转载自：https://blog.csdn.net/iceman1952/article/details/79957290
这是一篇译文，原文（Every shard deserves a home）于2016-11-11发布在elastic官方博客。译文稍有更改
文章包含很多gif动图，你可以使用“2345看图王”查看/暂停/回放gif动图的每一帧
所有图片都可以在新标签页中查看大图
“索引”有时作动词，有时作名词。例如“当索引第一个文档到新的索引中时...”，第一个索引是动词，第二个索引是名词
术语及翻译。有些术语不翻译，直接使用英文原词
rebalance重新平衡
relocation重新安置。即：集群已经选定了目标shard，需要从primary shard向这个目标shard复制数据
reallocation重新分配。即：集群把某个/ 些索引的shard分布到集群中节点上
shard allocationshard分配
shard copy分片副本（即可以是primary shard也可以是replica shard）
mastermaster（主节点。使用英文原词，不再翻译）
shardshard（分片。使用英文原词，不再翻译）
primary shardprimary shard（主分片。使用英文原词，不再翻译）
replica shardreplica shard（副分片。使用英文原词，不再翻译）
segmentsegment（段，Lucene中的概念。使用英文原词，不再翻译）
文中这些优秀的幻灯片来自于Core Elasticsearch: Operations课程，它们有助于解释shard分配（shard allocation）的概念。我们推荐您参加完整课程以更好的理解这些概念，但，我会在此列出培训的梗概
Shard分配（shard allocation）是把shard分配给节点的过程。 当初始恢复（initial recovery）、副分片分配（replica allocation）、重新平衡（rebalancing）或向集群中加入/移除节点时就会发生shard分配。大部分时间，你无需挂心它，它在后台由elasticsearch完成。如果你发现自己对这些细节感到好奇，这篇博客将探索几种不同场景下的shard分配
本文的集群由4个节点组成，如下图所示。文中的例子都使用此集群完成
我们将覆盖四种不同的场景
如上图所示，这是最简单的用例。我们创建了索引c，于是我们必须得为它分配新的shard。当索引第一个文档到这个新的索引时，就会为它分配shard。上图使用Kinaba中的Console插件（之前称为Sense）来执行灰色高亮的命令，索引一个文档到索引中
对于索引c，我们正在创建一个primary shard和一个replica shard。master需要创建索引c，并为它分配2个shard，即一个primary shard和一个replica shard。集群会通过以下方式来平衡集群
考察集群中每个节点所包含shard的平均数量，然后，尽可能使得每个节点上的此数字保持一致
基于集群中每一个索引来做评估，使得shard跨所有索引而保持平衡
Shard分配过程中存在一些限制，分配决定器（allocation decider）在做分配时会遵从这些限制。分配决定器会评估集群要做的每一个决定，并给出yes/no的回复。分配决定器运行在master上。你可以认为是master给出修改提议，分配决定器则告知master此修改提议是否能通过
关于此最简单的一个例子就是，你不能把同一个shard的primary shard和replica shard放到同一个节点上
关于此还有一些其他例子
1. 基于Hot/Warm配置作分配过滤
这允许你把shard只放到具有特定属性的节点上，分配决定器会根据Hot/Warm配置接受或拒绝集群所作的决定。这是用户决定直接控制分配决定器的例子
2. 磁盘使用情况分配器（Disk usage allocator）
master监控集群中磁盘的使用情况，并根据高水位/低水位阈值控制shard分配（见下面的：“场景二、 是时候移动shard了”）
3. 抑制（Throttles）
这意味着，理论上我们可以把shard分配到某节点，但，此节点上有太多正在进行中的恢复（recovery）。为了保护节点并且也允许恢复进行，分配决定器让集群进行等待，然后在下一个迭代中再重试把shard分配给同一个节点
一旦我们做出了primary shard将分配到哪个节点的决定，这个shard的状态就被标注为"initializing"（正在初始化），并且这个决定会通过一个modified ClusterState广播到集群中所有节点，然后集群中所有节点都将应用这个ClusterState
在shard状态被标注为"initializing"后，会进行如下动作。如下面动图所示
被选中的节点探测到它自己被分配了一个新的shard
在被选中的节点上，将创建一个空的lucene索引(译注：每一个shard都是一个独立的lucene索引)，创建完成后被选中的节点向master发送“shard已经就绪”的通知
master收到通知后，master需要把被选中的节点上shard的状态标注"started"，为了做到这一点，master发送一个modified ClusterState
被选中的节点收到master发送的modified ClusterState，于是被选中的节点激活此shard，并把shard的状态标注为"started"
因为这是一个primary shard，自此，我们就可以向其索引文档了
正如你所见，所有的通信都是通过modified ClusterState进行的。一旦这个周期结束，master会执行re-route，重新评估shard分配，有可能对先前迭代中被抑制的内容做出决定
现在，master要分配剩下的replica shard c0了，这也是由分配决定器来作决定的。分配决定器必须得等到包含primary shard的节点把primary shard的状态标注为"started"后，才能开始分配replica shard c0。如下图所示，primary shard c0已经在node2上分配完成且状态已经被标注为"started"，现在master需要分配剩下的replica shard c0了，replica shard c0的状态是unassigned
此时，会进行重新平衡，过程就和前面所描述的一样，重新平衡的目的是使数据在集群中是平衡的。在当前例子中，集群将把replica shard c0分配到node3，以使得集群是平衡的。最终，集群中每个节点包含3个shard。如下面两幅图所示，重新平衡把replilca shard c0分配给了node node3
上例子中，我们只是创建了一个空的replica shard，这比，假设说已经存在某个状态为"started"且包含数据的primary shard，要简单。对于这种情况，我们必须得确保新的replica shard包含有和primary shard同样的数据。如下面两幅图所示，第一幅，master把需要初始化replica shard c0的ClusterState广播到整个集群；第二幅，node2探测到自己被分配了一个新的shard
当replica shard分配完成后，需要理解的很重要的一点是，我们会从primary shard复制所有缺失的数据到replica shard，数据复制完成后，master才会把replica shard的状态标注为"started"，并且向集群中广播一个新的ClusterState。如下面动图所示
有时你的集群可能需要在集群内部移动已经存在的shard。这可能会有很多原因
1. 用户配置
这方面最常见的一个例子就是Hot/Warm配置，当数据老化时，会根据Hot/Warm配置把数据移动到访问速度较慢的磁盘上。如下图所示
2. 用户使用命令显式移动shard
用户通过cluster re-route命令来使得elasticsearch将shard从一个地方移到另一个地方
3. 磁盘相关的配置
存在与磁盘使用空间相关的以下两个设置，分配决定器会根据这些设置的阈值来移动shard
cluster.routing.allocation.disk.watermark.low
cluster.routing.allocation.disk.watermark.high
超过低水位阈值时，elasticsearch将阻止我们写入新的shard。同样，超过高水位阈值时，elasticsearch会把此节点上shard重新分配到其他节点上，直到当前节点的磁盘占用低于高水位阈值。如下图所示
4. 集群添加节点
可能你的集群已经达到最大容量，于是你添加了一个新的节点，此时elasticsearch会重新平衡（rebalance）整个集群。如下图所示
Shard可能会包含很多G的数据，因此，在集群间移动它们可能产生极大的性能影响。为使这个过程对用户透明，移动shard必须在后台运行。也就是尽可能的降低移动shard对elasticsearch其他方面的影响。为此，引入了一个抑制参数（indices.recovery.max_bytes_per_sec/cluster.routing.allocation.node_concurrent_recoveries) ），以保证移动shard期间依然可以继续向这些shard索引数据。如下图所示
记住：elasticsearch的所有数据都是通过Lucene存储的。Lucene使用被称为segment的一组文件来存储一组倒排索引。给定的tokens/words时，倒排索引结构可以方便的告诉你这些tokens/words包含在哪些文档中，出现在文档中的什么位置。当Lucene索引文档时，文档暂存于内存中的indexing buffer。当indexing buffer满或，elasticsearch发出refresh操作（从而引发lucene flush）时，indexing buffer中的数据就被强制写入被称为segment的倒排索引中。如下图所示
随着我们继续索引文档，我们会用同样的方式创建新的segment。关于segment，一个重要的事情就是segment是不可变的（immutable）。这意味着，一旦写了一个segment，这个segment就永远不会改变了。如果你发出删除或任何改变，这些动作将发生在新的segment上，在新的segment上同样发生合并过程。如下图所示
既然数据是存储在内存的，理论上在数据提交到segment文件之前（译注：即使已写入segment也可能会丢失，因为segment写入filesystem时，只是写入了内存即filesystem cache，只有调用filesystem的fsync后，内容才真正写入了磁盘。而出于性能考虑，filesystem是周期性而不是实时的调用fsync的），数据是有可能丢失的。elasticsearch使用transaction log来缓解这种情况。每当文档索引进Lucene时，文档也会被写入transaction log。如下图所示
Transaction log是顺序写入的，最后一个请求位于文件的末尾。借助transaction log，我们就可以恢复尚未写入Lucene中的文档。elasticsearch的持久化模型如下图所示
生成segment时可能并未执行fsync，此时segment会暂存于filesystem cache内存中，OS会暂缓刷新数据到磁盘。这么作是出于性能原因，因此，必须要把filesystem cache内存中的segment写入到磁盘，同时清空transaction log，这个工作是通过elasticsearch flush来完成的
当发出elasticsearch flush（从而引发lucene commit）命令时，会做两件事情
把indexing buffer中的数据写入磁盘，从而生成一个新的segment
遍历所有的segment文件，请求filesystem使用fsync将所有segment写入磁盘
执行elasticsearch flush就把内存中所有数据（即indexing buffer中的数据以及filesystem cache内存中的segment），统统写入了磁盘，并且清空了transaction log，这确保我们不会丢失任何数据。对于重新安置（relocation）shard，如果我们捕获并保存一组给定的segment，则我们得到一个时间点一致且数据不可变的数据快照
译注：参考Elasticsearch: 权威指南-->持久化变更了解文档写入过程。梗概总结如下图所示
以下面动图为例，集群想要把node4上的a0移动到node5，于是master标注a0为正在从node4重新安置到node5，node5收到请求后在node5上初始化一个shard。对这个行为，有一个非常重要的事情需要注意，当进行重新平衡时，看起来replica shard正在从node4移动到node5，但事实上，重新安置shard时总是从primary shard复制数据的（即：node1上的a0）
以下面动图为例，我们来演示“把node1上的primary shard重新安置到node5”。记住我们前面所说的两种数据存储机制，transaction log和lucene segment
此例中node5是空节点，node1上有primary shard。全部步骤如下
master向node5发送了一个modified ClusterState，master要求node5初始化一个新的shard
node5探测到自己被分配了一个新的shard
node5向node1（node1上有primary shard）发送请求，请求开始恢复过程
node1收到node5的请求，然后，node1验证它自己知道node5发送的请求
node1验证通过，于是在node1上，elasticsearch固定transaction log以防止其被删除并捕获索引的segment快照，确保我们捕获了shard中的所有数据
node1将segment数据发送到node5上的目标文件
在node5重放node1的transaction log，这会确保数据复制期间新索引进来的文档也能复制进入到node5上的目标文件
node1发送“数据恢复已完成”给node5
node5告知master“node5上的shard已经就绪”
master发送modified ClusterState到node5，激活shard，将shard状态标注为"started"。同时，master删除掉node1上的源shard
上面这一切都在后台发生，因此整个过程中你依然可以向primary shard中索引数据。在这个过程中，如果确实又向primary shard中索引了新的数据，那么，这些新的数据并不包含在步骤5所捕获快照中，但这没有关系，因为通过步骤7重放node1的transaction log就可以确保这些新的数据也被复制进入了新的shard
现在问题来了，何时才能停下？复制过程中可能依然有新索引的文档进入primary shard，这意味着transaction log是一直增长的。在1.x中，我们的措施是锁定transaction log，从锁定点开始，所有再进来的请求都被阻塞，直到重放transaction log完成
在2.x/5.x中，我们作的更好。一旦我们开始重新安置（relocation），primary shard会把所有的索引操作发送到新的primary shard（位于node5上）。因为我们知道我们何时捕获的lucene快照，我们也知道shard是何时被初始化的，于是我们就确切的知道需要重放transaction log中的哪些数据
一旦恢复完成，目标节点（target node）给master发送通知，告知master“shard都已就绪”。master处理请求，复制剩余的primary shard（译注：因为一个索引可能存储多个primary shard），并激活shard。然后，源shard可以被移除了，这个过程一直重复，直到重新平衡（rebalancing）完成
我们要考察的下一个场景是重启整个集群。在这个场景中，我们并不处理激活的segment，而是在每个节点上找到本地数据。重启整个集群可能会发生在 维护周期，升级以及与计划中维护相关的任何事情
这里，master被选举出来，然后会新建一个ClusterState或者从磁盘恢复一个ClusterState。现在我们有了一个待分配的shard的列表，这些shard第一次被分配时，分配决定器可以把它们分配到任何一个节点上，但，现在不能再随便分配了。这意味着，我们需要找到这些数据，并确保我们能打开这些我们之前创建的lucene索引。如下图所示
为了做到这点（找到数据并打开之前创建的索引），master在集群中每一个节点上分配一个primary shard，且要求此primary shard返回磁盘上的所有内容。这意味着，我们物理上打开segment，然后通过确认一个shard副本来响应master。这时，master决定哪个节点将得到primary shard。在5.x中，我们会优先选择之前的primary shard（这是一个优化）。如下图所示
在下面的例子中，我们可以看到，node1上的a0之前是primary shard，但，其他任何副本都可能变成primary shard。在这个例子中，node4上的shard被标注为"initializing"，但，不同之处在于，这一次我们要使用已经存在的数据，并且可以检查节点上的lucene索引来验证lucene索引有效且可以打开。master会收到“shard已经就绪”、“shard已被分配”的通知，然后，master把这些shard的分配结果加入到集群状态中。如下面动图所示
为了验证两个shard上数据是一样的，我们会有一个复制过程，这个过程和重新安置非常类似，不同之处在于因为所有shard副本都是从磁盘恢复得来的，这些shard可能已经是匹配的了，因此可能无需传输shard。此链接详细描述了这个过程。如下图所示
因为segment就是独立的lucene索引，大量索引文档之后，非常可能磁盘上的segment和其他节点上相同的segment并不一致。有些segment用了更多资源，有些segment拥有烦人的邻居（nosy neighbors）。如下图所示
在v1.6之前，必须得复制所有segment。正是由于这些，v1.6之前的恢复是很慢的。我们必须得同步primary shard和replic shard，却又不能使用本地数据。为了解决这个问题，我们添加了sync_flush和sync_id。取不发生索引文档的某个时刻，使用一个唯一标识符来表示捕获的信息，确保同一个shard的各个副本是完全一致的。因此，当我们进行恢复时，我们发送sync_id标识符，如果标识符一致，则无需复制文件了，就可以重用老的副本。因为lucene中的segment是不可变的，这只对非激活的shard有效。注意：下图展示的是不同节点上的同一个shard，复制的数字就是发生的变化
在下图中，node3从集群中被移除了，node3上存储有b1的primary shard。此时，首先立即采取的步骤是master把当前位于node1上的b1的replica shard提升为primary shard。b1所在索引的健康状态以及集群的健康状态变成黄色，因为存在某个shard备份并没有全部被分配（shard所有备份的数量是用户在定义索引时指定的）。因此，master要尝试在剩下的某个节点上再分配一个新的b1的replica shard。如果node3是由于暂时的网络故障（或JVM GC引起的长时间STW）所导致，且，在网络故障恢复和节点再回到集群前，并未向shard中索引任何文档，则在node3缺席的这段时间内，在某个剩下的节点上重新复制一个新的b1的replica shard就纯属是浪费资源。如下面动图所示
在v1.6中，引入了基于index（per-index）设置来解决这个问题（index.unassigned.node_left.delayed_timeout，默认1分钟）。当node3离开时，会先延迟此处指定的时长再进行重新分配shard。如果在此时长之前node3回来了，则考察primary shard较node3上的shard是否发生了变化，若在此期间，primary shard并未有任何变化，则node3上的shard就被指定为replica shard；若primary shard发生了变化，则丢弃node3上的shard，并且重新从primary shard复制shard到node3
在v2.0中，引入了一个改进，如果node3在延迟超时之后才回来，对于位于node3上且依然匹配primary shard的任何shard（使用sync_id标识符来决定匹配与否），即使重新复制已经开始了，这些重新复制过程也会被停止，然后，node3上的这些shard被指定为replica shard。如下图所示
网友评论