举个例子，让我们找到所有职员中最大的共同点（兴趣爱好）是什么：

    暂时先忽略语法只看查询结果：

    1. {
    2.    ...
    3.    "hits": { ... },
    4.    "aggregations": {
    5.       "all_interests": {
    6.          "buckets": [
    7.             {
    8.                "key":       "music",
    9.                "doc_count": 2
    10.             },
    11.             {
    12.                "key":       "forestry",
    13.                "doc_count": 1
    14.             },
    15.             {
    16.                "key":       "sports",
    17.                "doc_count": 1
    18.             }
    19.          ]
    21. }

    all_interests聚合已经变成只包含和查询语句相匹配的文档了：

    1.   ...
    2.   "all_interests": {
    3.      "buckets": [
    4.         {
    5.            "key": "music",
    6.            "doc_count": 2
    7.         },
    8.         {
    9.            "key": "sports",
    10.            "doc_count": 1
    11.         }
    12.      ]
    13.   }

    聚合也允许分级汇总。例如，让我们统计每种兴趣下职员的平均年龄：

    1.   ...
    2.   "all_interests": {
    3.      "buckets": [
    4.         {
    6.            "avg_age": {
    7.               "value": 28.5
    8.            }
    9.         },
    10.         {
    11.            "key": "forestry",
    12.            "doc_count": 1,
    13.            "avg_age": {
    14.               "value": 35
    15.            }
    16.         },
    17.         {
    18.            "key": "sports",
    19.            "doc_count": 1,
    20.            "avg_age": {
    21.               "value": 25
    22.            }
    23.         }
    24.   }

    该聚合结果比之前的聚合结果要更加丰富。我们依然得到了兴趣以及数量（指具有该兴趣的员工人数）的列表，但是现在每个兴趣额外拥有字段来显示具有该兴趣员工的平均年龄。

    即使你还不理解语法，但你也可以大概感觉到通过这个特性可以完成相当复杂的聚合工作，你可以处理任何类型的数据。