elasticsearch 集群

集群

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。

• 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，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：

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

搭建ES集群

首先编写一个docker-compose.yml文件，内容如下：

version: '2.2'
services:
  es01:
    image: docker.elastic.co/elasticsearch/elasticsearch:7.12.1
    container_name: es01
    environment:
      - node.name=es01
      - cluster.name=es-docker-cluster
      - discovery.seed_hosts=es02,es03
      - cluster.initial_master_nodes=es01,es02,es03
      - bootstrap.memory_lock=true
      - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
    ulimits:
      memlock:
        soft: -1
        hard: -1
    volumes:
      - data01:/usr/share/elasticsearch/data
    ports:
      - 9200:9200
    networks:
      - elastic
  es02:
    image: docker.elastic.co/elasticsearch/elasticsearch:7.12.1
    container_name: es02
    environment:
      - node.name=es02
      - cluster.name=es-docker-cluster
      - discovery.seed_hosts=es01,es03
      - cluster.initial_master_nodes=es01,es02,es03
      - bootstrap.memory_lock=true
      - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
    ulimits:
      memlock:
        soft: -1
        hard: -1
    volumes:
      - data02:/usr/share/elasticsearch/data
    networks:
      - elastic
  es03: // 定义了集群的服务名称
    image: docker.elastic.co/elasticsearch/elasticsearch:7.12.1
    container_name: es03 // 定义了容器的名称
    environment: // 定义了集群的环境
      - node.name=es03 // 定义了节点的名称
      - cluster.name=es-docker-cluster // 定义了集群的名称
      - discovery.seed_hosts=es01,es02 // 定义了集群的种子节点
      - cluster.initial_master_nodes=es01,es02,es03 // 定义了集群的初始主节点
      - bootstrap.memory_lock=true // 锁定内存
      - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
    ulimits: // 定义了容器中进程的资源限制
      memlock: // 指定了对内存锁定（locked memory）的限制
        soft: -1 // 设置了内存锁定的软限制为无限制
        hard: -1 // 设置了内存锁定的硬限制为无限制
    volumes:
      - data03:/usr/share/elasticsearch/data
    networks:
      - elastic

volumes: // 定义数据卷
  data01: // 定义了一个名为data01的数据卷
    driver: local // 使用本地驱动, 意味着卷的数据将存储在宿主机的本地文件系统中，但具体的存储路径由 Docker 管理
  data02:
    driver: local
  data03:
    driver: local

networks: // 自定义网络
  elastic: // 定义了一个名为elastic的网络
    driver: bridge // 桥接网络（bridge）

导航到包含 docker-compose.yml 文件的目录，运行docker-compose.yml文件

docker-compose up -d

docker compose up -d

docker-compose和docker compose 的区别

1. 安装方式：

   • docker-compose up 需要单独安装 Docker Compose。
   • docker compose up 是 Docker CLI 的内置插件，无需单独安装。

2. 命令命名空间：

   • docker-compose up 使用独立的命名空间 docker-compose。
   • docker compose up 使用 docker 命令下的子命令 compose。

3. 功能和行为：

   • 两者在大多数情况下功能相似，但在某些高级用法或新特性上可能有所不同。docker compose 通常会包含更多的改进和优化。
   • docker compose 可能支持更多的 Docker CLI 标准化选项和参数。

集群状态监控

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

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

解压即可使用，非常方便。

解压好的目录如下：

进入对应的bin目录：

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：

绿色的条，代表集群处于绿色（健康状态）。

创建索引库

1）利用kibana的DevTools创建索引库

在DevTools中输入指令：

PUT /itcast
{
  "settings": {
    "number_of_shards": 3, // 分片数量
    "number_of_replicas": 1 // 副本数量
  },
  "mappings": {
    "properties": {
      // mapping映射定义 ...
    }
  }
}

2）利用cerebro创建索引库

利用cerebro还可以创建索引库：

填写索引库信息：

查看分片效果

回到首页，即可查看索引库分片效果：