HM-SpringCloud微服务系列7.4【ES集群】

1 集群结构介绍

  • 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。
    image

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。
  1. 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！
  2. 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
  3. 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：
    image
  4. 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

2 搭建ES集群

计划：利用3个docker容器模拟3个es的节点

2.1 部署ES集群

部署es集群可以直接使用docker-compose来完成，不过要求你的Linux虚拟机至少有4G的内存空间
然而虚拟机最大允许3G，所以不改了，2G先搭建试试
image

首先编写一个docker-compose文件，内容如下：

点击查看代码 
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:
    image: docker.elastic.co/elasticsearch/elasticsearch:7.12.1
    container_name: es03
    environment:
      - node.name=es03
      - cluster.name=es-docker-cluster
      - discovery.seed_hosts=es01,es02
      - cluster.initial_master_nodes=es01,es02,es03
      - bootstrap.memory_lock=true
      - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
    ulimits:
      memlock:
        soft: -1
        hard: -1
    volumes:
      - data03:/usr/share/elasticsearch/data
    networks:
      - elastic

volumes:
  data01:
    driver: local
  data02:
    driver: local
  data03:
    driver: local

networks:
  elastic:
    driver: bridge

上传到虚拟机root目录下
image
image

es运行需要修改一些linux系统权限，修改/etc/sysctl.conf文件
vi /etc/sysctl.conf
添加下面的内容：
vm.max_map_count=262144
然后执行以下命令让配置生效
sysctl -p
image
image

通过docker-compose启动集群docker-compose up -d
image
原先的单es节点占据了9200端口，现在停止一下
image
image
由于内存占用过高，现将mq和kibana也停掉
image
ok

2.2 使用cerebro监控集群状态

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
课前资料已经提供了安装包：
image
解压即可使用，非常方便。
解压好的目录如下：
image
进入对应的bin目录：
image
双击其中的cerebro.bat文件即可启动服务。
image
image
访问http://localhost:9000即可进入管理界面：
image
输入你的elasticsearch的任意节点的地址和端口(比如http://10.193.193.141:9200)，点击connect即可：
绿色的条，代表集群处于绿色（健康状态）。
image

2.3 创建索引库

2.3.1 方式1：利用kibana的DevTools创建索引库

每个索引库的分片数量、副本数量都是在创建索引库时指定的，并且分片数量一旦设置以后无法修改。DSL语法如下：

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 ...
    }
  }
}

因为kibana已经停掉了，所以此处我们采用方式2

2.3.2 方式2：利用cerebro创建索引库

利用cerebro也可以创建索引库：
image
填写索引库信息，点击右下角的create按钮：
image
提示创建成功后，手动返回overview
image

3 集群脑裂问题

3.1 集群职责划分

  1. ES集群节点有不同的职责划分（节点角色）
    image
  2. 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。
  3. 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，但是内存要求第
    • data节点：对CPU和内存要求都高
    • coordinating节点：对网络带宽、CPU要求高
  4. 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。
  5. ES中的每个节点角色都有自己不同的职责，因此建议集群部署时，每个节点都有独立的角色。
  6. 一个典型的es集群职责划分如图（ES集群的分布式查询）：
    image
    LB：load balance 负载均衡，比如nginx
    三个协调节点
    n个数据节点
    一个master主节点，两个备用，即从节点（万一挂掉一个，可以从另两个中选出一个来顶上）

3.2 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：
    image
  • 此时，node2和node3认为node1宕机，就会重新选主：
    image
  • 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：
    image
  • 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es7.0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。

3.3 小结

  1. master eligible节点的作用是什么？
    • 参与集群选主
    • 主节点可以管理集群状态、管理分片信息、处理创建和删除索引库的请求
  2. data节点的作用是什么？
    • 数据的CRUD
  3. coordinator节点的作用是什么？
    • 路由请求到其它节点
    • 合并查询到的结果，返回给用户

4 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？

4.1 分片存储测试

因为kibana未启动，此处使用api测试工具进行新增文档测试
image
image
image
在9200，即es1节点插入了三条数据
9200查询
image

点击查看代码 
{
    "took": 16117,
    "timed_out": false,
    "_shards": {
        "total": 3,
        "successful": 3,
        "skipped": 0,
        "failed": 0
    },
    "hits": {
        "total": {
            "value": 3,
            "relation": "eq"
        },
        "max_score": 1.0,
        "hits": [
            {
                "_index": "itcast",
                "_type": "_doc",
                "_id": "5",
                "_score": 1.0,
                "_source": {
                    "title": "试着插入一条 id=5"
                }
            },
            {
                "_index": "itcast",
                "_type": "_doc",
                "_id": "3",
                "_score": 1.0,
                "_source": {
                    "title": "试着插入一条 id=3"
                }
            },
            {
                "_index": "itcast",
                "_type": "_doc",
                "_id": "1",
                "_score": 1.0,
                "_source": {
                    "title": "试着插入一条 id=1"
                }
            }
        ]
    }
}

9201查询、9202查询也都能查出9200中插入的数据
image

点击查看代码 
{
    "took": 393,
    "timed_out": false,
    "_shards": {
        "total": 3,
        "successful": 3,
        "skipped": 0,
        "failed": 0
    },
    "hits": {
        "total": {
            "value": 3,
            "relation": "eq"
        },
        "max_score": 1.0,
        "hits": [
            {
                "_index": "itcast",
                "_type": "_doc",
                "_id": "5",
                "_score": 1.0,
                "_source": {
                    "title": "试着插入一条 id=5"
                }
            },
            {
                "_index": "itcast",
                "_type": "_doc",
                "_id": "3",
                "_score": 1.0,
                "_source": {
                    "title": "试着插入一条 id=3"
                }
            },
            {
                "_index": "itcast",
                "_type": "_doc",
                "_id": "1",
                "_score": 1.0,
                "_source": {
                    "title": "试着插入一条 id=1"
                }
            }
        ]
    }
}

image

点击查看代码 
{
    "took": 1585,
    "timed_out": false,
    "_shards": {
        "total": 3,
        "successful": 3,
        "skipped": 0,
        "failed": 0
    },
    "hits": {
        "total": {
            "value": 3,
            "relation": "eq"
        },
        "max_score": 1.0,
        "hits": [
            {
                "_index": "itcast",
                "_type": "_doc",
                "_id": "5",
                "_score": 1.0,
                "_source": {
                    "title": "试着插入一条 id=5"
                }
            },
            {
                "_index": "itcast",
                "_type": "_doc",
                "_id": "3",
                "_score": 1.0,
                "_source": {
                    "title": "试着插入一条 id=3"
                }
            },
            {
                "_index": "itcast",
                "_type": "_doc",
                "_id": "1",
                "_score": 1.0,
                "_source": {
                    "title": "试着插入一条 id=1"
                }
            }
        ]
    }
}

通过explain命令查看数据到底被存储到哪个分片上了
image
测试可以看到，三条数据分别在不同分片：
image
image
image

点击查看代码 
{
    "took": 333,
    "timed_out": false,
    "_shards": {
        "total": 3,
        "successful": 3,
        "skipped": 0,
        "failed": 0
    },
    "hits": {
        "total": {
            "value": 3,
            "relation": "eq"
        },
        "max_score": 1.0,
        "hits": [
            {
                "_shard": "[itcast][0]",
                "_node": "opfq11MgSRGyAdEW9ccG_A",
                "_index": "itcast",
                "_type": "_doc",
                "_id": "5",
                "_score": 1.0,
                "_source": {
                    "title": "试着插入一条 id=5"
                },
                "_explanation": {
                    "value": 1.0,
                    "description": "*:*",
                    "details": []
                }
            },
            {
                "_shard": "[itcast][1]",
                "_node": "opfq11MgSRGyAdEW9ccG_A",
                "_index": "itcast",
                "_type": "_doc",
                "_id": "3",
                "_score": 1.0,
                "_source": {
                    "title": "试着插入一条 id=3"
                },
                "_explanation": {
                    "value": 1.0,
                    "description": "*:*",
                    "details": []
                }
            },
            {
                "_shard": "[itcast][2]",
                "_node": "5D357h36SKS7oQHZ6yjzhQ",
                "_index": "itcast",
                "_type": "_doc",
                "_id": "1",
                "_score": 1.0,
                "_source": {
                    "title": "试着插入一条 id=1"
                },
                "_explanation": {
                    "value": 1.0,
                    "description": "*:*",
                    "details": []
                }
            }
        ]
    }
}

4.2 分片存储原理

  1. elasticsearch会通过hash算法来计算文档应该存储到哪个分片：
    image
  2. 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！
  3. 新增文档的流程如下：
    image
  4. 解读：
    • 1）新增一个id=1的文档
    • 2）对id做hash运算，假如得到的是2，则应该存储到shard-2
    • 3）shard-2的主分片在node3节点，将数据路由到node3
    • 4）保存文档
    • 5）同步给shard-2的副本replica-2，在node2节点
    • 6）返回结果给coordinating-node节点

5 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

image

image

6 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。

  1. 例如一个集群结构如图：
    image
    现在，node1是主节点，其它两个节点是从节点。

  2. 突然，node1发生了故障：
    image
    宕机后的第一件事，需要重新选主，例如选中了node2：
    image
    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：
    image

  3. 演示
    image
    目前es02是主节点，现在手动将其停掉，模拟宕机
    image
    黄色条表示不健康
    image
    稍等一会，会自动故障转移
    image
    虽然现在es02已经挂掉了，但9202查询仍可用
    image

点击查看代码 
{
    "took": 47,
    "timed_out": false,
    "_shards": {
        "total": 3,
        "successful": 3,
        "skipped": 0,
        "failed": 0
    },
    "hits": {
        "total": {
            "value": 3,
            "relation": "eq"
        },
        "max_score": 1.0,
        "hits": [
            {
                "_index": "itcast",
                "_type": "_doc",
                "_id": "5",
                "_score": 1.0,
                "_source": {
                    "title": "试着插入一条 id=5"
                }
            },
            {
                "_index": "itcast",
                "_type": "_doc",
                "_id": "3",
                "_score": 1.0,
                "_source": {
                    "title": "试着插入一条 id=3"
                }
            },
            {
                "_index": "itcast",
                "_type": "_doc",
                "_id": "1",
                "_score": 1.0,
                "_source": {
                    "title": "试着插入一条 id=1"
                }
            }
        ]
    }
}

现在重启es02节点
image
再来查看集群状态
image
稍等一下
image
再等一下
image
ok

image

posted @   yub4by  阅读(73)  评论(0)  编辑  收藏  举报
相关博文：
· HM-SpringCloud微服务系列5.1【初识elasticsearch】
· HM-SpringCloud微服务系列10.4【Redis分片集群】
· 分布式搜索引擎03
· elasticsearch 集群
· elasticsearch集群搭建
阅读排行：
· 被坑几百块钱后，我竟然真的恢复了删除的微信聊天记录！
· 没有Manus邀请码？试试免邀请码的MGX或者开源的OpenManus吧
· 【自荐】一款简洁、开源的在线白板工具 Drawnix
· 园子的第一款AI主题卫衣上架——"HELLO! HOW CAN I ASSIST YOU TODAY
· Docker 太简单，K8s 太复杂？w7panel 让容器管理更轻松！
点击右上角即可分享
微信分享提示