Elasticsearches 集群健康值 红色 red 分片 未分配

Posted 2021-06-30 九师兄

1.概述

转载：https://zhuanlan.zhihu.com/p/101608973

转载这篇文章是因为根据我的文章

【Elasticsearch】elasticsearch 7.x 查看分片未分配 (UNASSIGNED) 的原因

【Elasticsearch】Elasticsearch 集群健康值红色 解决方案 或者 分片 未分配

讲解了大部分分片未分配的原因，但是一步一步的排查，深入的排查，这篇文章可以弥补。

前言

可能你经历过这些Red.

。。。等等

那ES的Red是神么意思？

这里说的red,是指es集群的状态，一共有三种，green、red、yellow。具体含义：

冷静分析
从上图可知，集群red是由于有主分片不可用，这种情况一般是由于节点宕机。

有什么影响呢？

至少一个主分片（以及它的全部副本）都在缺失中。这意味着你在缺少数据：搜索只能返回部分数据，而分配到这个分片上的写入请求会返回一个异常。

此时我们可以执行相关的命令进行状态检查。

集群节点是否都存在、查看集群状态。

curl -uelastic:pwd  -XGET "http://ip:9200/_cluster/health?pretty"

• active_shards 是涵盖了所有索引的所有分片的汇总值，其中包括副本分片。

• relocating_shards 显示当前正在从一个节点迁往其他节点的分片的数量。通常来说应该是 0，不过在 Elasticsearch 发现集群不太均衡时，该值会上涨。比如说：添加了一个新节点，或者下线了一个节点。

• initializing_shards 显示的是刚刚创建的分片的个数。比如，当你刚创建第一个索引，分片都会短暂的处于 initializing 状态，分片不应该长期停留在 initializing 状态。你还可能在节点刚重启的时候看到 initializing 分片：当分片从磁盘上加载后，它们会从 initializing 状态开始。所以这一般是临时状态。

• unassigned_shards 是已经在集群状态中存在的分片，但是实际在集群里又找不着。最常见的体现在副本上。比如，我有两个es节点，索引设置分片数量为 10， 3 副本，那么在集群上，由于灾备原则，主分片和其对应副本不能同时在一个节点上,es无法找到其他节点来存放第三个副本的分片，所以就会有 10 个未分配副本分片。如果你的集群是 red 状态，也会长期保有未分配分片（因为缺少主分片）。

unassigned_shards原因1

上面说了一种造成 unassigned_shards的原因，就是副本太多，节点太少，es无法完成分片。
举一反三！由于索引的副本是可以动态修改的，那么，如果在修改时分配的副本数大于节点数目，那么肯定会有分片是这个状态。
这种情况的解决办法有两种：
1、是动态调整一下副本数量。
2、新加入一个节点来平衡。

unassigned还有其他原因？

目前集群爆红，但是所有节点都还在，有点诡异，从集群状态看，一共是两个分片有问题，一个正在初始化，一个是unassigned。确定了故障范围后，我们再来从索引层面、分片层面深入的分析具体原因把。

索引层面分析

再执行

curl -uelastic:pwd  -XGET "http://ip:9200/_cluster/health?pretty&level=indices"

没错，还是这个api,不过值得注意的是level=indices，想必读者已经心领神会。这个api返回的是一个格式化后的json，如果太长，推荐输出到一个文本里面看。

![从返回的信息中，我们可以看到，01-04索引目前状态为red,它有2个分片，0个副本，有一个分片正在初始化，从这个数据可以看出，受影响的是主分片，想到这里，感到慌不择路。

分片层面分析

少侠，莫慌

知道了索引层面的故障信息，我们继续深究，看看分片层面。

curl -uelastic:pwd  -XGET "http://ip:9200/_cluster/health?level=shards"

当然，重点还是level=shards，显示如下：

至此，我们可以得到更多的线索：

索引名：xxx-01-04。
分片数量：2。
副本数：0。
有问题的分片号：0。并且是主分片。
分片状态：initializing。说明正在初始化，自我恢复中。
既然是在恢复，那找恢复相关的api，看看。

curl -u elastic:pwd -XGET http://ip:9200/索引名/_recovery?pretty=true

从上图可以看到，花费了14.1个小时，从translog中恢复！目前进度很是堪忧。配合kibana看一下：

插播一下，translog的知识

我们把数据写到磁盘后,还要调用fsync才能把数据刷到磁盘中,如果不这样做在系统掉电的时候就会导致数据丢失,这个原理相信大家都清楚,elasticsearch为了高可靠性必须把所有的修改持久化到磁盘中。

我们的数据先写入到buffer里面，在buffer里面的数据时搜索不到的，同时将数据写入到translog日志文件之中。如果buffer快满了，或是一段时间之后，就会将buffer数据refresh到一个新的OS cache之中。

translog的作用：在执行commit之前，所有的而数据都是停留在buffer或OS cache之中，无论buffer或OS cache都是内存，
一旦这台机器死了，内存的数据就会丢失，所以需要将数据对应的操作写入一个专门的日志文件之中。

一旦机器出现宕机，再次重启的时候，es会主动的读取translog之中的日志文件数据，恢复到内存buffer和OS cache之中。
整个commit过程就叫做一个flush操作

其实translog的数据也是先写入到OS cache之中的，默认每隔5秒之中将数据刷新到硬盘中去，也就是说，
可能有5秒的数据仅仅停留在buffer或者translog文件的OS cache中，如果此时机器挂了，
会丢失5秒的数据，但是这样的性能比较好，我们也可以将每次的操作都必须是直接fsync到磁盘，但是性能会比较差。

上述摘录于互联网，写得清晰明了，可以参考一下，分析看了日志也没有找到其他有用的信息，由于是历史索引，就将其删除掉了，虽然没有定位到根本原因，不过记录一下排查过程总是好的。

剩下的unassigned分片

解决了一个问题，那么还剩下一个分片是未分配的，还是从索引层面和分片层面查询检查，发现同样是0号主分片出问题。
尝试手动分配

curl -uelastic:pwd -XPOST 'http://ip:9200/_cluster/reroute' -H"Content-Type:application/json" -d '{
        "commands" : [ {
              "allocate_stale_primary" : {
                  "index" : "B_2020-01-05",
                  "shard" : 0,
                  "node" : "SL8u8zKESy6rSHjHO0jEvA"
               
              }
            }
        ]
    }'

报错：

No data for shard [0] of index [B_2020-01-05] found on node [SL8u8zKESy6rSHjHO0jEvA]"},"status":400}

尝试手动分配失败后，更换思路。摆脱掉各种复杂的查询API，使用es为我们提供的一个Explain API，它会解释为什么分片没有分配，解决问题之前，先诊断诊断。

curl -uelastic:pwd -XGET "http://ip:9200/_cluster/allocation/explain" -H"Content-Type:application/json" -d '{
  "index": "B_2020-01-05",
  "shard": 0,
  "primary": true
}'

看上述错误，分片被锁住了，尝试分配，但是被拒绝，手动分配时，可以指定"acceptdataloss" : true。但这样会导致数据完全丢失。

这种情况一般出现在有结点短暂离开集群，然后马上重新加入，并且有线程正在对某个shard做bulk或者scroll等长时间的写入操作。等结点重新加入集群的时候，由于shard lock没有释放，master无法allocate这个shard。 通常/cluster/reroute?retryfailed=true可以解决问题，如果按照你说的依然无法解决，可能还有其他原因导致锁住该shard的线程长时间操作该shard无法释放锁（长时间GC?)。

如果retryfailed无法解决问题，可以尝试一下allocatestale_primary，前提是需要知道这个shard的primary在哪个结点上。实在解决不了，又不想丢数据，还可以重启一下该结点，内存锁应该可以释放。

执行集群reroute命令：

curl -XPOST "http://ip:9200/_cluster/reroute?retry_failed=true"

再看分片状态：

此时集群已经恢复Green。大功告成。

总结

一、遇到集群Red时，我们可以从如下方法排查：

集群层面：/_cluster/health。
索引层面：/_cluster/health?pretty&level=indices。
分片层面：/_cluster/health?pretty&level=shards。
看恢复情况：/_recovery?pretty。

二、有unassigned分片的排查思路

_cluster/allocation/explain，先诊断。
/_cluster/reroute尝试重新分配。

三、数据重放

如果实在恢复不了，那只能索引重建了。提供一种思路：

先新建备份索引

curl -XPUT ‘http://xxxx:9200/a_index_copy/‘ -d ‘{
“settings”:{
        “index”:{
                “number_of_shards”:3,
                “number_of_replicas”:2
            }
    }
}

通过reindex，将目前可用的数据导入：

POST _reindex{"source": {"index": "a_index"},"dest": {"index": "aindexcopy","op_type": "create"}}

删除a_index索引，这个必须要先做，否则别名无法添加

.curl -XDELETE ‘http://xxxx:9200/a_index’

创建aindexcopy索引

curl -XPUT ‘http://xxxx:9200/a_index_copy/‘ -d ‘{
“settings”:{
                “index”:{
                “number_of_shards”:3,
                “number_of_replicas”:2
            }
    }
}

通过reindex api将aindex数据copy到aindex_copy。

POST _reindex
{
"source": {
            "index": "a_index"
            },
            "dest": {
            "index": "a_index_copy",
            "op_type": "create"
    }
}

删除a_index索引，这个必须要先做，否则别名无法添加

curl -XDELETE 'http://xxxx:9200/a_index'

给aindexcopy添加别名a_index

curl -XPOST 'http://xxxx:9200/_aliases' -d '
{
        "actions": [
            {"add": {"index": "a_index_copy", "alias": "a_index"}}
    ]
}'