干货 | Elasticsearch 8.X 节点角色划分深入详解

0、问题引出

如果你的 Elasticsearch 集群是 7.9 之前的版本，在配置节点的时候，只会涉及节点类型的概念。我相信大家会对下面的概念比较熟悉：

主节点数据节点协调节点Ingest 节点冷热集群架构

......

Elasticsearch 7.9 版本引入了节点角色的概念。最近社群小伙伴关于节点角色提了不少问题，列举如下：

Q1：请问 Nginx + ES Coordinate + ES Master + ES Node 如何安装配置呢？是否安装一样，只需更改节点角色即可？Q2：ES部署上，node.role都是mdi和 node.role区分m、d、i ,在部署上各有什么优势？更推荐用哪种？Q3：有 ES 7.x 的集群角色如图，请问在写入海量数据时，应该连接什么角色的节点写入？专用协调节点还是数据节点？Q4：role的配置，加上这些data_hot, data_warm, data_cold 和自定义的attr属性有区别吗？Q5：谁能解释一下es的角色 data data_content data_hot/warm/cold他们直接的关系？Q6：请问 ES 7.10 的 data_content 角色是个什么样的存在？和协调节点什么区别？

带着这些问题，我们开始 Elasticsearch 节点角色的解读。

1、什么是 Elasticsearch 节点角色？

Elasticsearch 7.9 之前的版本中的节点类型：数据节点、协调节点、候选主节点、ingest 节点，在 Elasticsearch 7.9 以及之后 版本中有了升级，升级了什么呢？

节点类型升级为节点角色（Node roles）。节点角色分的很细：数据节点角色、主节点角色、ingest节点角色、热节点角色等。

在 Elasticsearch 集群中，每个启动的 Elasticsearch 进程都可以叫做一个节点。集群中只有一个节点的时候，以Elasticsearch 8.1.3版本单节点集群为例，如果我们不手动设置节点角色，默认节点角色如下“红框”所示：

GET_cat/nodes?v#返回结果ipheap.percentram.percentcpuload_1mload_5mload_15mnode.rolemastername172.21.0.14709600.030.030.05cdfhilmrstw*VM-0-14-centos

当集群中有多个节点角色的时候，就需要手动设定、配置节点的角色。

节点角色划分的目的在于：不同角色的节点各司其职，共同确保集群的功能的稳定和性能的高可用。

如上截图中的 “cdfhilmrstw”，我第一次看到这个串也是一脸懵逼，解释一下，你就“豁然开朗”。

角色缩写	英文释义	中文释义
c	cold node	冷数据节点
d	data node	数据节点
f	frozen node	冷冻数据节点
h	hot node	热数据节点
i	ingest node	数据预处理节点
l	machine learning node	机器学习节点
m	master-eligible node	候选主节点
r	remote cluster client node	远程节点
s	content node	内容数据节点
t	transform node	转换节点
v	voting-only node	仅投票节点
w	warm node	温数据节点
空	coordinating node only	仅协调节点

2、为什么引入节点角色？节点类型不香吗？

https://github.com/elastic/elasticsearch/pull/54998

一个新功能的诞生必然是基于早期版本存在bug或者至少用户体验差。

节点角色就是基于节点类型配置复杂和用户体验差应运而生的。

早期版本如果需要配置仅候选主节点类型，需要的配置（极端情况）如下：

node.data:falsenode.ingest:falsenode.remote_cluster_client:falsenode.ml:falsenode.master:truenode.transform:falsenode.voting_only:false

这是非常繁琐的配置，类似我要说我自己是主节点，需要我先说明我不是数据节点、不是 Ingest 预处理节点、不是机器学习节点、不是XXX各种节点.....

而节点角色的出现“革命性”的结局了这个问题，如下所示，只需要说明我是某某某，而不需要费劲巴拉的解释我不是某某某。

node.roles:[data,master]

3、不同角色节点的功能详解3.1 主节点（Master-eligible node）

主节点的核心用途：集群层面的管理，例如创建或删除索引、跟踪哪些节点是集群的一部分，以及决定将哪些分片分配给哪些节点。主节点的path.data 用于存储集群元数据信息，不可缺少。

主节点的重要性：拥有稳定的主节点对于集群健康非常重要。

和早期版本不同，节点角色划分后，主节点又被细分为：候选主节点和仅投票主节点。

主节点存储数据：集群中每个索引的索引元数据，集群层面的元数据。3.1.1 专用候选主节点（Dedicated master-eligible node）

如果集群规模大、节点多之后，有必要独立设置专用候选主节点。

专用候选主节点配置：

node.roles:[master]

3.1.2 仅投票主节点（Voting-only master-eligible node）

用途：仅投票，不会被选为主节点。

硬件配置可以较专用候选主节点低一些。

仅投票主节点配置：

node.roles:[master,voting_only]

注意：master 必不可少。

关于集群主节点配置，要强调说明如下：

高可用性 (HA) 集群需要至少三个符合主节点资格的节点；其中至少两个不是仅投票节点。即使其中一个节点发生故障，这样的集群也将能够选举一个主节点。3.2 数据节点（Data node）

数据节点用途：数据落地存储、数据增、删、改、查、搜索、聚合操作等处理操作。

数据节点硬件配置：CPU 要求高、内存要求高、磁盘要求高。

专属数据节点好处：主节点和数据节点分离，各司其职。

数据节点存储内容：

分片数据。每个分片对应的元数据。集群层面的元数据，如：setting 和 索引模板。

拥有专用数据节点的主要好处是主角色和数据角色的分离。

数据节点的配置：

node.roles:[data]

在 Elastic 多层（tires）冷热集群架构体系下，数据节点又可以细分为：

内容数据节点（Content data node）热数据节点（Hot data node）温数据节点（Warm data node）冷数据节点（Cold data node）冷冻数据节点（Frozen data node）

图片来自：Elastic 官方博客

3.2.1 内容数据节点

用途：处理写入和查询负载，具有较长的数据保留要求。

建议至少设置一个副本，以保证数据的高可用。

不属于数据流的系统索引或其他索引会自动分配到内容数据节点。

node.roles:[data_content]

3.2.2 热数据节点

用途：保存最近、最常访问的时序数据。

推荐使用：SSD 磁盘，至少设置一个副本。

node.roles:[data_hot]

3.2.3 温数据节点

用途：保存访问频次低且很少更新的时序数据。

node.roles:[data_warm]

3.2.4 冷数据节点

用途：保存不经常访问且通常不更新的时序数据。可存储可搜索快照。

node.roles:[data_cold]

3.2.5 冷冻数据节点

用途：保存很少访问且从不更新的时序数据。

node.roles:[data_frozen]

在冷热集群架构时序数据 ILM 索引生命周期管理的实战演练环节，验证发现：

在配置节点角色时，data_hot、data_warm、data_cold 要和 data_content 要一起配置。且 data_hot、data_warm、data_cold 不要和原有的data 节点一起配置了。

如果仅data_hot 不设置 data_content 会导致集群数据写入后无法落地。

我的理解：data_hot, data_warm, data_cold 是标识性的节点，实际落地存储还得靠 data_content 角色。

3.3 数据预处理节点（ingest node）

用途：执行由预处理管道组成的预处理任务。

关于啥是数据的预处理？之前有多篇文章解读过：

Elasticsearch 预处理没有奇技淫巧，请先用好这一招！

Elasticsearch的ETL利器——Ingest节点

node.roles:[ingest]

3.4 仅协调节点（Coordinating only node）

用途：类似智能负载均衡器，负责：路由分发请求、聚集搜索或聚合结果。

注意事项：在一个集群中添加太多的仅协调节点会增加整个集群的负担，因为当选的主节点必须等待来自每个节点的集群状态更新的确认。

node.roles:[]

空即是“色”，不对，这里空即是“仅协调节点”。

3.5 远程节点（Remote-eligible node）

用途：跨集群检索或跨集群复制。

node.roles:[remote_cluster_client]

3.6 机器学习节点（Machine learning node）

用途：机器学习，系收费功能。

node.roles:[ml,remote_cluster_client]

3.7 转换节点（Transform node）

用途：运行转换并处理转换 API 请求。这块，咱们之前文章没有涉及。

关键词： 机器学习