干货 | Elasticsearch 8.X 节点角色划分深入详解
0、问题引出
如果你的 Elasticsearch 集群是 7.9 之前的版本，在配置节点的时候，只会涉及节点类型的概念。我相信大家会对下面的概念比较熟悉：
主节点 数据节点 协调节点 Ingest 节点 冷热集群架构
......
Elasticsearch 7.9 版本引入了节点角色的概念。最近社群小伙伴关于节点角色提了不少问题，列举如下：
Q1：请问 Nginx + ES Coordinate + ES Master + ES Node 如何安装配置呢？是否安装一样，只需更改节点角色即可？ Q2：ES部署上，node.role都是mdi和 node.role区分m、d、i ,在部署上各有什么优势？更推荐用哪种？ Q3：有 ES 7.x 的集群角色如图，请问在写入海量数据时，应该连接什么角色的节点写入？专用协调节点还是数据节点？ Q4：role的配置，加上这些data_hot, data_warm, data_cold 和自定义的attr属性有区别吗？ Q5：谁能解释一下es的角色 data data_content data_hot/warm/cold他们直接的关系？ Q6：请问 ES 7.10 的 data_content 角色是个什么样的存在？和协调节点什么区别？
带着这些问题，我们开始 Elasticsearch 节点角色的解读。
1、什么是 Elasticsearch 节点角色？
Elasticsearch 7.9 之前的版本中的节点类型：数据节点、协调节点、候选主节点、ingest 节点，在 Elasticsearch 7.9 以及之后 版本中有了升级，升级了什么呢？
节点类型升级为节点角色（Node roles）。节点角色分的很细：数据节点角色、主节点角色、ingest节点角色、热节点角色等。
在 Elasticsearch 集群中，每个启动的 Elasticsearch 进程都可以叫做一个节点。集群中只有一个节点的时候，以 Elasticsearch 8.1.3 版本单节点集群为例，如果我们不手动设置节点角色，默认节点角色如下“红框”所示：
GET _cat/nodes?v
# 返回结果
ip heap.percent ram.percent cpu load_1m load_5m load_15m node.role master name
172.21.0.14 70 96 0 0.03 0.03 0.05 cdfhilmrstw * VM-0-14-centos
当集群中有多个节点角色的时候，就需要手动设定、配置节点的角色。
节点角色划分的目的在于：不同角色的节点各司其职，共同确保集群的功能的稳定和性能的高可用。
如上截图中的 “cdfhilmrstw”，我第一次看到这个串也是一脸懵逼，解释一下，你就“豁然开朗”。
| 角色缩写 | 英文释义 | 中文释义 |
|---|---|---|
| c | cold node | 冷数据节点 |
| d | data node | 数据节点 |
| f | frozen node | 冷冻数据节点 |
| h | hot node | 热数据节点 |
| i | ingest node | 数据预处理节点 |
| l | machine learning node | 机器学习节点 |
| m | master-eligible node | 候选主节点 |
| r | remote cluster client node | 远程节点 |
| s | content node | 内容数据节点 |
| t | transform node | 转换节点 |
| v | voting-only node | 仅投票节点 |
| w | warm node | 温数据节点 |
| 空 | coordinating node only | 仅协调节点 |
2、为什么引入节点角色？节点类型不香吗？
https://github.com/elastic/elasticsearch/pull/54998
一个新功能的诞生必然是基于早期版本存在bug或者至少用户体验差。
节点角色就是基于节点类型配置复杂和用户体验差应运而生的。
早期版本如果需要配置仅候选主节点类型，需要的配置（极端情况）如下：
node.data: false
node.ingest: false
node.remote_cluster_client: false
node.ml: false
node.master: true
node.transform: false
node.voting_only: false
这是非常繁琐的配置，类似我要说我自己是主节点，需要我先说明我不是数据节点、不是 Ingest 预处理节点、不是机器学习节点、不是XXX各种节点.....
而节点角色的出现“革命性”的结局了这个问题，如下所示，只需要说明我是某某某，而不需要费劲巴拉的解释我不是某某某。
node.roles: [ data, master ]
3、不同角色节点的功能详解
3.1 主节点（Master-eligible node）
主节点的核心用途：集群层面的管理，例如创建或删除索引、跟踪哪些节点是集群的一部分，以及决定将哪些分片分配给哪些节点。主节点的path.data 用于存储集群元数据信息，不可缺少。
主节点的重要性：拥有稳定的主节点对于集群健康非常重要。
和早期版本不同，节点角色划分后，主节点又被细分为：候选主节点和仅投票主节点。
主节点存储数据：集群中每个索引的索引元数据，集群层面的元数据。
3.1.1 专用候选主节点（Dedicated master-eligible node）
如果集群规模大、节点多之后，有必要独立设置专用候选主节点。
专用候选主节点配置：
node.roles: [ master ]
3.1.2 仅投票主节点（Voting-only master-eligible node）
用途：仅投票，不会被选为主节点。
硬件配置可以较专用候选主节点低一些。
仅投票主节点配置：
node.roles: [ master, voting_only ]
注意：master 必不可少。
关于集群主节点配置，要强调说明如下：
高可用性 (HA) 集群需要至少三个符合主节点资格的节点；其中至少两个不是仅投票节点。 即使其中一个节点发生故障，这样的集群也将能够选举一个主节点。
3.2 数据节点（Data node）
数据节点用途：数据落地存储、数据增、删、改、查、搜索、聚合操作等处理操作。
数据节点硬件配置：CPU 要求高、内存要求高、磁盘要求高。
专属数据节点好处：主节点和数据节点分离，各司其职。
数据节点存储内容：
分片数据。 每个分片对应的元数据。 集群层面的元数据，如：setting 和 索引模板。
拥有专用数据节点的主要好处是主角色和数据角色的分离。
数据节点的配置：
node.roles: [ data ]
在 Elastic 多层（tires）冷热集群架构体系下，数据节点又可以细分为：
内容数据节点（Content data node） 热数据节点（Hot data node） 温数据节点（Warm data node） 冷数据节点（Cold data node） 冷冻数据节点（Frozen data node）
图片来自：Elastic 官方博客
3.2.1 内容数据节点
用途：处理写入和查询负载，具有较长的数据保留要求。
建议至少设置一个副本，以保证数据的高可用。
不属于数据流的系统索引或其他索引会自动分配到内容数据节点。
node.roles: [ data_content ]
3.2.2 热数据节点
用途：保存最近、最常访问的时序数据。
推荐使用：SSD 磁盘，至少设置一个副本。
node.roles: [ data_hot ]
3.2.3 温数据节点
用途：保存访问频次低且很少更新的时序数据。
node.roles: [ data_warm ]
3.2.4 冷数据节点
用途：保存不经常访问且通常不更新的时序数据。可存储可搜索快照。
node.roles: [ data_cold ]
3.2.5 冷冻数据节点
用途：保存很少访问且从不更新的时序数据。
node.roles: [ data_frozen ]
在冷热集群架构时序数据 ILM 索引生命周期管理的实战演练环节，验证发现：
在配置节点角色时，data_hot、data_warm、data_cold 要和 data_content 要一起配置。且 data_hot、data_warm、data_cold 不要和原有的data 节点一起配置了。
如果仅data_hot 不设置 data_content 会导致集群数据写入后无法落地。
我的理解：data_hot, data_warm, data_cold 是标识性的节点，实际落地存储还得靠 data_content 角色。
3.3 数据预处理节点（ingest node）
用途：执行由预处理管道组成的预处理任务。
关于啥是数据的预处理？之前有多篇文章解读过：
Elasticsearch 预处理没有奇技淫巧，请先用好这一招！
node.roles: [ ingest ]
3.4 仅协调节点（Coordinating only node）
用途：类似智能负载均衡器，负责：路由分发请求、聚集搜索或聚合结果。
注意事项：在一个集群中添加太多的仅协调节点会增加整个集群的负担，因为当选的主节点必须等待来自每个节点的集群状态更新的确认。
node.roles: [ ]
空即是“色”，不对，这里空即是“仅协调节点”。
3.5 远程节点（Remote-eligible node）
用途：跨集群检索或跨集群复制。
node.roles: [ remote_cluster_client ]
3.6 机器学习节点（Machine learning node）
用途：机器学习，系收费功能。
node.roles: [ ml, remote_cluster_client]
3.7 转换节点（Transform node）
用途：运行转换并处理转换 API 请求。这块，咱们之前文章没有涉及。
推荐阅读：
https://www.elastic.co/guide/en/elasticsearch/reference/current/transform-overview.html
node.roles: [ transform, remote_cluster_client ]
4、回答开篇问题
4.1 Q1：请问 Nginx + ES Coordinate + ES Master + ES Node 如何安装配置呢？是否安装一样，只需更改节点角色即可？
答案：先划分节点角色。节点不多的话手动one by one 部署（部署好了一个，其他的拷贝后修改角色、ip等就可以），节点非常多的话可以借助：ansible 等脚本工具快速部署。
4.2 Q2：ES部署上，node.role都是mdi和 node.role区分m、d、i ,在部署上各有什么优势？更推荐用哪种？
答案：本文已介绍。m 代表主节点 master， d 代表数据节点 data， i 代表数据预处理节点 ingest。
4.3 Q3：有 ES 7.x 的集群角色如图，请问在写入海量数据时，应该连接什么角色的节点写入？专用协调节点还是数据节点？
答案：看节点规模和节点角色划分，如果已经有了独立协调节点，连接独立协调节点。如果没有，连接硬件配置高的节点。
4.4 Q4：role的配置，加上这些data_hot, data_warm, data_cold 和自定义的attr属性有区别吗？
答案：新版本新特性，有区别，新的方式配置更为简洁，可读性强、用户体验优。
4.5 Q5：谁能解释一下es的角色 data data_content data_hot/warm/cold他们直接的关系？
答案：系冷热集群架构的数据节点的分层处理机制。相当于早期版本冷热集群架构的手动配置节点属性的部分，高版本做了精细切分，使得数据冷热集群管理更为高效。尤其默认迁移（migrate ）自动实现机制，之前版本的分片分配策略手动配置变得不再必须：
"allocate" : {
"include" : {
"box_type": "hot,warm"
}
}
4.6 Q6：请问 ES 7.10 的 data_content 角色是个什么样的存在？和协调节点什么区别？
答案：两种完全不同的节点。data_content 属于数据节点，永久存储数据的地方。而协调节点是用来请求路由分发、结果汇聚处理的。
5、小结
有了节点角色划分之后，老版本的节点类型配置还是支持的。最早使用节点角色做 ILM 索引生命周期管理还有点不适应，摸索了一小段时间。
但，我们得拥抱 Elasticsearch 的变化。
节点角色的划分是用户体验层面、功能层面的改进，有了它，我们节点划分会更加明晰，节点用途会更加聚焦、具体。
关于节点角色和硬件配置的关系，也是经常被提问的问题，推荐配置参考：
| 角色 | 描述 | 存储 | 内存 | 计算 | 网络 |
|---|---|---|---|---|---|
| 数据节点 | 存储和检索数据 | 极高 | 高 | 高 | 中 |
| 主节点 | 管理集群状态 | 低 | 低 | 低 | 低 |
| Ingest 节点 | 转换输入数据 | 低 | 中 | 高 | 中 |
| 机器学习节点 | 机器学习 | 低 | 极高 | 极高 | 中 |
| 协调节点 | 请求转发和合并检索结果 | 低 | 中 | 中 | 中 |
你的生产环境使用了什么版本的集群？如何做的节点角色的划分？欢迎留言讨论。
参考
https://www.elastic.co/guide/en/elasticsearch/reference/current/data-tiers.html https://www.elastic.co/guide/en/elasticsearch/reference/current/modules-node.html https://www.elastic.co/cn/blog/whats-new-elasticsearch-7-11-0-schema-on-read-is-here 探究 | Elasticsearch集群规模和容量规划的底层逻辑
推荐
更短时间更快习得更多干货！
和全球 1600+ Elastic 爱好者一起精进！
