Elasticsearch 入门到精通-（节点、集群、分片）

ElasticSearch 特性

ElasticSearch是一个高性能，高可用，易扩展的分布式搜索引擎。

其高可用体现在：

服务可用性：允许有节点停止服务，整个ElasticSearch集群必须正常对外提供服务（冗余节点）
数据可用性：允许部分节点丢失，但是数据不会丢失（冗余数据）
其可扩展性体现在：

请求量提升/数据的不断增长（将数据分布到所有节点上）（新增节点就能提供读写能力）
ElasticSearch分布式架构的好处

存储的水平扩容
提高可用性
ElasticSearch不同的集群通过名字不同来区分，默认名字是elasticsearch

可以通过修改配置文件，或者在命令行中 -E cluster.name = test 进行设定

一个分布式集群可以有一个或多个节点

一、节点

一个节点就是一个ElasticSearch的实例，本质上就是一个Java进程。

每个节点都有名字，通过配置文件，或者启动时候 -E node.name = node1指定

每一个节点在启动之后，会分配一个UID，保存在data目录下

Master eligible Node & Master Node
每个节点启动后，默认就是一个Master eligible节点（可以设置node.master:false 禁止）,Master-eligible节点可以参与选主流程，成为Master节点

当第一个节点启动，它会将自己选举成Master节点

每个节点上都保存了集群的状态信息(所有节点信息，所有的索引和其相关的Mapping和Setting信息，分片路由信息)，只有Master节点可以修改集群状态信息（任何节点修改会导致不一致，而且需要额外的锁控制）

Data Node
可以保存数据的节点，叫做Data Node，负责保存分片数据。在数据扩展上起到了至关重要的作用

Coordinating Node
负责接收Client请求，将请求分发到合适的节点，最终吧结果汇聚在一起

每个节点默认都起到了Coordinating Node的职责

Hot & Warm Node
本质上还是Data Node，根据不同的硬件配置，可以实现Hot & Warm架构，降低集群部署成本。

例如海量数据分析，就可以使用高硬件服务器，做Hot Node，处理海量日志

Machine Learning Node
负责跑机器学习Job，用来做异常检测

Tribe Node
Tribe Node 连接到不同的elasticSearch集群，并且支持将这些集群当成一个单独集群处理(5.3开始使用Cross Cluster Search处理)

配置节点类型
生产环境中一个节点应该设置单一的角色（意味着节点可以多角色）

节点类型	配置参数	默认值	备注
master eligible	node.master	true	可以参加选主
data	node.data	true	存储数据
ingest	node.ingest	True	ingest节点可以运行一些pipeline的脚本
Coordinating	无		每个节点默认都是coordinating节点，设置其他类型全部为false
machine learning	node.ml	true(需要enable x-pack)	机器学习

二、集群

        一个es集群必须包含至少一个主节点（masterNode）和一个数据节点（dataNode），一个节点可以同时为masterName和dataNode（默认不修改配置文件）可用于自己测试环境。

一个集群可配置多个masterNode，但是es集群中只使用一个masterNode,其他作为备用master节点，在当前masterNode节点挂了以后，备用masterNode自动启用。

三、分片

分片分为两种类型：主分片（Primary Shard）和副本分片（Replica Shard）

主分片：用以解决数据水平扩展的问题，通过主分片，可以将数据分布到集群内的所有节点上(主从复制)
主分片在索引创建时指定，后续不允许修改，除非reindex
一个分片是一个运行的Lucene实例
副本分片：用于解决数据高可用的问题，是主分片的拷贝（可以提高读吞吐量）
副本分片数，可动态调整
假设一个集群中有两个节点。movie索引的分片分布情况如下所示

PUT /movies
{
    "settings":{
        "number_of_shards":2,  //主节点
        "number_of_replicas":2  //副本节点
    }
}