Elasticsearch：如何获取搜索结果近似计数以优化性能？

针对你提到的10k-5M量级的匹配文档场景，Elasticsearch提供了多种近似计数选项，既能满足展示总数的需求，又能避免track_total_hits=true带来的性能损耗：

1. 给track_total_hits设置精确计数阈值 #

不用把track_total_hits设为true，而是指定一个数值阈值。当匹配文档数低于这个值时返回精确数，超过时返回近似值：

{
  "track_total_hits": 10000,
  "query": { /* 你的搜索查询 */ },
  "size": 200
}

• 匹配数≤10000时，total.value是精确值，total.relation为eq
• 匹配数>10000时，total.value显示为10000，total.relation标记为gte，前端可以展示「超过10,000条结果」这类文案，用户能感知数量级，性能开销却大幅降低。

2. 用cardinality聚合获取近似总数 #

如果接受1%-5%的误差，可以用基于HyperLogLog算法的cardinality聚合，通过统计_id的唯一值数量来近似匹配文档总数：

{
  "size": 200,
  "aggs": {
    "approx_total": {
      "cardinality": {
        "field": "_id"
      }
    }
  },
  "query": { /* 你的搜索查询 */ }
}

这个聚合只需要极少内存，计算速度极快，适合百万级以上的大数量场景。

3. 结合search_after优化分页+近似计数 #

你提到几乎始终用分页搜索，但即使部分数据在内存，track_total_hits=true仍会触发全分片的全局计数，开销依然很大。建议搭配search_after做高效分页：

• search_after基于上一页最后一条结果的排序值获取下一页，避免深度分页的性能问题
• 同时用上述的阈值模式或cardinality聚合返回近似总数，既保证分页流畅，又能让用户看到结果量级。

关于性能的补充 #

哪怕分页时部分数据缓存到内存，精确计数还是需要遍历所有匹配文档并跨分片汇总，在10k-5M量级下，IO和计算开销不可忽视。而近似计数要么提前终止计数（阈值模式），要么用概率算法（cardinality），性能提升非常明显。

内容的提问来源于stack exchange，提问作者cah1r