percentile_ranks": { "field": "latency_ms", "values": [200, 500] } } }

3.3 cardinality（近似去重）+ 精度阈值

"aggs": { "uv": { "cardinality": { "field": "user_id", "precision_threshold": 3000 } } }

precision_threshold：低于此基数时几乎精确，越大越准但越占内存（上限 40000）。

4. Spring Boot 实现

@ComponentpublicclassDoc45Percentiles{@AutowiredprivateElasticsearchClientelasticsearchClient;/** P50/P90/P95/P99 延迟 */publicMap<String,Double>latencyPercentiles(StringindexName)throwsIOException{SearchResponse<Void>resp=elasticsearchClient.search(s->s.index(indexName).size(0).aggregations("pct",a->a.percentiles(p->p.field("latency_ms").percents(50.0,90.0,95.0,99.0))),Void.class);// percentiles 结果是 key(分位)->value(值) 的 mapreturnresp.aggregations().get("pct").tdigestPercentiles().values().keyed();}/** 近似 UV，指定精度阈值 */publiclongapproxUv(StringindexName)throwsIOException{SearchResponse<Void>resp=elasticsearchClient.search(s->s.index(indexName).size(0).aggregations("uv",a->a.cardinality(c->c.field("user_id").precisionThreshold(3000))),Void.class);returnresp.aggregations().get("uv").cardinality().value();}}

percentiles 默认 TDigest，读取用.tdigestPercentiles()；用 HDR 时读.hdrPercentiles()。
keyed()返回Map<String,Double>（key 是 “95.0” 这样的字符串）。

5. 坑与最佳实践

1. 近似 ≠ 精确：cardinality/percentiles别用于财务对账等要求精确的场景。
2. cardinality调precision_threshold：按可接受误差和内存权衡，别无脑拉满。
3. percentiles 极值更准：P99/P1 比 P50 更可靠，这是 TDigest 的特性。
4. 高延迟要 P99 而非 avg：平均值会被掩盖，SLO 看高分位。
5. 要精确去重：小基数用terms桶计数；大基数只能接受近似或离线精确算。