哪个地方旅游网站做的比较好,app界面设计规范,徐汇网站建设,建设网站实训心得体会文章目录 数据聚合聚合的种类DSL实现聚合RestAPI实现聚合 自动补全拼音分词器自定义分词器自动补全查询completion suggester查询RestAPI实现自动补全 数据同步数据同步思路分析实现elasticsearch与数据库数据同步 集群搭建ES集群创建es集群集群状态监控创建索引库1#xff09… 文章目录 数据聚合聚合的种类DSL实现聚合RestAPI实现聚合 自动补全拼音分词器自定义分词器自动补全查询completion suggester查询RestAPI实现自动补全 数据同步数据同步思路分析实现elasticsearch与数据库数据同步 集群搭建ES集群创建es集群集群状态监控创建索引库1利用kibana的DevTools创建索引库2利用cerebro创建索引库 查看分片效果 ES集群的节点角色集群脑裂问题集群分布式存储集群分布式查询集群故障转移 数据聚合
聚合的种类
聚合aggregations可以实现对文档数据的统计、分析、运算。聚合常见的有三类 桶Bucket聚合用来对文档做分组 TermAggregation按照文档字段值分组Date Histogram按照日期阶梯分组例如一周为一组或者一月为一组 度量Metric聚合用以计算一些值比如最大值、最小值、平均值等 Avg求平均值Max求最大值Min求最小值Stats同时求max、min、avg、sum等 管道pipeline聚合其它聚合的结果为基础做聚合 可以类比mysql数据库桶》group by 分组度量》聚合函数管道》 参与聚合的字段类型必须是
keyword数值日期布尔
DSL实现聚合
DSL实现Bucket聚合
现在我们要统计所有数据中的酒店品牌有几种此时可以根据酒店品牌的名称做聚合。 类型为 term 类型DSL示例
GET /hotel/_search
{size: 0, // 设置size为0结果中不包含文档只包含聚合结果aggs: { // 定义聚合brandAgg: { //给聚合起个名字terms: { // 聚合的类型按照品牌值聚合所以选择termfield: brand, // 参与聚合的字段size: 20 // 希望获取的聚合结果数量}}}
}Bucket聚合-聚合结果排序
默认情况下Bucket 聚合会统计 Bucket 内的文档数量记为 _count并且按照 _count 降序排序。 我们可以修改结果排序方式
GET /hotel/_search
{size: 0, aggs: {brandAgg: {terms: {field: brand,order: {_count: asc // 按照_count升序排列},size: 20}}}
}Bucket聚合-限定聚合范围
默认情况下Bucket聚合是对索引库的所有文档做聚合我们可以限定要聚合的文档范围只要添加 query 条件即可
GET /hotel/_search
{query: {range: {price: {lte: 200 // 只对200元以下的文档聚合}}}, size: 0, aggs: {brandAgg: {terms: {field: brand,size: 20}}}
}aggs代表聚合与query同级此时query的作用是
限定聚合的的文档范围
聚合必须的三要素
聚合名称聚合类型聚合字段
聚合可配置属性有
size指定聚合结果数量order指定聚合结果排序方式field指定聚合字段
DSL实现Metrics 聚合
例如我们要求获取每个品牌的用户评分的 min、max、avg 等值. 我们可以利用 stats 聚合
GET /hotel/_search
{size: 0, aggs: {brandAgg: { terms: { field: brand, size: 20},aggs: { // 是brands聚合的子聚合也就是分组后对每组分别计算score_stats: { // 聚合名称stats: { // 聚合类型这里stats可以计算min、max、avg等field: score // 聚合字段这里是score}}}}}
}RestAPI实现聚合
我们以品牌聚合为例演示下 Java 的 RestClient 使用先看请求组装 再看下聚合结果解析 在IUserService中定义方法实现对品牌、城市、星级的聚合
需求搜索页面的品牌、城市等信息不应该是在页面写死而是通过聚合索引库中的酒店数据得来的 在IUserService中定义一个方法实现对品牌、城市、星级的聚合方法声明如下 对接前端接口
前端页面会向服务端发起请求查询品牌、城市、星级等字段的聚合结果
可以看到请求参数与之前search时的RequestParam完全一致这是在限定聚合时的文档范围。 例如用户搜索“外滩”价格在300~600那聚合必须是在这个搜索条件基础上完成。 因此我们需要
编写controller接口接收该请求修改IUserService#getFilters()方法添加RequestParam参数修改getFilters方法的业务聚合时添加query条件
Test
void testAggregation() throws IOException {// 1. 准备RequestSearchRequest request new SearchRequest(hotel);// 2. 准备DSL// 2.1 设置sizerequest.source().size(0);// 2.2 聚合request.source().aggregation(AggregationBuilders.terms(brandAgg).field(brand).size(10));// 3. 发出请求SearchResponse response client.search(request, RequestOptions.DEFAULT);// 4. 解析结果Aggregations aggregations response.getAggregations();// 4.1 根据聚合名称获取聚合结果Terms brandTerms aggregations.get(brandAgg);// 4.2 获取 bucketsList? extends Terms.Bucket buckets brandTerms.getBuckets();for (Terms.Bucket bucket : buckets) {String key bucket.getKeyAsString();System.out.println(key);}
}Controller
PostMapping(filters)
public MapString, ListString getFilters(RequestBody RequestParams params){return hotelService.filters(params);
}Service接口
Override
public MapString, ListString filters(RequestParams params) {try {// 1. 准备RequestSearchRequest request new SearchRequest(hotel);// 2. 准备DSL// 2.1 querybuildBasicQuery(params, request);// 2.2 设置sizerequest.source().size(0);// 2.3 聚合buildAggregation(request);// 3. 发出请求SearchResponse response client.search(request, RequestOptions.DEFAULT);// 4. 解析结果MapString, ListString result new HashMap();Aggregations aggregations response.getAggregations();// 4.1 根据品牌名称获取品牌结果ListString brandList getAggByName(aggregations, brandAgg);// 4.2 根据城市名称获取城市结果ListString cityList getAggByName(aggregations, cityAgg);// 4.3 根据星级名称获取星级结果ListString starList getAggByName(aggregations, starAgg);// 4.4 放入mapresult.put(品牌, brandList);result.put(城市, cityList);result.put(星级, starList);return result;} catch (IOException e) {throw new RuntimeException(e);}
}private ListString getAggByName(Aggregations aggregations, String aggName) {// 4.1 根据聚合名称获取聚合结果Terms brandTerms aggregations.get(aggName);// 4.2 获取 bucketsList? extends Terms.Bucket buckets brandTerms.getBuckets();// 4.3 遍历ListString brandList new ArrayList();for (Terms.Bucket bucket : buckets) {String key bucket.getKeyAsString();brandList.add(key);}return brandList;
}private void buildAggregation(SearchRequest request) {request.source().aggregation(AggregationBuilders.terms(brandAgg).field(brand).size(100));request.source().aggregation(AggregationBuilders.terms(cityAgg).field(city).size(100));request.source().aggregation(AggregationBuilders.terms(starAgg).field(star).size(100));
}private void buildBasicQuery(RequestParams params, SearchRequest request) {// 1. 构建BooleanQueryBoolQueryBuilder boolQuery QueryBuilders.boolQuery();// 关键字搜索String key params.getKey();if(key null || .equals(key)){boolQuery.must(QueryBuilders.matchAllQuery());}else{boolQuery.must(QueryBuilders.matchQuery(all, key));}// 条件过滤// 城市条件if (params.getCity() ! null !params.getCity().equals()){boolQuery.filter(QueryBuilders.termQuery(city, params.getCity()));}// 品牌条件if (params.getBrand() ! null !params.getBrand().equals()){boolQuery.filter(QueryBuilders.termQuery(brand, params.getBrand()));}// 星级条件if (params.getStarName() ! null !params.getStarName().equals()){boolQuery.filter(QueryBuilders.termQuery(starName, params.getBrand()));}// 价格if (params.getMinPrice() ! null params.getMaxPrice() ! null){boolQuery.filter(QueryBuilders.rangeQuery(price).gte(params.getMinPrice()).lte(params.getMaxPrice()));}// 2. 算分控制FunctionScoreQueryBuilder functionScoreQuery QueryBuilders.functionScoreQuery(// 原始查询相关性算分查询boolQuery,// function score 的数组new FunctionScoreQueryBuilder.FilterFunctionBuilder[]{// 其中的一个 function score 元素new FunctionScoreQueryBuilder.FilterFunctionBuilder(// 过滤条件QueryBuilders.termQuery(isAD, true),// 算分函数ScoreFunctionBuilders.weightFactorFunction(10))});request.source().query(functionScoreQuery);
}自动补全
自动补全需求说明
当用户在搜索框输入字符时我们应该提示出与该字符有关的搜索项如图 拼音分词器
要实现根据字母做补全就必须对文档按照拼音分词。在GitHub上恰好有elasticsearch的拼音分词插件。地址https://github.com/medcl/elasticsearch-analysis-pinyin
安装方式与IK分词器一样分三步
解压上传到虚拟机中elasticsearch的plugin目录重启elasticsearch测试
POST /_analyze
{text: 如家酒店整挺好,analyzer: pinyin
}自定义分词器
elasticsearch中分词器analyzer的组成包含三部分
character filters在tokenizer之前对文本进行处理。例如删除字符、替换字符tokenizer将文本按照一定的规则切割成词条term。例如keyword就是不分词还有ik_smarttokenizer filter将tokenizer输出的词条做进一步处理。例如大小写转换、同义词处理、拼音处理等 我们可以在创建索引库自定义分词器只对指定的索引库适用时通过settings来配置自定义的analyzer分词器 拼音分词器适合在创建倒排索引的时候使用但不能在搜索的时候使用。 创建倒排索引时 因此字段在创建倒排索引时应该用 my_analyzer 分词器字段在搜索时应该使用 ik_smart 分词器; DELETE /test# 自定义拼音分词器
PUT /test
{settings: {analysis: {analyzer: { my_analyzer: {tokenizer: ik_max_word,filter: py}},filter: {py: { type: pinyin,keep_full_pinyin: false,keep_joined_full_pinyin: true,keep_original: true,limit_first_letter_length: 16,remove_duplicated_term: true,none_chinese_pinyin_tokenize: false}}}},mappings: {properties: {name:{type: text,analyzer: my_analyzer, search_analyzer: ik_smart}}}
}POST /test/_doc/1
{id: 1,name: 狮子
}
POST /test/_doc/2
{id: 2,name: 虱子
}GET /test/_search
{query: {match: {name: 掉入狮子笼咋办}}
}如何使用拼音分词器
下载pinyin分词器解压并放到elasticsearch的plugin目录重启即可
如何自定义分词器
创建索引库时在settings中配置可以包含三部分character filtertokenizerfilter
拼音分词器注意事项
为了避免搜索到同音字搜索时不要使用拼音分词器
自动补全查询
completion suggester查询
elasticsearch提供了Completion Suggester 查询来实现自动补全功能。这个查询会匹配以用户输入内容开头的词条并返回。为了提高补全查询的效率对于文档中字段的类型有一些约束
参与补全查询的字段必须是completion类型。字段的内容一般是用来补全的多个词条形成的数组。 查询语法如下 # 自动补全的索引库
PUT test2
{mappings: {properties: {title:{type: completion}}}
}
# 示例数据
POST test2/_doc
{title: [Sony, WH-1000XM3]
}
POST test2/_doc
{title: [SK-II, PITERA]
}
POST test2/_doc
{title: [Nintendo, switch]
}# 自动补全查询
GET /test2/_search
{suggest: {titelSuggest: {text: s,completion: {field: title,skip_duplicates: true,size: 10}}}
}自动补全对字段的要求
类型是completion类型字段值是多词条的数组
酒店数据自动补全
实现hotel索引库的自动补全、拼音搜索功能
实现思路如下
修改hotel索引库结构设置自定义拼音分词器修改索引库的name、all字段使用自定义分词器索引库添加一个新字段suggestion类型为completion类型使用自定义的分词器给HotelDoc类添加suggestion字段内容包含brand、business重新导入数据到hotel库
注意name、all是可分词的自动补全的brand、business是不可分词的要使用不同的分词器组合
# 酒店数据索引库
PUT /hotel
{settings: {analysis: {analyzer: {text_anlyzer: {tokenizer: ik_max_word,filter: py},completion_analyzer: {tokenizer: keyword,filter: py}},filter: {py: {type: pinyin,keep_full_pinyin: false,keep_joined_full_pinyin: true,keep_original: true,limit_first_letter_length: 16,remove_duplicated_term: true,none_chinese_pinyin_tokenize: false}}}},mappings: {properties: {id:{type: keyword},name:{type: text,analyzer: text_anlyzer,search_analyzer: ik_smart,copy_to: all},address:{type: keyword,index: false},price:{type: integer},score:{type: integer},brand:{type: keyword,copy_to: all},city:{type: keyword},starName:{type: keyword},business:{type: keyword,copy_to: all},location:{type: geo_point},pic:{type: keyword,index: false},all:{type: text,analyzer: text_anlyzer,search_analyzer: ik_smart},suggestion:{type: completion,analyzer: completion_analyzer}}}
}GET /hotel/_search
{query: {match_all: {}}
}GET /hotel/_search
{suggest: {titelSuggest: {text: h,completion: {field: suggestion,skip_duplicates: true,size: 10}}}
}RestAPI实现自动补全
先看请求参数构造的API 再来看结果解析 实现酒店搜索页面输入框的自动补全
查看前端页面可以发现当我们在输入框键入时前端会发起ajax请求 在服务端编写接口接收该请求返回补全结果的集合类型为ListString
controller
GetMapping(suggestion)
public ListString getSuggestions(RequestParam(key) String prefix){return hotelService.getSuggestions(prefix);
}service
Override
public ListString getSuggestions(String prefix) {try {// 1. 准备RequestSearchRequest request new SearchRequest(hotel);// 2. 准备DSLrequest.source().suggest(new SuggestBuilder().addSuggestion(suggestions,SuggestBuilders.completionSuggestion(suggestion).prefix(prefix).skipDuplicates(true).size(10)));// 3. 发送请求SearchResponse response client.search(request, RequestOptions.DEFAULT);// 4. 解析结果Suggest suggest response.getSuggest();// 4.1 根据补全查询名称获取补全结果CompletionSuggestion suggestions suggest.getSuggestion(suggestions);// 4.2 获取optionsListCompletionSuggestion.Entry.Option options suggestions.getOptions();// 4.3 遍历ListString list new ArrayList(options.size());for (CompletionSuggestion.Entry.Option option : options) {String text option.getText().toString();list.add(text);}return list;} catch (IOException e) {throw new RuntimeException();}
}数据同步
数据同步思路分析
elasticsearch中的酒店数据来自于mysql数据库因此mysql数据发生改变时elasticsearch也必须跟着改变这个就是elasticsearch与mysql之间的数据同步。 方案一同步调用 方案二异步通知 方案三监听binlog 方式一同步调用
优点实现简单粗暴缺点业务耦合度高
方式二异步通知
优点低耦合实现难度一般缺点依赖mq的可靠性
方式三监听binlog
优点完全解除服务间耦合缺点开启binlog增加数据库负担、实现复杂度高
实现elasticsearch与数据库数据同步
利用MQ实现mysql与elasticsearch数据同步
利用课前资料提供的hotel-admin项目作为酒店管理的微服务。当酒店数据发生增、删、改时要求对elasticsearch中数据也要完成相同操作。 步骤
导入课前资料提供的hotel-admin项目启动并测试酒店数据的CRUD声明exchange、queue、RoutingKey在hotel-admin中的增、删、改业务中完成消息发送在hotel-demo中完成消息监听并更新elasticsearch中数据启动并测试数据同步功能 导入项目 声明exchange、queue、RoutingKey两类消息两种队列
导入amqp依赖
!--amqp--
dependencygroupIdorg.springframework.boot/groupIdartifactIdspring-boot-starter-amqp/artifactId
/dependencyyaml文件中配置rabbitmq
spring:rabbitmq:host: 10.211.55.6port: 5672username: itcastpassword: 123321virtual-host: /MqConstants.java
public class MqConstants {/*** 交换机*/public final static String HOTEL_EXCHANGE hotel.topic;/*** 监听新增和修改的队列*/public final static String HOTEL_INSERT_QUEUE hotel.insert.queue;/*** 监听删除的队列*/public final static String HOTEL_DELETE_QUEUE hotel.delete.queue;/*** 新增或修改的RoutingKey*/public final static String HOTEL_INSERT_KEY hotel.insert;/*** 删除的RoutingKey*/public final static String HOTEL_DELETE_KEY hotel.delete;
}MqConfig.java
Configuration
public class MqConfig {Beanpublic TopicExchange topicExchange(){return new TopicExchange(MqConstants.HOTEL_EXCHANGE, true, false);}Beanpublic Queue insertQueue(){return new Queue(MqConstants.HOTEL_INSERT_QUEUE, true);}Beanpublic Queue deleteQueue(){return new Queue(MqConstants.HOTEL_DELETE_QUEUE, true);}Beanpublic Binding insertQueueBinding(){return BindingBuilder.bind(insertQueue()).to(topicExchange()).with(MqConstants.HOTEL_INSERT_KEY);}Beanpublic Binding deleteQueueBinding(){return BindingBuilder.bind(deleteQueue()).to(topicExchange()).with(MqConstants.HOTEL_DELETE_KEY);}
}在hotel-admin中的增、删、改业务中完成消息发送
导入依赖配置 yaml 文件
controller中
RestController
RequestMapping(hotel)
public class HotelController {Autowiredprivate IHotelService hotelService;Autowiredprivate RabbitTemplate rabbitTemplate;GetMapping(/{id})public Hotel queryById(PathVariable(id) Long id){return hotelService.getById(id);}GetMapping(/list)public PageResult hotelList(RequestParam(value page, defaultValue 1) Integer page,RequestParam(value size, defaultValue 1) Integer size){PageHotel result hotelService.page(new Page(page, size));return new PageResult(result.getTotal(), result.getRecords());}PostMappingpublic void saveHotel(RequestBody Hotel hotel){hotelService.save(hotel);rabbitTemplate.convertAndSend(MqConstants.HOTEL_EXCHANGE, MqConstants.HOTEL_INSERT_KEY, hotel.getId());}PutMapping()public void updateById(RequestBody Hotel hotel){if (hotel.getId() null) {throw new InvalidParameterException(id不能为空);}hotelService.updateById(hotel);rabbitTemplate.convertAndSend(MqConstants.HOTEL_EXCHANGE, MqConstants.HOTEL_INSERT_KEY, hotel.getId());}DeleteMapping(/{id})public void deleteById(PathVariable(id) Long id) {hotelService.removeById(id);rabbitTemplate.convertAndSend(MqConstants.HOTEL_EXCHANGE, MqConstants.HOTEL_DELETE_KEY, id);}
}在hotel-demo中完成消息监听并更新elasticsearch中数据
HotelListener.java
Component
public class HotelListener {Autowiredprivate IHotelService hotelService;/*** 监听酒店新增或修改的业务* param id*/RabbitListener(queues MqConstants.HOTEL_INSERT_QUEUE)public void listenHotelInsertOrUpdate(Long id){hotelService.insertById(id);}/*** 监听酒店新删除的业务* param id*/RabbitListener(queues MqConstants.HOTEL_DELETE_QUEUE)public void listenHotelDelete(Long id){hotelService.deleteById(id);}
}service
Override
public void deleteById(Long id) {try {// 1. 准备RequestDeleteRequest request new DeleteRequest(hotel, id.toString());// 2. 准备发送请求client.delete(request, RequestOptions.DEFAULT);} catch (IOException e) {throw new RuntimeException(e);}
}Override
public void insertById(Long id) {try {// 0. 根据id查询酒店数据Hotel hotel getById(id);// 转换为文档类型HotelDoc hotelDoc new HotelDoc(hotel);// 1. 准备Request对象IndexRequest request new IndexRequest(hotel).id(hotel.getId().toString());// 2. 准备Json文档request.source(JSON.toJSONString(hotelDoc), XContentType.JSON);// 3. 发送请求client.index(request, RequestOptions.DEFAULT);} catch (IOException e) {throw new RuntimeException(e);}
}集群
ES集群结构
单机的elasticsearch做数据存储必然面临两个问题海量数据存储问题、单点故障问题。
海量数据存储问题将索引库从逻辑上拆分为N个分片shard存储到多个节点单点故障问题将分片数据在不同节点备份replica 搭建ES集群
我们会在单机上利用docker容器运行多个es实例来模拟es集群。不过生产环境推荐大家每一台服务节点仅部署一个es的实例。
部署es集群可以直接使用docker-compose来完成但这要求你的Linux虚拟机至少有4G的内存空间
创建es集群
首先编写一个docker-compose文件内容如下
version: 2.2
services:es01:image: elasticsearch:7.12.1container_name: es01environment:- node.namees01- cluster.namees-docker-cluster- discovery.seed_hostses02,es03- cluster.initial_master_nodeses01,es02,es03- ES_JAVA_OPTS-Xms512m -Xmx512mvolumes:- data01:/usr/share/elasticsearch/dataports:- 9200:9200networks:- elastices02:image: elasticsearch:7.12.1container_name: es02environment:- node.namees02- cluster.namees-docker-cluster- discovery.seed_hostses01,es03- cluster.initial_master_nodeses01,es02,es03- ES_JAVA_OPTS-Xms512m -Xmx512mvolumes:- data02:/usr/share/elasticsearch/dataports:- 9201:9200networks:- elastices03:image: elasticsearch:7.12.1container_name: es03environment:- node.namees03- cluster.namees-docker-cluster- discovery.seed_hostses01,es02- cluster.initial_master_nodeses01,es02,es03- ES_JAVA_OPTS-Xms512m -Xmx512mvolumes:- data03:/usr/share/elasticsearch/datanetworks:- elasticports:- 9202:9200
volumes:data01:driver: localdata02:driver: localdata03:driver: localnetworks:elastic:driver: bridgees运行需要修改一些linux系统权限修改/etc/sysctl.conf文件
vi /etc/sysctl.conf添加下面的内容
vm.max_map_count262144然后执行命令让配置生效
sysctl -p通过docker-compose启动集群
docker-compose up -d集群状态监控
kibana可以监控es集群不过新版本需要依赖es的x-pack 功能配置比较复杂。
这里推荐使用cerebro来监控es集群状态官方网址https://github.com/lmenezes/cerebro
解压即可使用非常方便。
解压好的目录如下 进入对应的bin目录 双击其中的cerebro.bat文件即可启动服务。 访问http://localhost:9000 即可进入管理界面 输入你的elasticsearch的任意节点的地址和端口点击connect即可 绿色的条代表集群处于绿色健康状态。
创建索引库
1利用kibana的DevTools创建索引库
在DevTools中输入指令
PUT /itcast
{settings: {number_of_shards: 3, // 分片数量number_of_replicas: 1 // 副本数量},mappings: {properties: {// mapping映射定义 ...}}
}2利用cerebro创建索引库
利用cerebro还可以创建索引库 填写索引库信息 点击右下角的create按钮 查看分片效果
回到首页即可查看索引库分片效果 每个索引库的分片数量、副本数量都是在创建索引库时指定的并且分片数量一旦设置以后无法修改。语法如下 ES集群的节点角色
elasticsearch中集群节点有不同的职责划分 elasticsearch中的每个节点角色都有自己不同的职责因此建议集群部署时每个节点都有独立的角色。 集群脑裂问题
默认情况下每个节点都是master eligible节点因此一旦master节点宕机其它候选节点会选举一个成为主节点。当主节点与其他节点网络故障时可能发生脑裂问题。
为了避免脑裂需要要求选票超过 ( eligible节点数量 1 / 2 才能当选为主因此eligible节点数量最好是奇数。对应配置项是discovery.zen.minimum_master_nodes在es7.0以后已经成为默认配置因此一般不会发生脑裂问题 master eligible节点的作用是什么
参与集群选主主节点可以管理集群状态、管理分片信息、处理创建和删除索引库的请求
data节点的作用是什么
数据的CRUD
coordinator节点的作用是什么
路由请求到其它节点合并查询到的结果返回给用户
集群分布式存储
当新增文档时应该保存到不同分片保证数据均衡那么coordinating node如何确定数据该存储到哪个分片呢 elasticsearch会通过hash算法来计算文档应该存储到哪个分片 说明
_routing默认是文档的id算法与分片数量有关因此索引库一旦创建分片数量不能修改
新增文档流程 集群分布式查询
elasticsearch的查询分成两个阶段
scatter phase分散阶段coordinating node会把请求分发到每一个分片gather phase聚集阶段coordinating node汇总data node的搜索结果并处理为最终结果集返回给用户 分布式新增如何确定分片
coordinating node根据id做hash运算得到结果对shard数量取余余数就是对应的分片
分布式查询的两个阶段
分散阶段 coordinating node将查询请求分发给不同分片收集阶段将查询结果汇总到coordinating node 整理并返回给用户
集群故障转移
集群的master节点会监控集群中的节点状态如果发现有节点宕机会立即将宕机节点的分片数据迁移到其它节点确保数据安全这个叫做故障转移。 故障转移
master宕机后EligibleMaster选举为新的主节点。master节点监控分片、节点状态将故障节点上的分片转移到正常节点确保数据安全。
