记一次线上环境 ES 主分片为分配故障

Posted 2022-08-22

故障前提

ElasticSearch 版本：5.2
集群节点数：5
索引主分片数：5
索引分片副本数：1

线上环境ES存储的数据量很大，当天由于存储故障，导致一时间 5个节点的 ES 集群，同时有两个节点离线，一个节点磁盘只读（机房小哥不会处理，无奈只有清空数据重新安装系统），一个节点重启后，ES集群报个别索引分片分配异常，ES索引出于保证数据一致性的考虑，并没有把重启节点上的副本分片提升为主分片，所以该索引处于 不可写入 状态（索引分片 red）。

处理方案

在网上找了找类似的处理方案，分为以下几个。

1. 利用 _reroute API 进行分片路由。

   pass： 分片都启不来，按照网上的操作执行失败。

2. 利用 _reindex API 进行现有数据重新复制到新索引，然后把旧索引删除，新索引建立别名为老索引名称。

   优点：因为如图分片 0 出于只读状态，所以数据是可以访问的，所以利用_reindex可以把副本分片的数据进行复制迁移到新索引，最大保证数据的安全性。
   缺点：因为涉及的数据量比较大，而且_reindex效率很低，220G 的索引数据，大概要3-4天的时间才能写入完毕。线上环境等不了这么久。
   也找了许多提升_reindex效率的方法，设置新索引的副本数为 0，禁用刷新 等等。提升效果都很小。

3. 线上环境能够接受该索引部分数据的丢失，但求尽快恢复服务。

找了下官方文档，找到了如下方法。

[root@***es4 ~]# curl ‘http://localhost:9201/s2*******r201908/_shard_stores?pretty‘

  "indices" : 
    "s2********201908" : 
      "shards" : 
        "0" : 
          "stores" : [
            
              "kgEDY2A4TBKK6lFzqsurnQ" : 
                "name" : "es3",
                "ephemeral_id" : "72HkjNj5S-qyl6gmVkbWeg",
                "transport_address" : "10.2.97.130:9300",
                "attributes" :  
              ,
              "allocation_id" : "B4G1nHTgQieomyy-KME1ug",
              "allocation" : "unused"
            ,
            
              "d3WYyXhBQvqYbZieXzfCNw" : 
                "name" : "es5",
                "ephemeral_id" : "deBE6DjyRJ-kXdj0XU7FzQ",
                "transport_address" : "10.2.101.116:9300",
                "attributes" :  
              ,
              "allocation_id" : "svMhSywPSROQa7MnbvKB-g",
              "allocation" : "unused",
              "store_exception" : 
                "type" : "corrupt_index_exception",
                "reason" : "failed engine (reason: [corrupt file (source: [index])]) (resource=preexisting_corruption)",
                "caused_by" : 
                  "type" : "i_o_exception",
                  "reason" : "failed engine (reason: [corrupt file (source: [index])])",
                  "caused_by" : 
                    "type" : "corrupt_index_exception",
                    "reason" : "checksum failed (hardware problem?) : expected=24fb23d3 actual=66004bad (resource=BufferedChecksumIndexInput(MMapIndexInput(path=\"/var/lib/elasticsearch/nodes/0/indices/oC_7CtFfS2-pa3OoBDAlDA/0/index/_1fjsf.cfs\") [slice=_1fjsf_Lucene50_0.pos]))"
                  
                
              
            
          ]
        
      
    
  

利用 _shard_stores 接口，查看故障索引的分片异常原因。
（es5 节点上，我调用接口设置了副本数从1 变为 0，所以该只读索引还保存有原有分片 0 的副本分片节点信息，可忽略）

我们看到该索引的 0 主分片（故障主分片）以前是存在于 es3 节点上的。ES 由于数据安全性保证，在两个节点都有离线的情况下，锁住了 0 主分片的写入，导致索引也出于只读状态。

[root@*******es4 ~]# curl -XPOST ‘http://localhost:9201/_cluster/reroute?master_timeout=5m&pretty‘ -d ‘

    "commands": [
        
            "allocate_stale_primary": 
                "index": "s2-********201908", 
                "shard": 0, 
                "node": "es3", 
                "accept_data_loss": true
            
        
    ]
‘

我们可以手动调用集群的 reroute 接口，在接受部分数据丢失的情况下，我们可以把 es3 节点上的原有副本，强制提升为索引的主分片。

官方文档 说明。

此外，/_cluster/reroute 接口还能够接受手动分配一个空的主分片到已有索引分配之中。谨慎使用

[root@*******es4 ~]# curl -XPOST ‘http://localhost:9201/_cluster/reroute?master_timeout=5m&pretty‘ -d ‘

    "commands": [
        
            "allocate_empty_primary": 
                "index": "s2-********201908", 
                "shard": 0, 
                "node": "es3", 
                "accept_data_loss": true
            
        
    ]
‘

这种更残暴，直接把分片数据清空，强制拉上线。 但是这也不失为一种处理方法。

最终，该索引恢复正常。