8.1 集群解剖：节点角色与健康检查

8.1 集群解剖：节点角色与健康检查

本节摘要：健康检查是运维的第一仪表盘，但只看颜色不够——要能读懂未分配分片数、主节点身份、节点数的变化，并理解它们背后的选举与元数据机制。本节讲健康接口的完整读法、主节点选举的法定多数、节点角色的专责化，以及黄色与红色的标准处置路径。看完这节，你面对集群告警时手里有地图。

集群的体检报告

健康检查的完整读法

第 2 章只看了三色，生产视角要读全字段：

GET _cluster/health?level=indices
​

{
  "status": "yellow",
  "number_of_nodes": 3,
  "active_primary_shards": 42,
  "active_shards": 63,
  "relocating_shards": 2,
  "initializing_shards": 1,
  "unassigned_shards": 21,
  "unassigned_primary_shards": 0
}
​

字段连成一个故事：主分片 42 个全部活跃（unassigned_primary_shards 为零，所以不是红色）；活跃分片应有 84（副本一），实际 63，差着 21 个未分配副本——黄色；relocating 2 个说明正在搬迁（8.2 的再平衡进行中）；initializing 1 个正在初始化。读报告的顺序：先看主分片有没有丢（红色判定），再看副本缺口（黄色判定），最后看搬迁与初始化（进行中的动作）。level 参数调到 indices 还能逐索引下钻，黄色到底是哪个索引的账，一眼定位。

三色的处置优先级

红色的标准动作序列值得背下来：先停写入（避免半死状态继续吃元数据）、看主分片所在节点是重启中还是真没了、节点能回来就等对等恢复（副本还在的前提下），回不来就走快照还原（8.4 的演练价值在此兑现）。

主节点选举与法定多数

集群的元数据（有哪些索引、映射是什么、分片在哪）由主节点维护。主节点挂了，master 候选节点们发起选举——当选需要法定多数：三候选里至少两票、五候选里至少三票。这个门槛防的是脑裂：网络分区把集群裂成两半时，少数派凑不够票，无法选出第二个主节点自封正统，元数据世界始终只有一个权威。这就是生产推荐三或五个专职 master 候选、永不用两个的原因——两候选的一边一票，两边都当不了家，集群瘫痪。

GET _cat/nodes?v=h,name,node.role,master
​

name    node.role master
node-1  dimr      *
node-2  dimr      -
node-3  dimr      -
# node.role 里 d数据 i预处理 m主候选 r远程检索 星号是现任主节点
​

节点角色矩阵

一次黄色告警的处置过程

背景：周五傍晚，监控告警集群变黄，unassigned_shards 从零涨到二十。操作：健康接口下钻到 indices，锁定是新索引 logs-2026-08-28 的副本未分配；查未分配原因接口，返回判定码是磁盘水位触发——某数据节点磁盘用到八成五，超过低水位线，分配器拒绝再往它放副本。处置：临时把该索引副本数降到零保住绿色（业务容忍单副本缺失窗口），随后清理该节点上的废弃索引、扩了一块盘，水位回落后副本自动补齐。解读：黄色的常见根因就三类——节点数不够、磁盘水位、分配过滤（8.2）；未分配原因接口把猜测变成判定码，处置从"重启试试"变成定向操作。变式：水位长期紧张时，上 8.4 的容量预估或把冷索引进生命周期管理（滚动到低配节点或删除）。

⚠️ 常见坑：看到黄色就重启集群。重启不解决节点数不足与磁盘水位，反而打断正在进行的恢复与搬迁，把小黄拖成大红。先读未分配原因，再动手。

💡 关键直觉：三色报告是体检结论，指标四件套才是化验单。告警建在化验单上（堆、拒绝数、水位、延迟），体检结论只用来兜底。

考核与自测

考核知识点清单

动手验证：未分配原因的判定码

黄色状态出现时，分配解释接口把"猜测"变成"判定"：

GET _cluster/allocation/explain
# 返回 allocation_explanation 与逐节点 decision 日志
# 常见判定 磁盘超过低水位线 副本不能与主分片同节点 分配过滤规则排除
​

读到的判定直接对应处置动作：水位触发就去清磁盘或扩容，节点不足就补节点，过滤排除就去查冷热分层规则。把这条接口写进运维手册的"黄色处置"一页，从此处置有据可依，重启大法退场。

易错点补充

• 把主节点当"最忙的节点"：它只管元数据与调度，不碰文档读写；它忙的是集群状态变更，元数据量大的集群才需要专职它。
• 监控只看三色：颜色是结果指标，等变红再动手已经晚了，告警要建在四件套指标上。
• 只看整体堆使用率：老年代持续高位才是内存压力的前兆，回收停顿次数与时长要一起纳入告警。
• 告警阈值照抄模板：不同集群的负载形态不同，阈值要按自身基线校准，抄来的数字要么天天误报要么漏报。

仪表盘点亮

• 健康报告的读序：先主分片（红不红）、再副本缺口（黄不黄）、后搬迁初始化（在干嘛）。
• 选举靠法定多数，三或五个专职主候选，两个等于自废武功。
• 小集群人人兼职，大集群专责分工；协调节点的扇出压力要单独算账。
• 黄色三根因：节点数、磁盘水位、分配过滤；未分配原因接口给判定码。
• 监控打在指标上而非颜色上，颜色是结果。

集群看清楚了，下一节让分片动起来：分配、再平衡与搬家的代价。