Elasticsearch单查询实现：筛选距Bar类POI20km内对象的可行性

当然可以！你不用执行两次查询，也不用手动传入所有bar类型POI的坐标，就能在Elasticsearch中实现这个需求。下面是两种实用的方案，适配不同的业务场景：

方案1：用Enrich Policy预关联POI数据（推荐生产环境） #

如果你的业务允许预先处理数据，Enrich Policy是最优解——它能自动把bar类型POI的地理信息关联到SomeTypeOfObjects文档里，之后一次查询就能过滤出符合距离条件的对象。

具体步骤： #

1. 创建Enrich Policy
   定义一个只匹配bar类型POI的policy，指定要关联的字段：

   PUT /_enrich/policy/bar_poi_policy
   {
     "match": {
       "indices": "point_of_interests",
       "match_field": "geo_location",
       "enrich_fields": ["geo_location", "type"],
       "query": {
         "term": {
           "type": "bar"
         }
       }
     }
   }
   

2. 执行Policy生成Enrich索引
   让Elasticsearch根据policy生成用于关联的索引：

   POST /_enrich/policy/bar_poi_policy/_execute
   

3. 配置Ingest Pipeline自动关联数据

   • 如果是新写入的SomeTypeOfObjects，可以通过这个pipeline自动关联20km内最近的bar POI：

     PUT /_ingest/pipeline/enrich_bar_poi
     {
       "processors": [
         {
           "enrich": {
             "policy_name": "bar_poi_policy",
             "field": "geo_location",
             "target_field": "closest_bar",
             "max_matches": 1,
             "distance": "20km"
           }
         }
       ]
     }
     

   • 对于已有的1000万条SomeTypeOfObjects数据，需要重新索引并应用这个pipeline，完成批量关联。

4. 一次查询获取结果
   现在只需检查closest_bar字段是否存在，就能得到所有距离bar类型POI小于20km的对象：

   GET /some_type_of_objects/_search
   {
     "query": {
       "exists": {
         "field": "closest_bar.geo_location"
       }
     }
   }
   

方案2：用Geo KNN搜索（无需预处理，Elasticsearch 8.0+） #

如果不能预处理数据，你可以用Elasticsearch 8.0及以上版本支持的Geo KNN搜索，在一次查询中直接跨索引关联，不用手动传POI坐标。

查询示例： #

GET /some_type_of_objects/_search
{
  "query": {
    "bool": {
      "filter": [
        {
          "geo_knn": {
            "geo_location": {
              "index": "point_of_interests",
              "field": "geo_location",
              "k": 10000,
              "distance_threshold": "20km",
              "query": {
                "term": {
                  "type": "bar"
                }
              }
            }
          }
        }
      ]
    }
  }
}

• 这个查询会先在point_of_interests索引中过滤出所有type为bar的POI，然后自动找出some_type_of_objects中距离这些POI小于20km的文档。
• k参数要设置成足够大的值（比如比你预期的结果数多一些），确保不会漏掉符合条件的对象。
• 注意：要保证point_of_interests的geo_location字段是geo_point类型，并且启用了KNN索引优化，这样性能才会达标。

避坑提醒：别用脚本方案！ #

虽然可以用Runtime Fields加脚本动态计算距离，但这种方式要对1000万条SomeTypeOfObjects逐一和40万条bar POI算距离，性能差到完全没法在生产环境用，绝对不要尝试。

内容的提问来源于stack exchange，提问作者PinkFloyd