Elasticsearch 最佳运维实践 - 总结（一）

对于Elasticsearch的学习，需要清楚的明白它的每个核心概念，由浅入深的了解，才能更好的掌握这门技术。下面先简单罗列下Elasticsearch的核心概念：

一、Elasticsearch数据组织

1.  逻辑组织
如下图所示，Elasticsearch使用index和doc_type来组织数据。doc_type中的每条数据称为一个document，是一个JSON Object，相关的schema信息通过mapping来定义。mapping不仅仅包括数据类型的定义，还有很多其他元信息的设置，它们共同决定了数据如何被存储和索引。这四个概念实现了Elasticsearch的逻辑数据组织，假设有一批结构化或半结构化数据需要存储，我们会先对数据进行分类，设计相应的index与doc_type，再为每个doc_type设置相关的mapping信息。如果不指定mapping，Elasticsearch会使用默认值，并自动为你推导每个字段的类型，即支持schema free的特性。但是，这种灵活性也会带来一些问题，一方面会失去对数据的控制，即会越来越不清楚你的数据结构，另一方面，自动推导出来数据类型可能不是预期的，会带来写入和查询问题。所以，笔者建议，尽最大可能对schema加以约束。

通常情况下，我们都会拿Elasticsearch的这些概念跟关系型数据库Mysql来做对比以便更好的理解，比如index等价于database，doc_type等价于table，mapping等价于db schema。但是需要注意的是：对于关系型数据库而言，table与table之间是完全独立的，不同table的schema是完全隔离的，而Elasticsearch中的doc_type则不是。同一个index下不同doc_type中的字段在底层是合并在一起存储的，意味着假设两个doc_type中都有一个叫name的字段，那么这两个字段的mapping必须一样。基于这个原因，Elasticsearch官方从6.0开始淡化doc_type的概念，推荐一个index只拥有一个doc_type，并计划在8.x完全废弃doc_type。因此，在当前的index设计中，最好能遵循这个规则。

2.  物理组织
Elasticsearch是一个分布式系统，其数据会分散存储到不同的节点上。为了实现这一点，需要将每个index中的数据划分到不同的块中，然后将这些数据块分配到不同的节点上存储。这里的数据块，就是shard。通过"分"的思想，可以突破单机在存储空间和处理性能上的限制，这是分布式系统的核心目的。而对于分布式存储而言，还有一个重要特性是"冗余"，因为分布式的前提是：接受系统中某个节点因为某些故障退出。为了保证在故障节点退出后数据不丢失，同一份数据需要拷贝多份存在不同节点上。因此，shard从角色上划分为primary shard和replica shard两种，数据会首先写入primary shard，然后同步到replica shard中。

shard是Elasticsearch中最小的数据分配单位，即一个shard总是作为一个整体被分配到某个节点，而不会只分配其中一部分。那么，shard中的数据又是如何组织的？答案是segment。一个shard包含一组segment，segment是最小的数据单元，Elasticsearch每隔一段时间产生一个新的segment，里面包含了新写入的数据。segment是immutable的，即不可改变，这样设计的考量是：一方面，不支持修改就不用对读写操作加锁，省去了相关开销；另一方面，因为文件内容不会修改，可以更好的利用filesystem cache进行缓存，提高查询性能。但是，任何设计都不是完美的，伴随而来的问题是：如果segment不可修改，怎么实现数据的更新与删除呢？这个问题将在Elasticsearch的"数据写入"内容中说到。

二、Elasticsearch数据分布
上面说到Elasticsearch将每个index中的数据划分到不同的shard中，然后将shard分配到不同的节点上，实现分布式存储。这里面涉及到两个概念：一个是数据到shard的映射（route），另一个是shard到节点的映射（shard allocate）。一方面：插入一条数据时，Elasticsearch会根据指定的key来计算应该落到哪个shard上。默认key是自动分配的id，可以自定义，比如在业务中采用CompanyID作为key。因为primary shard的个数是不允许改变的，所以同一个key每次算出来的shard是一样的，从而保证了准确定位。

shard_num = hash(_routing) % num_primary_shards

另一方面：master节点会为每个shard分配相应的data节点进行存储，并维护相关元信息。通过route计算出来的shard序号，在元信息中找到对应的存储节点，便可完成数据分布。shard allocate的映射关系并不是完全不变的，当检测到数据分布不均匀、有新节点加入或者有节点挂掉等情况时就会进行调整，称为relocate。

三、Elasticsearch集群角色
一个分布式系统，是由多个节点各司其职、相互协作完成整体服务的，从架构上可以分为有中心管理节点和无中心管理节点两种，Elasticsearch属于前者。中心管理节点负责维护整个系统的状态和元信息，为了保证高可用性，通常是从一组候选节点中选举出来的，而非直接指定。按照职责，Elasticsearch将节点分为三种：master-eligible节点、data节点、ingest节点。master-eligible节点就是中心节点的候选人，通过选举算法从这些候选人中推选出大家公认的中心节点。data节点负责数据存储、查询，也是整个系统中负载最重的部分。ingest节点是针对Elasticsearch一个特定功能而设定的，Elasticsearch支持在数据写入前对数据进行相关的转换、处理，而这类节点就是负责这样的工作，从笔者遇到的实践来看，使用这类节点的并不多。

这三种角色是通过配置来设定的，可以同时设置到同一个节点上，即一个节点可以同时具备这三种功能。但是这种做法只适用于数据量小、业务较轻的场景，因为不同角色承担的功能所带来的负载是不同的，很可能因为数据写入/查询负载较重导致master节点通信受到影响，从而导致系统不稳定。所以，推荐将不同角色分离开，某个节点只负责其中一个功能，通常会设置dedicated master-eligible节点、data/ingest节点。前者负载很轻，只需要分配较低配置的机器，而后者对CPU、IO、Memory要求较高，需要配置更好的机器，实践中根据性能测试结果来调整。

前面说到，中心节点(master)是从一组候选人(master-eligible)中选举出来的，那设置多少个候选人是合理的？原则是要保证任何时候系统只有一个确定的master节点。考虑到一致性，只有被半数以上候选节点都认可的节点才能成为master节点，否则就会出现多主的情况。只有1个候选节点显然不能保证高可用；有2个时，半数以上（n/2+1）的个数也是2，任何一个出现故障就无法继续工作了；有3个时，半数以上的值仍然是2，恰好可以保证master故障或网络故障时系统可以继续工作。因此，3个dedicated master-eligible节点是最小配置，也是目前业界标配。

Elasticsearch以REST API形式对外提供服务，数据写入与查询都会发送HTTP(S)请求到服务端，由负载均衡将请求分发到集群中的某个节点上（任何非dedicated master-eligible节点）。如下图所示，节点1收到请求后，会根据相关的元信息将请求分发到shard所在的节点（2和3）上进行处理，处理完成后，节点2和3会将结果返回给节点1，由节点1合并整理后返回给客户端。这里的节点1扮演着协调者的角色，称为coordinate节点，任何节点在收到请求后就开始发挥协调者的角色，直到请求结束。在实际使用中，可以根据需要增加一些专用的coordinate节点，用于性能调优。

四、Elasticsearch数据写入
通过上面的整理可知，Elasticsearch数据写入的大致过程为：当有数据写入时，请求会先到达集群中的某个节点上，由该节点根据routing信息和元信息将相应的数据分发到对应的shard所在的节点上，可能是一个也可能是多个节点，取决于写入的数据。这些节点在收到分发出来的请求后，会经过一系列过程，最终将数据以segment的形式落地到磁盘上。

Elasticsearch数据写入过程包含同步与异步两个过程，如下图所示：
同步过程：是指在请求返回前做的事情，即包含在一个HTTP请求的过程中，客户端需要等其做完才能拿到结果。简单来看，这个过程需要完成三件事：第一，将操作记录写入到translog中，我们后面再来谈它的作用；第二，根据数据生成相应的数据结构，并写入到in-memory buffer，注意是写入到一个内存buffer中，不是磁盘；第三，将数据同步到所有replica shard中。完成这些之后，就会生成相应的结果返回给coordinate节点了。

异步过程：一般来说，写磁盘很慢，且非常耗费CPU与IO，在同步过程中，为了让请求尽快返回，并没有将数据直接落盘。Elasticsearch的最小数据单元是segment，而此时数据还在in-memory buffer中，因此这部分数据是不能被查询请求访问到的。只有当发生refresh动作，才会产生一个新的segment，将内存buffer中的数据写入到里面，同时清空buffer。默认refresh的时间间隔是1秒，可以配置，需要在实时性与性能之间进行权衡。此时虽然已经生成了新的segment文件，但是只是停留在filesystem cache中，并没有真正的落到磁盘中。这些动作的目的都是为了将"写磁盘"这件事尽可能的延后并变得低频，但是数据一直留在内存中始终是不安全的，很容易因为断电等原因导致数据丢失，因此每隔一段时间，Elasticsearch会真正做一次磁盘flush，完成数据的持久化。从写入请求过来到数据最终落盘，中间很长一段时间数据是停留在内存中的，那么如果在此期间机器断电岂不是会丢失数据？为了解决这个问题，就要用到上面所述的translog了。在请求返回前，必须要将操作记录写入到translog中并落盘，保证机器重启后可以恢复数据。显然这件事本身是会消耗性能的，但这也是保证数据不丢失的一个牺牲了，必须要做的。

segment是由refresh动作产生的，因此随着时间推移，会产生很多小segment，而每个segment都需要占用一定的资源，比如文件句柄、缓存等等，过多的segment势必会导致性能下降。因此每隔一段时间，Elasticsearch会做一次segment merge，将多个小的segment合并成一个大的segment。

最后再来看下前面提到的一个问题：因为segment是不可改变的，如何实现数据更新与删除？以删除为例，Elasticsearch将要删除的数据记录到一个叫.del文件中，每次查询时会将匹配到的数据跟这个文件中的数据做一次对比，去掉被删除的数据。直到segment merge时，会将.del文件和相应的segment文件一起加载进行合并，这时才真正删除了数据。

五、Elasticsearch存储结构
在介绍Elasticsearch存储结构之前，先来看看两种常见的查询需求：一种是精确匹配，比如查找作者姓名为"Bruce"的信息；另一种是全文检索，比如从1000个文章的标题中搜索出包含"分布式"的文章。对于第一个需求，只需要将每个名字作为一个term即可，"是"或"不是"；对于第二个，如果想知道标题中是否包含"分布式"，就需要提前将每个标题分解为多个term，比如"浅谈分布式存储系统"，可能会产生"浅谈"、"分布式"、"存储"、"系统"等多个term，具体取决于使用了哪一种分析器。

不管哪种情况，最后都是产生一组term，问题是用一个什么样的存储结构可以实现快速检索。这就是Elasticsearch的核心：inverted index。inverted index是一个二维结构，如下所示，包含一组排好序的term，每个term都关联有一些信息，这些信息指出哪些document包含了这个term。当需要查询包含关键词"分布式"的数据时，系统会先从inverted index中找出对应的term，获取到其对应的document id，然后就可以根据document id找出其信息了。

sample data：
1. {"author": "Bruce", "title": "浅谈分布式存储系统"}
2. {"author": "Bruce", "title": "常见的分布式系统"}
3. {"author": "David", "title": "分布式存储原理"}

inverted index for field "author":
-------------------------------
term     |   doc id
-------------------------------
Bruce    |   1, 2
David    |   3
-------------------------------

inverted index for field "title":
 -------------------------------
term     |   doc id
-------------------------------
常见      |   3
存储      |   1, 3
分布式    |   1, 2, 3
浅谈      |   1
系统      |   1, 2
原理      |   3
-------------------------------

通过inverted index，就可以根据关键词快速搜索出相关的document。除了这种查询，还有一种常见的需求是求聚合，即关系型数据库中的GROUP BY功能。比如查看写"分布式"相关的文章最多的10位作者，首先根据上述方法通过inverted index找到与"分布式"相关的所有document，然后需要对这些document的作者进行归类并计数，最后再排序取出TOP10。在"归类"时，我们需要知道每个document的作者名字，但是通过inverted index是无法直接查找到的，因为他是term-to-doc_id形式的，而我们这里需要的是doc_id-to-term形式的数据，只有通过循环迭代才能知道某个document的作者姓名是什么，这样做的效率无疑是很低的。

为了解决聚合的效率问题，Elasticsearch建立了一个与inverted index反向的数据结构：doc values，如下所示：

-------------------------------
doc id     |   terms
-------------------------------
1          |   Bruce
2          |   Bruce
3          |   David
-------------------------------

inverted index和doc values都是在数据写入时建立的，即上述的同步过程第二步中完成的。它们都是针对per segment而言的，数据最终以文件的形式存储，并且是immutable不可改变的。数据查询时，如果每次都去读取磁盘文件，其效率显然是无法接受的，Elasticsearch将这些文件内容映射到内存中，通过充分利用文件系统缓存来提高查询性能，因此在实践中建议保留足够的memory给系统。

六、Elasticsearch重要配置说明
elasticsearch的基础配置信息在elasticsearch.yml中，下面列出一些重要的配置：
1.  集群名称
默认情况下elasticsearch的集群名称是elasticsearch，在实际应用中应该设置一个有意义的集群名称：

cluster.name: elasticsearch-cluster-demo

2.  节点信息
elasticsearch节点是elasticsearch集群中的某一个节点，可由基本的三个信息描述，节点名称（node.name）,是否为主节点（node.master）,是否为数据节点（node.data）。默认情况下，节点名称在每次启动的时候会随机生成，所以应该为节点设置一个有意义的名称，以方便排查问题。而节点又分为主节点、数据节点、客户端节点、部落节点，下面是一个节点（只为主节点）的配置样例：

node.name: node-master-one
node.master: true
node.data: false

3.  数据存储路径/日志路径
默认情况下，elasticsearch数据和日志的存储路径是在安装目录下，为了防止被误删掉，应该重新设置路径。配置样例如下：

# Path to directory where to store the data (separate multiple locations by comma):
# es data 存储路径（多个路径可用','隔开）
path.data: /data/elasticsearch-cluster/elasticsearch-master-one/data
#
# Path to log files:
# log存储路径
path.logs: /data/elasticsearch-cluster/elasticsearch-master-one/logs

4.  网络绑定监听
在搭建elasticsearch的时候，也应该去修改其监听的主机IP，至于端口可以用默认的：

# Set the bind address to a specific IP (IPv4 or IPv6):
# 网路监听
network.host: 0.0.0.0
http.port: 9200
transport.tcp.port: 9300

5.  最小主节点数
如果是搭建elasticsearch集群，那么应该设置最小主节点这个设置，以便防止脑裂现象：多个主节点同时存在与一个集群（一个集群只允许有一个主节点）。集群的主节点是集群的最高统治者，控制着索引的创建和分片的移动策略等；如果一个集群出现多个主节点，那么就好比一个团队出现两个leader一样，原本的一个整体被划分，对于elasticsearch集群来讲就是原本的分片（数据）被分开，这样数据就可能出现不完整性。

集群的主节点是靠所有有资格竞选主节点的节点（即节点信息设置node.master为true）投票选举出来的，所以现在获得的投票数量应该大于总票数半。所以在elasticsearch中，是设定当候选的master节点达到设定的法定个数的时候才进行主节点选举：法定个数 = master-eligible nodes / 2 + 1

# Prevent the "split brain" by configuring the majority of nodes (total number of master-eligible nodes / 2 + 1):
# 最小主节点个数
discovery.zen.minimum_master_nodes: 2

因为elasticsearch节点是可以动态删除和添加的，所以这个设置是可以通过API动态设置的。

6.  集群恢复
elasticsearch集群在启动的时候，会做数据平衡操作。比如，一个10个节点5/1分片策略（5个分片，5个副本分片）的集群，平衡下来是每个节点一个分片，如果集群在重启的时候，有5个节点因为网络原因一段时间内未启动成功，可能会出现一种情况：启动的5个节点中有3个主分片，2个副分片。这时候就会出现主分片数据不完整和不均匀分布，此时集群会自动做数据的平衡操作。若一段时间后，另外的5个节点重新上线了，发现本身的数据在集群中已存在，则又会做平衡操作。这样，两次数据平衡移动操作，会占用磁盘和带宽，若数据量大则影响可想而知。所以可以做如下控制，来保障集群重启时数据恢复花费时间尽可能短：

1）设置集群可提供服务的条件：最小上线节点数

gateway.recover_after_nodes: 8

2）设置集群数据恢复条件：等待多少分钟，或这有多少个节点上线（具体取决与条件的先达性）

gateway.expected_nodes: 10
gateway.recover_after_time: 5m

7.  集群节点发现
使用单播方式，为节点提供其应该去尝试连接的节点列表，连接成功，得到集群的状态信息，便加入集群。节点列表中可以不是全部节点，只要能保障能进入集群即可（可以选用部分候选主节点）。

# 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]"]
# 候选主节点ip:port
discovery.zen.ping.unicast.hosts: ["127.0.0.1:9300"]

8.  推迟分片分配
elasticsearch集群在运行的时候，当有节点加入或离开的时候，会进行分片均衡操作，这个过程有些像集群重启时的数据恢复过程，可能会导致出现多次分片在均衡的过程，所以需要设置延迟分片分配，以尽量避免该情形出现。

# 延迟5min
delayed_timeout: 5m

该设置同样可以通过API的形式动态设置。

9.  禁止内存交换
内存交换会影响性能，elasticsearch官方推荐允许JVM锁住内存，禁止出现内存交换的情况：

bootstrap.mlockall: true

10.  其他配置
1）Elasticsearch JVM内存
elasticsearch默认的安装内存是1g，这个可以根据需要来设置，在elasticsearch的config目录中的jvm.options中：

# Xms represents the initial size of total heap space
# Xmx represents the maximum size of total heap space

-Xms1g
-Xmx1g

当然，这个内存不是随便设置的，推荐的是最大值和最小值一样，以避免堆内存改变时浪费系统资源。其次是即便硬件资源足购大，也不要分配超过32G（具体原因可参考Elasticsearch权威指南：不要超过32GB），可以多给底层lucenen多分点。

2）文件描述符和MMap内存映射
elasticsearch在节点在通信时会产生大量套接字，以及elasticsearch底层的lucene使用了大量文件，所以需要足够的文件描述符，而linux中一般都是做有限制的，所以应该修改为大一点的值。可以修改文件/etc/security/limits.conf，添加如下配置,配置值设为需要的值即可：

#<domain>   <type>  <item>  <value>
#四个元素的意义在该文件中均有详细描述
elasticsearch soft nofile 65536
elasticsearch hard nofile 65536

elasticsearch对文件混合使用了NioFs（非阻塞文件系统）和 MMapFs （ 内存映射文件系统），所以要保障有足够的虚拟内存用于映射。可以直接修改/etc/sysctl.conf文件添加如下配置，配置值设为需要的值。下面内容添加到sysctl.conf文件中后，执行"sysctl -p"命令使配置生效即可。

vm.max_map_count=655360

这两项如果在启动elasticsearch之前不进行设置的话，在启动elasticsearch的时候也可能会直接报相关的error以致无法启动成功。

3）GC配置和线程池
这两个配置，es官方强烈建议不要做修改，具体原因可参考：Elasticsearch权威指南：不要触碰这些配置

七、Elasticsearch集群异常分析
随着业务的增长与发展，不同的Elasticsearch集群承担着多厚多样的功能需求。尤其是当集群规模增长、业务庞大时，需要耗费大量的精力运维集群。最坏的情况，Elasticsearch集群崩溃，无法正常承担各项业务。导致ES集群崩溃的大多数原因是master节点、数据节点的宕机。下面总结节点：

1.  节点负载过高，导致节点失联
以Elasticsearch集群的数据节点与master节点为例，当有任何一个节点负载过高，都可能导致单节点宕机从而挑战集群的可用性。master节点负载高会严重影响到集群稳定性，可能发生master漂移，节点上下线，分片丢失，负载增高，甚至阻塞读写等。

应对措施：可以确认下是否有大量频繁的修改，创建，删除索引操作，并尽量避免这种行为。可以考虑使用更高配置的节点用增加系统高稳定性。因此，我们需要检测过去一段时间内Elasticsearch节点负载情况（脚本方式等），提前获知并拯救集群于崩溃边缘。

2. 索引副本丢失，数据可靠性受损
索引的副本一方面是保证数据的可靠性，保证在数据丢失的状态下依旧可以恢复如初；一方面副本数的增加可提高查询的性能。在存储空间占用过满时，极有可能导致索引副本丢失。因此检查副本的存在状态，可帮助提高数据的可靠性。在Elasticsearch集群重启的过程中，只有在副本数量完整时才能保证服务的持续进行。

应对措施：监控Elasticsearch集群基本颜色状态，检查shard分片是否丢失。颜色不正常的索引会影响数据读写。索引副本丢失（YELLOW）会影响到数据的可靠性和读写性能；索引主分片丢失（RED）会导致数据丢失。所以要极度重视和关注Elasticsearch集群颜色状态的监控，遇到异常，及时处理！

3.  数据写入失败，集群压力过大
在写操作进行的过程中，可能会因Elasticsearch集群压力，导致读写任务堆积过多。如果在此情况下继续增加写入，则可能会引起集群的崩溃。检查集群写数据是否有堆积，如果写入存在堆积，则会造成RulkReject异常，可能会导致数据丢失，且会造成系统资源消耗严重。

应对措施：通过调用线程池查看实际成功、失败任务情况，使用分批写入的方式解决写入堆积困境，给集群减压。可以通过ES_API查看队列情况，GET _cat/thread_pool/bulk?v，建议增加更多的数据解读或降低bulk写入频率和大小。

八、Elasticsearch集群性能提升
如何在固定配置的情况下更大程度发挥集群可用性能，是我们最关心的问题。从Elasticsearch内部逻辑与架构，数据节点是任务载体与执行依托，shard是索引与搜索的主要承担者，副本是提升性能的重要抓手，分批写入与防止稀疏是必备方式。如何提升集群性能，下面从数据节点负载、shard合理性两方面简单做下说明。

1.  数据节点抓偏离，防止单节点瓶颈
在各数据节点负载均衡的条件下，性能会趋向于最优的实践。如果发生单节点负载过高，与其他节点产生较大差异，则高负载节点可能成为"拖油瓶"，拉低整体集群数据节点任务执行，甚至存在脱离集群的风险。监控Elasticsearch集群当天的节点负载偏差是否过大，节点间负载不一致会使得某个节点成为系统瓶颈，影响集群稳定性。应尝试调整shard分片数或数据节点数，尽可能保证两者均衡。

2.  shard、segment合理性评估，升性能调负载
不同的Elasticsearch集群应用场景对性能承载着不同的需求。索引的载体就是shard，搜索结果的返回也是多个shard共同的返回结果。Shard数与节点间的负载均衡、查询性能和存储空间利用均有着非常重要的关系。shard数和大小不合理会极大的影响索引读写性能，shatd过少会影响索引读写性能，shard过多会占用较多系统资源。通过读取索引shard、节点shard，检查判断是否因索引segment过多导致碎片化，引发离线数据写入过慢，从而在适当的时间执行段合并操作，即调整部分索引的shard数，提升离线数据的写入速度，均衡负责，提升性能，节省空间。