如何在Cosmos DB中利用索引从对象数组获取DISTINCT值

我有一个包含约9000份文档的Cosmos DB容器，文档结构简化如下：

{
    "id": "111",
    "productid": "111",
    "data": {
        "Channel": "All",
        "Headline": [
            {
                "Culture": "en",
                "Value": "English name"
            },
            {
                "Culture": "da",
                "Value": "Danish name"
            }
        ]
   }
}

现有查询情况： #

• 获取DISTINCT的Channel值时，执行以下查询仅消耗约5 RU，无需检索全量文档：

SELECT DISTINCT VALUE c.data.Channel FROM c

• 但尝试直接获取DISTINCT的Culture值时，以下查询无返回结果：

SELECT DISTINCT VALUE c.data.Headline.Culture FROM c

• 改用JOIN关联数组的查询可以得到结果，但消耗约4800 RU，后台会检索全部9000份文档（即便所有属性已建立索引）：

SELECT DISTINCT VALUE h.Culture FROM c JOIN h IN c.data.Headline

疑问： #

是否有方法高效实现对象数组属性的DISTINCT查询？是否必须新增data.HeadlineCultures[]字符串数组？

更新：尝试新增data.HeadlineCultures[]字符串数组后，仍存在相同问题，此方案无效。

解决方案分析 #

为什么直接查询数组属性无效？ #

c.data.Headline.Culture会返回每个文档中Headline数组里所有Culture值组成的子数组，最终结果是一个二维数组。DISTINCT是对整个数组对象去重，而非数组内的元素，因此无法得到预期的单个Culture值集合。

为什么新增字符串数组仍无效？ #

即便新增了data.HeadlineCultures字符串数组，直接执行SELECT DISTINCT VALUE c.data.HeadlineCultures FROM c时，返回的还是每个文档的字符串数组，DISTINCT依然是对数组对象去重，而非数组内的元素。要获取元素级的DISTINCT值，还是需要通过JOIN展开数组，这会触发全文档扫描，导致高RU消耗。

高效实现的可行方案： #

• 优化索引策略：
  针对data.Headline.Culture创建范围索引（默认哈希索引无法高效支持DISTINCT的排序去重）。范围索引能加速数组元素的遍历和去重过程，降低JOIN查询的RU消耗。同时确保索引覆盖data.Headline路径，避免查询时回源读取全文档。

• 预聚合存储：
  如果Culture值的更新频率低，可定期执行聚合任务（比如通过定时脚本触发），将所有DISTINCT的Culture值存储到一个单独的聚合文档中（例如id: "distinct-cultures"，内容为{"cultures": ["en", "da", ...]}）。后续查询直接读取该文档，RU消耗几乎为0。在文档新增/修改时，可通过Upsert操作同步更新聚合文档（检查Culture是否已存在后再添加）。

• 利用分析存储：
  开启Cosmos DB的分析存储功能，将数据同步到分析层。通过SQL或Spark进行离线聚合查询，既不会影响主存储的性能，聚合操作的成本也更低，适合对实时性要求不高的场景。

内容的提问来源于stack exchange，提问作者mortenbock