Elasticsearch：运用 shard_size 来提高term aggregation的精度

请求的大小（size）越大，结果将越准确，但计算最终结果的成本也将越高（这两者都是由于在分片级别上管理的优先级队列更大，并且节点和客户端之间的数据传输也更大）。

shard_size参数可用于最大程度地减少请求的大小带来的额外工作。 定义后，它将确定协调节点将从每个分片请求多少个术语。 一旦所有分片都做出响应，协调节点便会将它们缩减为最终结果，该最终结果将基于size参数-这样一来，可以提高返回条款的准确性，并避免流回大量存储桶的开销给客户。

注意：shard_size不能小于size（因为意义不大）。 启用时，Elasticsearch将覆盖它并将其重置为等于大小。

缺省shard_size为（size* 1.5 + 10）。

Terms aggregation 对于大量数据来说通常是不精确的
 

我们先来看一下如下的一个图：

从上面的图中，在shard_size为3的情况下，我们想对geoip.country_name这个字段来进行terms aggregation：

1. 从shard 0中提取文档数靠前的前三个，它们分别是USA，India及France。它们的文档数分别是5，4及4。
2. 从shard 1中提取文档数靠前的前单个，它们分别是USA，India及Japan。它们的文档数分别是4，5及3。

那么总的文档数是：

1. USA为：5 + 4 = 9
2. India为：4 + 5 = 9
3. France为：4 + 0 = 4
4. Japan为： 3 + 0 = 4

根据上面的计算，返回的结果将会是USA，India及France。细心的开发者可能马上可以看出来，在上面的统计中国其实是不精确的，这是因为在shard 0中，我们可以看见Japan有3个文档没有被统计进去。这个统计是基于我们对shard_size为3的情况。假如我们把shard_size提供到4，情况马上就会不同，而且更加接近我们的实际的统计数据的结果。在这种情况下，Japan将会有 3 + 6 共6很个文档，应该是排名第3。

我们可以修改我们的请求如下：

GET logs_server*/_search
{
  "size": 0,
  "aggs": {
    "top_10_urls": {
      "terms": {
        "field": "geoip.country_name.keyword",
        "size": 10,
        "shard_size": 100
      }
    }
  }
}

 我们可以通过增加shard_size来提高数据的精确性，但是必须注意的是这样的代价是计算的成本增加，特别是针对大量数据而言。

参考：

【1】https://www.elastic.co/guide/en/elasticsearch/reference/current/search-aggregations-bucket-terms-aggregation.html#_shard_size_3