多元索引除了提供Long、Double、Boolean、Keyword、Text、Date、GeoPoint、Vector等基本類型外，還提供了數群組類型和巢狀型別兩種特殊類型。數群組類型適用於儲存一系列相同類型的資料，巢狀型別適用於儲存具有層級結構的資料，類似於JSON。
數群組類型
數群組類型僅是多元索引中的概念，資料表中尚未支援數組。
向量Vector類型暫時不支援數組。
數群組類型屬於附加類型，可以附加在Long、Double、Boolean、Keyword、Text、Date、Geopoint等基本類型之上。例如Long類型+數組後，即為長整型數組，該欄位中可以包括多個長整型數字，查詢資料時其中任何一個匹配都可以返回該行資料。資料類型適用於儲存一系列相同類型的資料。
數組格式
多元索引的基本類型數組格式請參見下表。
數群組類型 | 說明 |
Long Array | 長整型的數組形式，格式為 |
Double Array | 浮點數的數組形式，格式為 |
Boolean Array | 布爾值的數組形式，格式為 |
Keyword Array | 字串的數組形式，格式為JSON Array，例如 |
Text Array | 文本的數組形式，格式為JSON Array，例如 對於Text類型，一般無需使用數組形式。 |
Date Array | 日期的數組形式。如果日期類型為整型，則格式為 |
Geopoint Array | 地理位置點的數組形式，格式為 |
使用說明
對於多元索引中數群組類型的欄位，在資料表中必須為String類型，且對應的多元索引中的類型必須為相應的類型，例如Long、Double等。如果欄位price是Double Array數群組類型，則在資料表中price必須為String類型，在對應的多元索引中的類型必須為Double類型，且附加isArray=true屬性。
巢狀型別
巢狀型別（Nested）代表嵌套文件類型。嵌套文檔是指對於一行資料（文檔）可以包含多個子行（子文檔），多個子行儲存在一個巢狀型別欄位中。巢狀型別適用於儲存具有層級結構的資料。
對於巢狀型別欄位，需要指定其子行的結構，即子行中包含哪些欄位以及每個欄位的屬性。巢狀型別也是類似數組的多值結構，但是更接近JSON類型。
嵌套格式
根據資料的層級結構不同，巢狀型別包括單層級巢狀型別和多層級巢狀型別。具體說明請參見下表。
巢狀型別 | 說明 |
單層級巢狀型別 | 在一個資料結構中只包含一層其他資料結構，結構相對簡單，能表示一定的層次關係。單層級巢狀型別適用於不需要過多層級但需要一定層級結構的情境。樣本如下： |
多層級巢狀型別 | 在一個資料結構中包含了多層嵌套的其他資料結構，具有更複雜的層次關係。多層級巢狀型別適用於需要表示豐富層次、高度模組化或高度組織化的資料模型。樣本如下： |
使用說明
對於多元索引中巢狀型別的欄位，在資料表中必須為String類型，且對應的多元索引中的類型必須為巢狀型別。巢狀型別欄位只能使用巢狀型別查詢功能進行資料查詢。
在寫入資料到資料表時，多元索引巢狀型別欄位對應資料表欄位的寫入格式必須為JSON對象的數組格式，例如[{"tagName":"tag1", "score":0.8,"time": 1730690237000 }, {"tagName":"tag2", "score":0.2,"time": 1730691557000}]。
即使只有一個子行，也必須按照JSON數組的格式構造字串。
使用樣本
單層級巢狀型別樣本
單層級巢狀型別支援通過控制台或者SDK進行建立。
以Java代碼為例介紹建立單層級巢狀型別。樣本中巢狀型別欄位的名稱為tags，子行中包含三個欄位，如下圖所示。
一個欄位名稱為tagName，類型為字串類型（Keyword）。
一個欄位名稱為score，類型為浮點數（Double）。
一個欄位名稱為time，類型為日期時間類型（Date），取值單位為毫秒時間戳記。
寫入資料表時的資料範例為[{"tagName":"tag1", "score":0.8,"time": 1730690237000 }, {"tagName":"tag2", "score":0.2,"time": 1730691557000}]。
//構造子行的FieldSchema。
List<FieldSchema> subFieldSchemas = new ArrayList<FieldSchema>();
subFieldSchemas.add(new FieldSchema("tagName", FieldType.KEYWORD)
.setIndex(true).setEnableSortAndAgg(true));
subFieldSchemas.add(new FieldSchema("score", FieldType.DOUBLE)
.setIndex(true).setEnableSortAndAgg(true));
subFieldSchemas.add(new FieldSchema("time", FieldType.DATE)
.setDateFormats(Arrays.asList("epoch_millis")));
//將子行的FieldSchema設定到巢狀型別欄位的subfieldSchemas中。
FieldSchema nestedFieldSchema = new FieldSchema("tags", FieldType.NESTED)
.setSubFieldSchemas(subFieldSchemas);多層級巢狀型別樣本
多層級巢狀型別只能通過SDK進行建立。
以Java範例程式碼為例介紹建立多層級巢狀型別。樣本中巢狀型別欄位的名稱為user，子行中包含四個基礎類型欄位和一個巢狀型別欄位。
一個欄位名稱為name，類型為字串類型（Keyword）。
一個欄位名稱為age，類型為長整型（Long）。
一個欄位名稱為birth，類型為日期時間類型（Date），取值為日期格式。
一個欄位名稱為phone，類型為字串類型（Keyword）。
一個巢狀型別欄位的名稱為address，子行中包含的三個欄位名稱分別為province、city和street，類型均為字串類型（Keyword）。
寫入資料表時的資料範例為[ {"name":"張三","age":20,"brith":"2014-10-10 12:00:00.000","phone":"1390000****","address":[{"province":"浙江省","city":"杭州市","street":"陽光大道幸福小區1201號"}]}]。
//構造巢狀型別欄位address的子行FieldSchema，子行中包含三個欄位。查詢子行中欄位的資料時，子行中欄位的路徑為user.address。
List<FieldSchema> addressSubFiledSchemas = new ArrayList<>();
addressSubFiledSchemas.add(new FieldSchema("province",FieldType.KEYWORD));
addressSubFiledSchemas.add(new FieldSchema("city",FieldType.KEYWORD));
addressSubFiledSchemas.add(new FieldSchema("street",FieldType.KEYWORD));
//構造巢狀型別欄位user的子行FieldSchema，子行中包含三個基礎類型欄位和一個巢狀型別欄位address。查詢子行中欄位的資料時，子行中欄位的路徑為user。
List<FieldSchema> subFieldSchemas = new ArrayList<>();
subFieldSchemas.add(new FieldSchema("name",FieldType.KEYWORD));
subFieldSchemas.add(new FieldSchema("age",FieldType.LONG));
subFieldSchemas.add(new FieldSchema("birth",FieldType.DATE).setDateFormats(Arrays.asList("yyyy-MM-dd HH:mm:ss.SSS")));
subFieldSchemas.add(new FieldSchema("phone",FieldType.KEYWORD));
subFieldSchemas.add(new FieldSchema("address",FieldType.NESTED).setSubFieldSchemas(addressSubFiledSchemas));
//將巢狀型別欄位user的子行FieldSchema設定到巢狀型別欄位的subfieldSchemas中。
List<FieldSchema> fieldSchemas = new ArrayList<>();
fieldSchemas.add(new FieldSchema("user",FieldType.NESTED).setSubFieldSchemas(subFieldSchemas));巢狀型別的局限性
由於含有巢狀型別欄位的多元索引不支援索引預排序（IndexSort），而索引預排序功能在很多情境下可以帶來很大效能提升。
如果使用含有巢狀型別欄位的多元索引查詢資料且需要翻頁，則必須在查詢條件中指定資料返回的排序方式，否則當符合查詢條件的資料未讀取完時，服務端不會返回nextToken。
巢狀型別的查詢效能相比其他類型的查詢效能更低一些。
巢狀型別除了上述局限性外，和非巢狀型別支援的功能相同，支援所有的查詢類型、排序和統計彙總。
相關文檔
多元索引查詢類型包括精確查詢、多詞精確查詢、全匹配查詢、匹配查詢、短語匹配查詢、範圍查詢、首碼查詢、尾碼查詢、萬用字元查詢、基於分詞的萬用字元查詢、多條件組合查詢、地理位置查詢、巢狀型別查詢、向量檢索、和列存在性查詢，您可以選擇合適的查詢類型進行多維度資料查詢。
如果要對結果集進行排序或者翻頁，您可以使用排序和翻頁功能來實現。具體操作，請參見排序和翻頁。
如果要按照某一列對結果集做摺疊，使對應類型的資料在結果展示中只出現一次，您可以使用摺疊（去重）功能來實現。具體操作，請參見摺疊（去重）。
如果要進行資料分析，例如求最值、求和、統計行數等，您可以使用 Search 介面的統計彙總功能或者 SQL 查詢來實現。具體操作，請參見統計彙總和 SQL 查詢。
如果要快速匯出資料，而不關心整個結果集的順序時，您可以使用 ParallelScan 介面和 ComputeSplits 介面實現多並發匯出資料。具體操作，請參見並發匯出資料。