单机的 ElasticSearch 做数据存储，必然面临两个问题：海量数据存储问题、单点故障问题。

  • 海量数据存储问题：将索引库从逻辑上拆分为 N 个分片（shard），存储到多个节点
  • 单点故障问题：将分片数据在不同节点备份（replica）

ES 集群相关概念：

  • 集群（cluster）：一组拥有共同的 cluster name 的 节点。
  • 节点（node) ：集群中的一个 Elasticearch 实例
  • 分片（shard）：索引可以被拆分为不同的部分进行存储，称为分片。在集群环境下，一个索引的不同分片可以拆分到不同的节点中

解决问题：数据量太大，单点存储量有限的问题。
ElasticSearch 集群 - 图1
此处，我们把数据分成 3 片：shard0、shard1、shard2

  • 主分片（Primary shard）：相对于副本分片的定义。
  • 副本分片（Replica shard）每个主分片可以有一个或者多个副本，数据和主分片一样。

数据备份可以保证高可用，但是每个分片备份一份，所需要的节点数量就会翻一倍，成本实在是太高了！

为了在高可用和成本间寻求平衡，我们可以这样做：

  • 首先对数据分片，存储到不同节点
  • 然后对每个分片进行备份，放到对方节点，完成互相备份

这样可以大大减少所需要的服务节点数量，如图，我们以 3 分片，每个分片备份一份为例：
ElasticSearch 集群 - 图2

现在，每个分片都有 1 个备份，存储在 3 个节点：

  • node0：保存了分片 0 和 1
  • node1：保存了分片 0 和 2
  • node2：保存了分片 1 和 2

部署 ElasticSearch 集群

我们会在单机上利用 docker 容器运行多个 ElasticSearch 实例来模拟 ElasticSearch 集群。不过生产环境推荐大家每一台服务节点仅部署一个 ElasticSearch 的实例。

部署 ElasticSearch 集群可以直接使用 docker-compose 来完成，但这要求你的 Linux 虚拟机至少有 4G 的内存空间

创建 ElasticSearch 集群

首先编写一个 docker-compose 文件，内容如下：

  1. version: '2.2'
  2. services:
  3.   es01:
  4.     image: elasticsearch:7.12.1
  5.     container_name: es01
  6.     environment:
  7.       - node.name=es01
  8.       - cluster.name=es-docker-cluster
  9.       - discovery.seed_hosts=es02,es03
  10.       - cluster.initial_master_nodes=es01,es02,es03
  11.       - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
  12.     volumes:
  13.       - data01:/usr/share/elasticsearch/data
  14.     ports:
  15.       - 9200:9200
  16.     networks:
  17.       - elastic
  18.   es02:
  19.     image: elasticsearch:7.12.1
  20.     container_name: es02
  21.     environment:
  22.       - node.name=es02
  23.       - cluster.name=es-docker-cluster
  24.       - discovery.seed_hosts=es01,es03
  25.       - cluster.initial_master_nodes=es01,es02,es03
  26.       - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
  27.     volumes:
  28.       - data02:/usr/share/elasticsearch/data
  29.     ports:
  30.       - 9201:9200
  31.     networks:
  32.       - elastic
  33.   es03:
  34.     image: elasticsearch:7.12.1
  35.     container_name: es03
  36.     environment:
  37.       - node.name=es03
  38.       - cluster.name=es-docker-cluster
  39.       - discovery.seed_hosts=es01,es02
  40.       - cluster.initial_master_nodes=es01,es02,es03
  41.       - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
  42.     volumes:
  43.       - data03:/usr/share/elasticsearch/data
  44.     networks:
  45.       - elastic
  46.     ports:
  47.       - 9202:9200
  48. volumes:
  49.   data01:
  50.     driver: local
  51.   data02:
  52.     driver: local
  53.   data03:
  54.     driver: local
  56. networks:
  57.   elastic:
  58.     driver: bridge

ElasticSearch 运行需要修改一些 Linux 系统权限，修改 /etc/sysctl.conf 文件

  1. vi /etc/sysctl.conf

添加下面的内容：

  1. vm.max_map_count=262144

然后执行命令，让配置生效：

  1. sysctl -p

通过 docker-compose 启动集群：

  1. docker-compose up -d

集群状态监控

kibana 可以监控 ElasticSearch 集群，不过新版本需要依赖 ElasticSearch 的 x-pack 功能，配置比较复杂。

这里推荐使用 cerebro 来监控 ElasticSearch 集群状态，官方网址：https://github.com/lmenezes/cerebro

双击其中的 cerebro.bat 文件即可启动服务。访问 http://localhost:9000 即可进入管理界面：

输入你的 ElasticSearch 的任意节点的地址和端口，点击 connect 即可

创建索引库

利用 kibana 的 DevTools 创建索引库，在 DevTools 中输入指令：

  1. PUT /test
  2. {
  3.   "settings": {
  4.     "number_of_shards": 3, // 分片数量
  5.     "number_of_replicas": 1 // 副本数量
  6.   },
  7.   "mappings": {
  8.     "properties": {
  9.       // mapping映射定义 ...
  10.     }
  11.   }
  12. }

或利用 cerebro 创建索引库
ElasticSearch 集群 - 图3
查看分片效果，回到首页，即可查看索引库分片效果：
ElasticSearch 集群 - 图4

集群脑裂问题

集群职责划分

ElasticSearch 中集群节点有不同的职责划分：

节点类型 配置参数 默认值 节点职责
master eligible node.master true 备选主节点：主节点可以管理和记录集群状态、决定分片在哪个节点、处理创建和删除索引库的请求
data node.data true 数据节点：存储数据、搜索、聚合、CRUD
ingest node.ingest true 数据存储之前的预处理
coordinating 上面 3 个参数都为 false 则为 coordinating 节点 无 路由请求到其它节点 合并其它节点处理的结果，返回给用户

默认情况下，集群中的任何一个节点都同时具备上述四种角色。

但是真实的集群一定要将集群职责分离：

  • master 节点：对 CPU 要求高，但是内存要求低
  • data 节点：对 CPU 和内存要求都高
  • coordinating 节点：对网络带宽、CPU 要求高

职责分离可以让我们根据不同节点的需求分配不同的硬件去部署。而且避免业务之间的互相干扰。

一个典型的 ElasticSearch 集群职责划分如图：
ElasticSearch 集群 - 图5

脑裂问题

脑裂是因为集群中的节点失联导致的。

例如一个集群中，主节点与其它节点失联，
ElasticSearch 集群 - 图6
此时 node2 和 node3 认为 node1 宕机，就会重新选主：
ElasticSearch 集群 - 图7
当 node3 当选后，集群继续对外提供服务，node2 和 node3 自成集群，node1 自成集群，两个集群数据不同步，出现数据差异。

当网络恢复后，因为集群中有两个 master 节点，集群状态的不一致，出现脑裂的情况：
ElasticSearch 集群 - 图8
解决脑裂的方案是，要求选票超过 ( eligible节点数量 + 1 ）/ 2 才能当选为主，因此 eligible 节点数量最好是奇数。对应配置项是 discovery.zen.minimum_master_nodes，在 ElasticSearch 7.0 以后，已经成为默认配置，因此一般不会发生脑裂问题

例如：3 个节点形成的集群，选票必须超过 （3 + 1） / 2 ，也就是 2 票。node3 得到 node2 和 node3 的选票，当选为主。node1 只有自己 1 票，没有当选。集群中依然只有 1 个主节点，没有出现脑裂。

集群分布式存储

当新增文档时，应该保存到不同分片，保证数据均衡，那么 coordinating node 如何确定数据该存储到哪个分片呢？

分片存储测试

在一个节点中加入数据，后可以通过 explain 命令查询

  1. POST /test/_search
  2. {
  3.   "explain": true,
  4.   "query": {
  5.     "match_all": {}
  6.   }
  7. }

发现数据在不同的节点中，形成分片存储

分片存储原理

ElasticSearch 会通过 hash 算法来计算文档应该存储到哪个分片：shard = hash(_routing) % number_of_shards

说明：

  • _routing 默认是文档的id
  • 算法与分片数量有关，因此索引库一旦创建，分片数量不能修改！

新增文档的流程如下：
ElasticSearch 集群 - 图9

解读：

  • 新增一个 id=1 的文档
  • 对 id 做 hash 运算，假如得到的是 2，则应该存储到 P-2
  • P-2 的主分片在 node3 节点，将数据路由到 node3
  • 保存文档
  • 同步给 P-2 的副本 R-2，在 node2 节点
  • 返回结果给 coordinating-node 节点

集群分布式查询

ElasticSearch 的查询分成两个阶段：

  • scatter phase：分散阶段，coordinating node 会把请求分发到每一个分片
  • gather phase：聚集阶段，coordinating node 汇总 data node 的搜索结果，并处理为最终结果集返回给用户

集群故障转移

集群的 master 节点会监控集群中的节点状态，如果发现有节点宕机，会立即将宕机节点的分片数据迁移到其它节点，确保数据安全，这个叫做故障转移。

  • 假如，node1 发生了故障
  • 宕机后的第一件事，需要重新选主，例如选中了 node2，
  • node2 成为主节点后，会检测集群监控状态，发现：shard-1、shard-0 没有副本节点。因此需要将 node1 上的数据迁移到 node2、node3
  • 但 node1 恢复，此时 node1 不在是主节点，但数据会重新平衡