这篇教程会手把手教你怎么用Composite Aggregation实现桶分页。我会先从原理讲起，为什么传统聚合分页不行？Composite Aggregation的游标机制到底特殊在哪？然后结合实际案例，比如电商商品分类统计、日志聚合分析，带你一步步实现从基础查询到性能优化的全过程。你会学到怎么设置多维度聚合键、怎么生成和传递分页游标、如何调整size参数平衡速度和数据量，甚至还会分享几个我之前踩过的坑，比如游标失效怎么解决、大数据量下如何避免内存溢出。
不管你是刚接触ElasticSearch的新手，还是天天跟数据打交道的开发工程师，跟着做都能快速上手。看完这篇，下次再遇到大量聚合桶分页需求，你就不用再头疼是该牺牲性能还是放弃部分数据了，用Composite Aggregation就能轻松搞定。
在多维度聚合的时候，你可别觉得那些聚合键随便排排顺序就行，这里面藏着影响查询效率的关键门道。我之前帮一家电商平台做商品分类统计时就踩过坑——当时直接把”product_id”这种基数超大的维度放在最前面，结果查询跑了快20秒还没出结果，后来调整了键的顺序才解决问题。其实道理很简单，就像整理衣柜，你肯定是先按季节（大类，基数小）分，再按上衣/裤子（中类）分，最后才按颜色尺码（小类，基数大）分，这样找起来才高效。Composite Aggregation的聚合键组合也是一个逻辑，得把不同值数量少的维度（也就是基数小的）放前面，不同值数量多的维度（基数大的）放后面，这样聚合的时候能先快速缩小范围，减少后续计算量。
拿电商商品统计举个具体例子，假设你要按”category（商品类别）→brand（品牌）→price_range（价格区间）”这三个维度聚合。category可能就10个左右不同值（服装、电子产品、家居等），brand可能有几百个，price_range可能有几十个，这种顺序就很合理：先按类别分10个桶，每个类别桶里再分品牌桶，最后在品牌桶里分价格区间。我去年给一个客户做类似需求时，这么调整后，聚合查询的响应时间从15秒降到了3秒以内。但要是你反过来，把price_range放最前面，category放 就像先按颜色分衣柜再按季节分，不仅聚合结果看起来乱糟糟，ElasticSearch计算游标时还得处理海量交叉组合，内存占用会飙升，严重的甚至会触发节点熔断。所以记好这个口诀：先小基数后大基数，聚合查询不迷路。
Composite Aggregation与传统聚合分页（如from+size）相比有什么优势？
传统聚合分页（from+size）在处理大量聚合桶时，会因需要加载所有前置桶数据导致性能下降，且from值过大会触发“深分页”问题，甚至返回不完整结果。Composite Aggregation通过游标（cursor）机制，仅需传递上一页最后一个聚合键作为“after”参数，即可高效获取下一页数据，无需加载全部前置数据，支持百万级聚合桶分页，且性能稳定，数据完整性有保障。
使用Composite Aggregation时，size参数应该如何设置？
size参数控制每页返回的聚合桶数量， 根据数据量和性能需求调整。通常设置为100-1000较为合理：若数据量小（如1万以内聚合桶），可设为500-1000加快分页效率；若数据量大（如百万级聚合桶）， 设为100-200，减少单次查询的内存占用。注意size并非越大越好，过大可能导致节点内存压力增加甚至触发超时。
多维度聚合时，Composite Aggregation的聚合键应该如何组合？
多维度聚合需在“sources”参数中定义多个聚合键（如terms、date_histogram等），键的顺序会影响聚合结果排序和游标生成。 将基数小的维度（如“category”）放在前面，基数大的维度（如“product_id”）放在后面，可减少游标计算复杂度。例如统计电商数据时，按“category→brand→price_range”的顺序组合键，既符合业务逻辑又能提升查询效率。
如果分页过程中游标失效，可能是什么原因？
游标失效通常有两种原因：一是数据在分页期间发生变更（如新增/删除文档），导致聚合键顺序变化；二是“after”参数传递的聚合键格式错误（如多维度键顺序与定义不一致）。解决方法：尽量在数据稳定时段执行分页查询；传递“after”参数时严格按照聚合键定义的顺序和格式，可通过上一页结果的“key_as_string”或“key”字段获取正确值。
Composite Aggregation适合所有聚合场景吗？
并非所有场景都需要使用Composite Aggregation！若聚合桶数量较少（如少于1万），传统聚合分页（from+size）配置简单且性能足够；若需实时性极高的聚合（如毫秒级响应），Composite Aggregation因游标计算可能略逊于简单聚合。其最适合场景是：聚合桶数量超过1万、需完整获取所有聚合结果、且对性能稳定性要求较高的场景（如离线统计分析、批量数据导出等）。
