es 集群简单介绍及搭建_es集群

es 集群概述

es 集群基本概念

• Cluster：代表一个集群，集群中有多个节点，其中有一个为主节点，这个主节点是可以通过选举产生的，主从节点是对于集群内部来说的。es 的一个概念就是去中心化，字面上理解就是无中心节点，这是对于集群外部来说的，因为从外部来看 es 集群，在逻辑上是个整体，你与任何一个节点的通信和与整个 es 集群通信是等价的。
• Shards：代表索引分片，es 可以把一个完整的索引分成多个分片，这样的好处是可以把一个大的索引拆分成多个，分布到不同的节点上。构成分布式搜索。分片的数量只能在索引创建前指定，并且索引创建后不能更改。
• Replicas：代表索引副本，es 可以设置多个索引的副本，副本的作用一是提高系统的容错性，当某个节点某个分片损坏或丢失时可以从副本中恢复。二是提高 es 的查询效率，es 会自动对搜索请求进行负载均衡。
• Recovery：代表数据恢复或叫数据重新分布，es 在有节点加入或退出时会根据机器的负载对索引分片进行重新分配，挂掉的节点重新启动时也会进行数据恢复。

es 为什么要实现集群

在单台 es 服务器节点上，随着业务量的发展索引文件慢慢增多，会影响到效率和内存存储问题等。

我们可以采用 es 集群，将单个索引的分片到多个不同分布式物理机器上存储，从而可以实现高可用、容错性等。

es 集群中索引可能由多个分片构成，并且每个分片可以拥有多个副本。通过将一个单独的索引分为多个分片，我们可以处理不能在一个单一的服务器上面运行的大型索引，简单的说就是索引的大小过大，导致效率问题。不能运行的原因可能是内存也可能是存储。由于每个分片可以有多个副本，通过将副本分配到多个服务器，可以提高查询的负载能力。

es 如何解决高并发问题

es 是一个分布式全文检索框架，隐藏了复杂的处理机制，内部使用 分片机制、集群发现、分片负载均衡请求路由。

shards 分片：代表索引分片，es 可以把一个完整的索引分成多个分片，这样的好处是可以把一个大的索引拆分成多个，分布到不同的节点上。构成分布式搜索。分片的数量只能在索引创建前指定，并且索引创建后不能更改。

replicas 分片：代表索引副本，es 可以设置多个索引的副本，副本的作用一是提高系统的容错性，当某个节点某个分片损坏或丢失时可以从副本中恢复。二是提高 es 的查询效率，es 会自动对搜索请求进行负载均衡。

es 集群规划

搭建一个集群我们需要考虑如下几个问题：

1. 我们需要多大规模的集群？
2. 集群中的节点角色如何分配？
3. 如何避免脑裂问题？
4. 索引应该设置多少个分片？
5. 分片应该设置几个副本？

下面我们就来分析和回答这几个问题：

我们需要多大规模的集群

需要从以下两个方面考虑

1. 当前的数据量有多大？数据增长情况如何？

2. 你的机器配置如何？cpu、多大内存、多大硬盘容量？

推算的依据

ES JVM heap 最大可以设置32G 。

30G heap 大概能处理的数据量 10 T。如果内存很大如128G，可在一台机器上运行多个 es 节点实例。

备注：集群规划满足当前数据规模 + 适量增长规模即可，后续可按需扩展。

两类应用场景

1. 用于构建业务搜索功能模块，且多是垂直领域的搜索。数据量级几千万到数十亿级别。一般2-4台机器的规模。

2. 用于大规模数据的实时 OLAP（联机处理分析），经典的如 ELK Stack，数据规模可能达到千亿或更多。几十到上百节点的规模。

集群中的节点角色如何分配

节点角色

1. Master：

node.master:：true 节点可以作为主节点

2. DataNode

node.data：true 默认是数据节点。

Coordinate node 协调节点

如果仅担任协调节点，将上两个配置设为false。

说明

一个节点可以充当一个或多个角色，默认三个角色都有

协调节点：一个节点只作为接收请求、转发请求到其他节点、汇总各个节点返回数据等功能的节点。就叫协调节点

如何分配

1. 小规模集群，不需严格区分。

2. 中大规模集群（十个以上节点），应考虑单独的角色充当。特别并发查询量大，查询的合并量大，可以增加独立的协调节点。角色分开的好处是分工分开，不互影响。如不会因协调角色负载过高而影响数据节点的能力。

如何避免脑裂问题

脑裂问题

一个集群中只有一个 A 主节点，A 主节点因为需要处理的东西太多或者网络过于繁忙，从而导致其他从节点 ping 不通 A 主节点，这样其他从节点就会认为 A 主节点不可用了，就会重新选出一个新的主节点 B。过了一会 A 主节点恢复正常了，这样就出现了两个主节点，导致一部分数据来源于 A 主节点，另外一部分数据来源于 B 主节点，出现数据不一致问题，这就是脑裂问题。

尽量避免脑裂，需要添加最小数量的主节点配置

discovery.zen.minimum_master_nodes：（有 master 资格节点数/2） + 1

这个参数控制的是，选举主节点时需要看到最少多少个具有 master 资格的活节点，才能进行选举。官方的推荐值是（N/2）+ 1，其中 N 是具有master 资格的节点的数量。

常用做法（中大规模集群）

1. Master 和 dataNode 角色分开，配置奇数个 master，如3
2. 单播发现机制，配置 master 资格节点：discovery.zen.ping.multicast.enabled: false —— 关闭多播发现机制，默认是关闭的

discovery.zen.ping.unicast.hosts: ["master1", "master2", "master3"] —— 配置单播发现的主节点 ip 地址，其他从节点要加入进来，就得去询问单播发现机制里面配置的主节点我要加入到集群里面了，主节点同意以后才能加入，然后主节点再通知集群中的其他节点有新节点加入

3. 配置选举发现数，及延长 ping master 的等待时长

discovery.zen.ping_timeout: 30（默认值是3秒）——其他节点 ping 主节点多久时间没有响应就认为主节点不可用了

discovery.zen.minimum_master_nodes: 2 —— 选举主节点时需要看到最少多少个具有 master 资格的活节点，才能进行选举

索引应该设置多少个分片

说明：分片数指定后不可变，除非重索引。

思考：

分片对应的存储实体是什么？存储的实体是索引

分片是不是越多越好？不是

分片多有什么影响？分片多浪费存储空间、占用资源、影响性能

分片过多的影响

每个分片本质上就是一个 Lucene 索引，因此会消耗相应的文件句柄，内存和 CPU 资源。

每个搜索请求会调度到索引的每个分片中，如果分片分散在不同的节点倒是问题不太，但当分片开始竞争相同的硬件资源时，性能便会逐步下降。

es 使用词频统计来计算相关性，当然这些统计也会分配到各个分片上，如果在大量分片上只维护了很少的数据，则将导致最终的文档相关性较差。

分片设置的可参考原则

es 推荐的最大 JVM 堆空间是30~32G，所以把你的分片最大容量限制为30GB，然后再对分片数量做合理估算，例如，你认为你的数据能达到200GB，推荐你最多分配7到8个分片。

在开始阶段，一个好的方案是根据你的节点数量按照1.5~3倍的原则来创建分片，例如，如果你有3个节点，则推荐你创建的分片数最多不超过9（3x3）个。当性能下降时，增加节点，es 会平衡分片的放置。

对于基于日期的索引需求，并且对索引数据的搜索场景非常少，也许这些索引量将达到成百上千，但每个索引的数据量只有1GB甚至更小，对于这种类似场景，建议只需要为索引分配1个分片。如日志管理就是一个日期的索引需求，日期索引会很多，但每个索引存放的日志数据量就很少。

分片应该设置几个副本

说明：副本数是可以随时调整的！

思考：

副本的用途是什么？备份数据保证高可用数据不丢失，高并发的时候参与数据查询

针对它的用途，我们该如何设置它的副本数？一般一个分片有1-2个副本即可保证高可用

集群规模没变的情况下副本过多会有什么影响？副本多浪费存储空间、占用资源、影响性能

副本设置基本原则

为保证高可用，副本数设置为2即可。要求集群至少要有3个节点，来分开存放主分片、副本。如发现并发量大时，查询性能会下降，可增加副本数，来提升并发查询能力。

注意：新增副本时主节点会自动协调，然后拷贝数据到新增的副本节点

集群核心原理分析

1. 每个索引会被分成多个分片 shards 进行存储，默认创建索引是分配5个分片进行存储。每个分片都会分布式部署在多个不同的节点上进行部署，该分片成为 primary shards。

   注意：索引的主分片 primary shards 定义好后，后面不能做修改。

2. 为了实现高可用数据的高可用，主分片可以有对应的备分片 replics shards，replic shards 分片承载了负责容错、以及请求的负载均衡。

   注意: 每一个主分片为了实现高可用，都会有自己对应的备分片，主分片对应的备分片不能存放同一台服务器上。主分片 primary shards 可以和其他 replics shards 存放在同一个 node 节点上。

3. documnet routing（数据路由）：当客户端发起创建 document 的时候，es 需要确定这个 document 放在该 index 哪个 shard 上。这个过程就是数据路由。

   路由算法：shard = hash(routing) % number_of_primary_shards

   如果 number_of_primary_shards 在查询的时候取余发生的变化，无法获取到该数据

   注意：索引的主分片数量定义好后，不能被修改

高可用视图分析

下图所示：上面的图，如果节点1与节点2宕机了，es 集群数据就不完整了。

下图，如果节点1与节点2宕机了，es 集群数据还是完整的

集群搭建

1. 复制三个 es 的文件
2. 进入 es的 config 目录，修改 elasticsearch.yml 的配置

# ================= Elasticsearch Configuration ===================
# 配置es的集群名称, es会自动发现在同一网段下的es,如果在同一网段下有多个集群,就可以用这个属性来区分不同的集群｡
cluster.name: elasticsearch
# 节点名称（要修改）
node.name: node-001
# 指定该节点是否有资格被选举成为node
node.master: true
# 指定该节点是否存储索引数据,默认为true｡
node.data: true
# 设置绑定的ip地址还有其它节点和该节点交互的ip地址,本机ip
network.host: 127.0.0.1
# 指定http端口,你使用head､kopf等相关插件使用的端口 （要修改）
http.port: 9200
# 设置节点间交互的tcp端口,默认是9300｡ （要修改）
transport.tcp.port: 9300
#设置集群中master节点的初始列表,可以通过这些节点来自动发现新加入集群的节点｡
#因为下两台elasticsearch的port端口会设置成9301 和 9302 所以写入两台#elasticsearch地址的完整路径
discovery.zen.ping.unicast.hosts:
["127.0.0.1:9300","127.0.0.1:9301","127.0.0.1:9302"]
#如果要使用head,那么需要解决跨域问题,使head插件可以访问es
http.cors.enabled: true
http.cors.allow-origin: "*"
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

配置解析

IP 访问限制、默认端口修改9200

这里有两个需要提醒下，第一个就是IP访问限制，第二个就是 es 实例的默认端口号9200。IP 访问限制可以限定具体的 IP 访问服务器，这有一定的安全过滤作用。

# Set the bind address to a specific IP (IPv4 or IPv6):
network.host: 192.168.152.128
1
2

如果设置成 0.0.0.0 则是不限制任何 IP 访问。一般在生产的服务器可能会限定几台 IP，通常用于管理使用。

默认的端口9200在一般情况下也有点风险，可以将默认的端口修改成另外一个，这还有一个原因就是怕开发人员误操作，连接上集群。当然，如果你的公司网络隔离做的很好也无所谓。

# Set a custom port for HTTP:
http.port: 9200
transport.tcp.port: 9300
1
2
3

这里的9300是集群内部通讯使用的端口，这个也可以修改掉。因为连接集群的方式有两种，通过扮演集群 node 也是可以进入集群的，所以还是安全起见，修改掉默认的端口。

说明：记得修改安装了 es 的3台虚拟机（三个节点）的相同配置，要不然节点之间无法建立连接工作，也会报错。

集群配置 IP 列表、node、cluster 名称

紧接着修改集群节点 IP 地址，这样可以让集群在规定的几个节点之间工作。es，默认是使用自动发现 IP 机制。就是在当前网段内，只要能被自动感知到的 IP 就能自动加入到集群中。这有好处也有坏处。好处就是自动化了，当你的 es 集群需要云化的时候就会非常方便。但是也会带来一些不稳定的情况，如，master 的选举问题、数据复制问题。

导致 master 选举的因素之一就是集群有节点进入。当数据复制发生的时候也会影响集群，因为要做数据平衡复制和冗余。这里面可以独立 master 集群，剔除 master 集群的数据节点能力。

固定列表的 IP 发现有两种配置方式，一种是互相依赖发现，一种是全量发现。各有优势吧，我是使用的依赖发现来做的。这有个很重要的参考标准，就是你的集群扩展速度有多快。因为这有个问题就是，当全量发现的时候，如果是初始化集群会有很大的问题，就是 master 全局会很长，然后节点之间的启动速度各不一样。所以我采用了靠谱点的依赖发现。

你需要在 192.168.152.128 的 es 中配置成：

# --------------------------------- Discovery ----------------------------------
# Pass an initial list of hosts to perform discovery when new node is
started:
# The default list of hosts is ["127.0.0.1", "[::1]"]
discovery.zen.ping.unicast.hosts: ["192.168.152.129:9300","192.168.152.130:9300" ]
1
2
3
4
5

让他去发现129，130的机器，以此内推，完成剩下的129和130机器的配置。

然后你需要配置下集群名称，就是你当前节点所在集群的名称，这有助于你规划你的集群。集群中的所有节点的集群名称必须一样，只有集群名称一样才能组成一个逻辑集群。

# ---------------------------------- Cluster -----------------------------------
# Use a descriptive name for your cluster:
cluster.name: mycluster
1
2
3

配置你当前节点的名称

# ------------------------------------ Node ------------------------------------
# Use a descriptive name for the node:
node.name: node-1
1
2
3

以此类推，完成另外两个节点的配置。cluster.name 的名称必须保持一样。然后分别设置 node.name。

说明

这里搭建的是一个简单的集群，没有做集群节点角色的区分，所以3个节点默认的角色有主节点、数据节点、协调节点

选举ES主节点的逻辑

选举的大概逻辑，它会根据分片的数据的前后新鲜程度来作为选举的一个重要逻辑。（日志、数据、时间都会作为集群 master 全局的重要指标）

因为考虑到数据一致性问题，当然是用最新的数据节点作为 master，然后进行新数据的复制和刷新其他 node。