背景

球友反馈的实战问题：

关于es的运维相关的，遇到一些问题！

第一个问题：是关于集群迁移的，目前需要针对20亿的数据做迁移，如果文件迁移，需要停机时间太久，除了重新灌入，不知道有没有更好的方式？
第二个问题：我们es集群的读写都很频繁，如何把控在相互不影响性能，当前情况是会有相互影响！
第三个问题：之前做版本升级，升级后部分分片不可用，但是不知道什么原因导致？
最后：就是关于数据的扩容，备份，高可用这方面...... 扩容其实面对一个问题就是你之前的es mapping 如何建，如果这个没规划好，增加节点的意义也不大了
另外就是面对现在集群状态黄色和红色，没有体系化的思路去排查问题到底出在哪儿？

更多的是点对点去临时解决，积累的知识是碎片化的。

的确，类似问题经常被问到，是时候整合梳理一下了。

1、集群状态非绿排查清单

1.1 集群状态的含义

红色：至少一个主分片未分配成功；
黄色：至少一个副本分片未分配成功；
绿色：全部主&副本都分配成功。

1.2 排查实战

1.2.1 查看集群状态

GET _cluster/health

返回状态举例："status" : "red", 红色，至少一个主分片未分配成功。

1.2.2 到底哪个节点出现了红色或者黄色问题呢？

GET _cluster/health?level=indices

如下的方式，更明快直接

GET /_cat/indices?v&health=yellow
GET /_cat/indices?v&health=red

找到对应的索引。

1.2.3 到底索引的哪个分片出现了红色或者黄色问题呢？

GET _cluster/health?level=shards

1.2.4 到底什么原因导致了集群变成红色或者黄色呢？

GET _cluster/allocation/explain

返回核心信息解读举例：

"current_state" : "unassigned",——未分配
  "unassigned_info" : {
    "reason" : "INDEX_CREATED",——原因，索引创建阶段
    "at" : "2020-01-29T07:32:39.041Z",
    "last_allocation_status" : "no"
  },
  "explanation" : """node does not match index setting [index.routing.allocation.require] filters [box_type:"hot"]"""
        }

根本原因，shard分片与节点过滤类型不一致到此，找到了根本原因，也就知道了对应解决方案。

1.3 扩展思考：类似 "current_state" : "unassigned",——未分配还有哪些？

实战：

GET _cat/shards?h=index,shard,prirep,state,unassigned.reason

官网：https://www.elastic.co/guide/en/elasticsearch/reference/7.2/cat-shards.html

未分配状态及原因解读：

（1）INDEX_CREATED
Unassigned as a result of an API creation of an index.
（2）CLUSTER_RECOVERED
Unassigned as a result of a full cluster recovery.
（3）INDEX_REOPENED
Unassigned as a result of opening a closed index.
（4）DANGLING_INDEX_IMPORTED
Unassigned as a result of importing a dangling index.
（5）NEW_INDEX_RESTORED
Unassigned as a result of restoring into a new index.
（6）EXISTING_INDEX_RESTORED
Unassigned as a result of restoring into a closed index.
（7）REPLICA_ADDED
Unassigned as a result of explicit addition of a replica.
（8）ALLOCATION_FAILED
Unassigned as a result of a failed allocation of the shard.
（9）NODE_LEFT
Unassigned as a result of the node hosting it leaving the cluster.
（10）REROUTE_CANCELLED
Unassigned as a result of explicit cancel reroute command.
（11）REINITIALIZED
When a shard moves from started back to initializing, for example, with shadow replicas.
（12）REALLOCATED_REPLICA
A better replica location is identified and causes the existing replica allocation to be cancelled.

2、节点间分片移动

适用场景：手动移动分配分片。将启动的分片从一个节点移动到另一节点。

POST /_cluster/reroute
{
  "commands": [
    {
      "move": {
        "index": "indexname",
        "shard": 1,
        "from_node": "nodename",
        "to_node": "nodename"
      }
    }
  ]
}

3、集群节点优雅下线

适用场景：保证集群颜色绿色的前提下，将某个节点优雅下线。

PUT /_cluster/settings
{
  "transient": {
    "cluster.routing.allocation.exclude._ip": "122.5.3.55"
  }
}

4、强制刷新

适用场景：刷新索引是确保当前仅存储在事务日志中的所有数据也永久存储在Lucene索引中。

POST /_flush

注意：这和 7.6 版本之前的同步刷新（未来8版本+会废弃同步刷新）一致。

POST /_flush/synced

5、更改并发分片的数量以平衡集群

适用场景：

控制在集群范围内允许多少并发分片重新平衡。默认值为2。

PUT /_cluster/settings
{
  "transient": {
    "cluster.routing.allocation.cluster_concurrent_rebalance": 2
  }
}

6、更改每个节点同时恢复的分片数量

适用场景：

如果节点已从集群断开连接，则其所有分片将都变为未分配状态。经过一定的延迟后，分片将分配到其他位置。每个节点要恢复的并发分片数由该设置确定。

PUT /_cluster/settings
{
  "transient": {
    "cluster.routing.allocation.node_concurrent_recoveries": 6
  }
}

7、调整恢复速度

适用场景：

为了避免集群过载，Elasticsearch限制了分配给恢复的速度。你可以仔细更改该设置，以使其恢复更快。

如果此值调的太高，则正在进行的恢复可能会消耗过多的带宽和其他资源，这可能会使集群不稳定。

PUT /_cluster/settings
{
  "transient": {
    "indices.recovery.max_bytes_per_sec": "80mb"
  }
}

8、清除节点上的缓存

适用场景：如果节点达到较高的JVM值，则可以在节点级别上调用该API 以使 Elasticsearch 清理缓存。

这会降低性能，但可以使你摆脱OOM（内存不足）的困扰。

POST /_cache/clear

9、调整断路器

适用场景：为了避免在Elasticsearch中进入OOM，可以调整断路器上的设置。这将限制搜索内存，并丢弃所有估计消耗比所需级别更多的内存的搜索。

注意：这是一个非常精密的设置，你需要仔细校准。

PUT /_cluster/settings
{
  "persistent": {
    "indices.breaker.total.limit": "40%"
  }
}

10、集群迁移

适用场景：集群数据迁移、索引数据迁移等。

方案一、针对索引部分或者全部数据，reindex

POST _reindex
{
  "source": {
    "index": "my-index-000001"
  },
  "dest": {
    "index": "my-new-index-000001"
  }
}

方案二：借助第三方工具迁移索引或者集群

elasticdump
elasticsearch-migration

工具本质：scroll + bulk 实现。

11、集群数据备份和恢复

适用场景：高可用业务场景，定期增量、全量数据备份，以备应急不时之需。

PUT /_snapshot/my_backup/snapshot_hamlet_index?wait_for_completion=true
{
  "indices": "hamlet_*",
  "ignore_unavailable": true,
  "include_global_state": false,
  "metadata": {
    "taken_by": "mingyi",
    "taken_because": "backup before upgrading"
  }
}

POST /_snapshot/my_backup/snapshot_hamlet_index/_restore

小结

文章开头的几个运维问题已经解决，其他性能相关的问题，后面会有另外的博文做梳理。

运维工作包罗万象，文章内容只是抛砖引玉，开了个头。

牛逼的集群运维需要结合可视化工具（如：kibana，cerebro，elastic-hd，Prometheus + grafana，结合业务自研工具如阿里云Eyou等）能极大提高效率。

你的Elasticsearch 运维的经验、心得、体会，欢迎留言交流，我们一起完善清单。

参考：

Elasticsearch 官方文档

https://logz.io/blog/elasticsearch-cheat-sheet/

更多推荐：

严选 | Elasticsearch史上最全最常用工具清单

干货 | Elasticsearch Top10 监控指标

更短时间更快习得更多干货！

中国近 1/4 的 Elastic认证工程师出自于此！

干货 | Elasticsearch 运维实战常用命令清单

背景

1、集群状态非绿排查清单

1.1 集群状态的含义

1.2 排查实战

1.2.1 查看集群状态

1.2.2 到底哪个节点出现了红色或者黄色问题呢？

1.2.3 到底索引的哪个分片出现了红色或者黄色问题呢？

1.2.4 到底什么原因导致了集群变成红色或者黄色呢？

1.3 扩展思考：类似 "current_state" : "unassigned",——未分配 还有哪些？

2、节点间分片移动

3、集群节点优雅下线

4、强制刷新

5、更改并发分片的数量以平衡集群

6、更改每个节点同时恢复的分片数量

7、调整恢复速度

8、清除节点上的缓存

9、调整断路器

10、集群迁移

方案一、 针对索引部分或者全部数据，reindex

方案二：借助第三方工具迁移索引或者集群

11、集群数据备份和恢复

小结

1.3 扩展思考：类似 "current_state" : "unassigned",——未分配还有哪些？

方案一、针对索引部分或者全部数据，reindex