› ›

完整集群重启和滚动重启

编辑

完整集群重启和滚动重启

编辑

在某些情况下，您可能需要执行完整集群重启或滚动重启。完整集群重启是指关闭并重启集群中的所有节点，而滚动重启是指一次仅关闭一个节点，从而保持服务不中断。

超出低水位阈值的节点重启速度会很慢。在重启节点之前，将磁盘使用率降低到低水位以下。

完整集群重启

编辑

禁用分片分配。

当您关闭一个数据节点时，分配过程会等待 index.unassigned.node_left.delayed_timeout (默认情况下为一分钟)，然后开始将该节点上的分片复制到集群中的其他节点，这可能涉及大量的 I/O。由于该节点很快将被重启，因此这种 I/O 是不必要的。您可以通过在关闭数据节点之前禁用副本的分配来避免争夺时间。
```
resp = client.cluster.put_settings(
    persistent={
        "cluster.routing.allocation.enable": "primaries"
    },
)
print(resp)
```
```
response = client.cluster.put_settings(
  body: {
    persistent: {
      'cluster.routing.allocation.enable' => 'primaries'
    }
  }
)
puts response
```
```
const response = await client.cluster.putSettings({
  persistent: {
    "cluster.routing.allocation.enable": "primaries",
  },
});
console.log(response);
```
```
PUT _cluster/settings
{
  "persistent": {
    "cluster.routing.allocation.enable": "primaries"
  }
}
```
在重启大型集群时，您还可以考虑网关设置，以减少节点在通过发现进行处理时的初始压力。

停止索引并执行刷新。

执行刷新可以加快分片恢复。

resp = client.indices.flush()
print(resp)

response = client.indices.flush
puts response

const response = await client.indices.flush();
console.log(response);

POST /_flush

临时停止与活动机器学习作业和数据源相关的任务。 (可选)

机器学习功能需要特定的订阅。

当您关闭集群时，有两种选择来处理机器学习作业和数据源
- 使用设置升级模式 API 临时停止与机器学习作业和数据源相关的任务，并阻止新作业打开
```
resp = client.ml.set_upgrade_mode(
    enabled=True,
)
print(resp)
```
```
response = client.ml.set_upgrade_mode(
  enabled: true
)
puts response
```
```
const response = await client.ml.setUpgradeMode({
  enabled: "true",
});
console.log(response);
```
```
POST _ml/set_upgrade_mode?enabled=true
```
  当您禁用升级模式时，作业会使用自动保存的最后一个模型状态恢复。此选项避免了在关闭期间管理活动作业的开销，并且比显式停止数据源和关闭作业更快。
- 停止所有数据源并关闭所有作业。此选项会在关闭时保存模型状态。当您在集群重启后重新打开作业时，它们将使用完全相同的模型。但是，保存最新的模型状态比使用升级模式花费的时间更长，特别是当您有大量作业或具有大型模型状态的作业时。
关闭所有节点。
- 如果您正在使用 systemd 运行 Elasticsearch
```
sudo systemctl stop elasticsearch.service
```
- 如果您正在使用 SysV init 运行 Elasticsearch
```
sudo -i service elasticsearch stop
```
- 如果您正在将 Elasticsearch 作为守护程序运行
```
kill $(cat pid)
```
执行任何需要的更改。
重启节点。

如果您有专用的主节点，请先启动它们，并等待它们形成一个集群并选举一个主节点，然后再继续处理您的数据节点。您可以通过查看日志来检查进度。

一旦足够多的符合主节点条件的节点相互发现，它们就会形成一个集群并选举一个主节点。此时，您可以使用cat health和cat nodes API 来监视节点加入集群的情况
```
resp = client.cat.health()
print(resp)

resp1 = client.cat.nodes()
print(resp1)
```
```
response = client.cat.health
puts response

response = client.cat.nodes
puts response
```
```
const response = await client.cat.health();
console.log(response);

const response1 = await client.cat.nodes();
console.log(response1);
```
```
GET _cat/health

GET _cat/nodes
```
_cat/health 返回的 status 列显示集群中每个节点的运行状况：red、yellow 或 green。
等待所有节点加入集群并报告黄色状态。

当一个节点加入集群时，它会开始恢复本地存储的任何主分片。 _cat/health API 最初报告的 status 为 red，表示并非所有主分片都已分配。

一旦节点恢复其本地分片，集群 status 就会切换为 yellow，表示所有主分片都已恢复，但并非所有副本分片都已分配。这是意料之中的，因为您尚未重新启用分配。将副本的分配延迟到所有节点都为 yellow 时，允许主节点将副本分配给已经具有本地分片副本的节点。

重新启用分配。

当所有节点都已加入集群并恢复其主分片后，通过将 cluster.routing.allocation.enable 恢复为其默认值来重新启用分配

resp = client.cluster.put_settings(
    persistent={
        "cluster.routing.allocation.enable": None
    },
)
print(resp)

response = client.cluster.put_settings(
  body: {
    persistent: {
      'cluster.routing.allocation.enable' => nil
    }
  }
)
puts response

const response = await client.cluster.putSettings({
  persistent: {
    "cluster.routing.allocation.enable": null,
  },
});
console.log(response);

PUT _cluster/settings
{
  "persistent": {
    "cluster.routing.allocation.enable": null
  }
}

重新启用分配后，集群开始将副本分片分配给数据节点。此时，可以安全地恢复索引和搜索，但是如果您可以等到所有主分片和副本分片都已成功分配，并且所有节点的状态都为 green，则您的集群将恢复得更快。

您可以使用 _cat/health 和 _cat/recovery API 监视进度

resp = client.cat.health()
print(resp)

resp1 = client.cat.recovery()
print(resp1)

response = client.cat.health
puts response

response = client.cat.recovery
puts response

const response = await client.cat.health();
console.log(response);

const response1 = await client.cat.recovery();
console.log(response1);

GET _cat/health

GET _cat/recovery

重启机器学习作业。 (可选)

如果您临时停止了与机器学习作业相关的任务，请使用设置升级模式 API 将其恢复为活动状态
```
resp = client.ml.set_upgrade_mode(
    enabled=False,
)
print(resp)
```
```
response = client.ml.set_upgrade_mode(
  enabled: false
)
puts response
```
```
const response = await client.ml.setUpgradeMode({
  enabled: "false",
});
console.log(response);
```
```
POST _ml/set_upgrade_mode?enabled=false
```
如果您在停止节点之前关闭了所有机器学习作业，请从 Kibana 或使用打开作业和启动数据源 API 打开作业并启动数据源。

滚动重启

编辑

禁用分片分配。

当您关闭一个数据节点时，分配过程会等待 index.unassigned.node_left.delayed_timeout (默认情况下为一分钟)，然后开始将该节点上的分片复制到集群中的其他节点，这可能涉及大量的 I/O。由于该节点很快将被重启，因此这种 I/O 是不必要的。您可以通过在关闭数据节点之前禁用副本的分配来避免争夺时间。
```
resp = client.cluster.put_settings(
    persistent={
        "cluster.routing.allocation.enable": "primaries"
    },
)
print(resp)
```
```
response = client.cluster.put_settings(
  body: {
    persistent: {
      'cluster.routing.allocation.enable' => 'primaries'
    }
  }
)
puts response
```
```
const response = await client.cluster.putSettings({
  persistent: {
    "cluster.routing.allocation.enable": "primaries",
  },
});
console.log(response);
```
```
PUT _cluster/settings
{
  "persistent": {
    "cluster.routing.allocation.enable": "primaries"
  }
}
```
在重启大型集群时，您还可以考虑网关设置，以减少节点在通过发现进行处理时的初始压力。
停止非必要的索引并执行刷新。 (可选)

虽然您可以在滚动重启期间继续索引，但如果您临时停止非必要的索引并执行刷新，则分片恢复会更快。
```
resp = client.indices.flush()
print(resp)
```
```
response = client.indices.flush
puts response
```
```
const response = await client.indices.flush();
console.log(response);
```
```
POST /_flush
```
临时停止与活动机器学习作业和数据源相关的任务。 (可选)

机器学习功能需要特定的订阅。

当您关闭集群时，有两种选择来处理机器学习作业和数据源
- 使用设置升级模式 API 临时停止与机器学习作业和数据源相关的任务，并阻止新作业打开
```
resp = client.ml.set_upgrade_mode(
    enabled=True,
)
print(resp)
```
```
response = client.ml.set_upgrade_mode(
  enabled: true
)
puts response
```
```
const response = await client.ml.setUpgradeMode({
  enabled: "true",
});
console.log(response);
```
```
POST _ml/set_upgrade_mode?enabled=true
```
  当您禁用升级模式时，作业会使用自动保存的最后一个模型状态恢复。此选项避免了在关闭期间管理活动作业的开销，并且比显式停止数据源和关闭作业更快。
- 停止所有数据源并关闭所有作业。此选项会在关闭时保存模型状态。当您在集群重启后重新打开作业时，它们将使用完全相同的模型。但是，保存最新的模型状态比使用升级模式花费的时间更长，特别是当您有大量作业或具有大型模型状态的作业时。
- 如果您执行滚动重启，您还可以让机器学习作业运行。当您关闭一个机器学习节点时，其作业会自动移动到另一个节点并恢复模型状态。此选项使您的作业在关闭期间可以继续运行，但会增加集群的负载。
在滚动重启的情况下，关闭单个节点。
- 如果您正在使用 systemd 运行 Elasticsearch
```
sudo systemctl stop elasticsearch.service
```
- 如果您正在使用 SysV init 运行 Elasticsearch
```
sudo -i service elasticsearch stop
```
- 如果您正在将 Elasticsearch 作为守护程序运行
```
kill $(cat pid)
```
执行任何需要的更改。

重启您更改的节点。

启动节点，并通过检查日志文件或提交 _cat/nodes 请求来确认其已加入集群

resp = client.cat.nodes()
print(resp)

response = client.cat.nodes
puts response

const response = await client.cat.nodes();
console.log(response);

GET _cat/nodes

重新启用分片分配。

对于数据节点，一旦节点加入集群，请删除 cluster.routing.allocation.enable 设置以启用分片分配并开始使用该节点

resp = client.cluster.put_settings(
    persistent={
        "cluster.routing.allocation.enable": None
    },
)
print(resp)

response = client.cluster.put_settings(
  body: {
    persistent: {
      'cluster.routing.allocation.enable' => nil
    }
  }
)
puts response

const response = await client.cluster.putSettings({
  persistent: {
    "cluster.routing.allocation.enable": null,
  },
});
console.log(response);

PUT _cluster/settings
{
  "persistent": {
    "cluster.routing.allocation.enable": null
  }
}

在滚动重启的情况下重复。

当节点恢复并且集群稳定后，对每个需要更改的节点重复这些步骤。
重启机器学习作业。 (可选)

如果您临时停止了与机器学习作业相关的任务，请使用设置升级模式 API 将其恢复为活动状态
```
resp = client.ml.set_upgrade_mode(
    enabled=False,
)
print(resp)
```
```
response = client.ml.set_upgrade_mode(
  enabled: false
)
puts response
```
```
const response = await client.ml.setUpgradeMode({
  enabled: "false",
});
console.log(response);
```
```
POST _ml/set_upgrade_mode?enabled=false
```
如果您在停止节点之前关闭了所有机器学习作业，请从 Kibana 或使用打开作业和启动数据源 API 打开作业并启动数据源。

« 在集群中添加和删除节点远程集群 »