Elasticsearch 常见的 8 种错误及最佳实践

题记

Elasticsearch 社区有大量关于 Elasticsearch 错误和异常的问题。
深挖这些错误背后的原因，把常见的错误积累为自己的实战经验甚至是工具，不仅可以节省我们的开发和运维时间，而且可以帮助确保 Elasticsearch 集群的长期健康运行。
常见的异常、原因和常规最佳实践拆解如下，这些最佳实践可以帮助我们更有效地识别、最小化定位和处理异常问题。

1、 Mapper_parsing_exception

Elasticsearch 依靠映射（Mapping）定义的数据类型处理数据。
映射定义了文档中的字段并指定了它们对应的数据类型，例如日期类型 Date、长整数类型 long 和 字符串类型 text。
如果索引文档包含没有定义数据类型的新字段，Elasticsearch将使用动态映射来估计字段的类型，并在必要时将其从一种类型转换为另一种类型。
如果Elasticsearch无法执行此转换，它将引发“ mapper_parsing_exception无法解析” 异常。
如果此类异常太多会降低索引吞吐量。
实战举例如下：

DELETE mytest_0001
PUT mytest_0001/_doc/1
{
  "name":"John"
}

PUT mytest_0001/_doc/2
{
  "name": {
    "firstname": "John",
    "lastname": "doe"
  }
}

为避免此问题，可以在创建索引时显示定义Mapping，明确敲定字段类型。或者可以使用 _mapping 动态添加新字段映射。
动态更新索引实战：

PUT mytest_0001/_mapping
{
  "properties": {
    "title": {
      "type": "text"
    }
  }
}

请注意：虽然可以通过如上命令动态添加字段，但是不能更改现有字段映射。
若想做字段类型的修改，需要重新定义Mapping 结合 reindex 和 alias 别名 实现。

2、BulkIndexError

批量索引大型数据集通常更有效。
例如，您可以执行一个批量操作来索引 1,000 个文档，而不是使用 1,000 个索引操作。
批量操作可以通过 bulk API 完成。
批量操作实战：

PUT my_index_0003/_bulk
{"index":{"_id":1}}
{"myid":"c12345"}
{"index":{"_id":2}}
{"myid":"C12456"}
{"index":{"_id":3}}
{"myid":"C31268"}

但是，此过程容易出错。执行批量操作的过程中，你需要仔细检查：数据类型不匹配和空值匹配等问题。
对于批量 API ，你需要格外警惕，因为即使有数百个肯定的响应，批量中的某些索引请求也可能失败。
批量操作捕获错误实战：

@Override
  public void afterBulk(long executionId, BulkRequest request, BulkResponse response) {
 if (response.hasFailures()) {
  for (int i = 0; i < response.getItems().length; i++) {
   BulkItemResponse item = response.getItems()[i];
   if (item.isFailed()) {
      IndexRequest ireq = (IndexRequest) request.requests().get(i);
      logger.error("Failed while indexing to " + item.getIndex() + " type " + item.getType() + " " +
          "request: [" + ireq + "]: [" + item.getFailureMessage() + "]");
   }
  }
 }
}

除了提前设置具有所有适当条件的批量 API 之外，还要浏览响应列表并检查每个响应，以确保所有数据均按预期索引。

3、搜索超时错误：ConnectionTimeout，ReadTimeoutError，RequestTimeout 等

如果在指定的搜索时间内未收到响应，则请求将失败并返回错误消息。这称为搜索超时。
搜索超时很常见，多种原因都可以导致搜索超时，例如：大型数据集或占用大量内存的查询。
要消除搜索超时，可以通过如下实现解决：

3.1 增加 elasticsearch.requestTimeout

设置注意：应该在 HTTP 客户端而不是 Elasticsearch 中指定 timeout 值，Elasticsearch 端没有请求超时参数。
kibana 请求显示超时，优化方案如下：
kibana 默认请求等待时间是 30 秒，可以在 kibana.yml 中调整该值。

elasticsearch.requestTimeout: 90000

3.2 减少每个请求返回的文档数量

不要将请求的 size 值设置太大，结合：from、size 深度翻页机制实现。
全量遍历借助 scroll 实现。

3.3 缩小时间范围

请求时间范围越长（比如 时间跨度周期 1 年以上的数据），请求数据量越大，超时的可能性越高。

3.4 调整内存设置

通过配置单个查询的内存断路器来限制单个查询的内存使用量。
如：将 index.breaker.request.limit 限制为 40％，默认是 60%。
集群层面设置请求熔断内存实战：

PUT /_cluster/settings
{
  "persistent": {
    "indices.breaker.request.limit": "40%"
  }
}

通过将search.max_buckets设置为 5000 （默认值：10000）来限制用于聚合的存储桶数

PUT _cluster/settings
{
  "transient": {
    "search.max_buckets": 5000
  }
}

3.5 优化查询、索引和分片。

3.6 启用慢速搜索日志

监视搜索运行时间，扫描繁重的搜索等等。
慢日志开启实战：

PUT /_settings
{
  "index.search.slowlog.threshold.query.debug": "30s",
  "index.search.slowlog.threshold.fetch.debug": "30s",
  "index.indexing.slowlog.threshold.index.debug": "30s"
}

4、 All Shards Failed

在 Elasticsearch 搜索时，可能会遇到 “All Shards Failed” 的错误消息。

发生 All Shards Failed 的几种情况：

• 当读取请求无法从分片获得响应时
• 当由于集群或节点仍处于初始启动过程而无法搜索数据
• 当分片丢失或处于恢复模式并且集群为红色时
  造成 All Shards Failed 可能的原因：
• 节点可能已断开连接或重新连接
• 正在查询的分片可能正在恢复中，因此不可用
• 磁盘可能已损坏
• 搜索query 语句可能写的有问题。例如，引用字段类型错误的字段。
• 配置错误可能导致操作失败。
  问题排查实战举例：

GET /_cat/health
GET /_cat/indices?v
GET _cluster/health/?level=shards
GET _cluster/allocation/explain

5、进程内存锁定失败：“memory locking requested for elasticsearch process but memory is not locked”

为了使节点保持健康，必须确保没有将 JVM 内存换出到磁盘。
发生系统 swapping （交换）的时候 Elasticsearch 节点的性能会非常差，也会影响节点的稳定性。
所以要不惜一切代价来避免 swapping 。swapping会导致Java GC的周期延迟从毫秒级恶化到分钟，更严重的是会引起节点响应延迟甚至脱离集群。
限制 elasticsearch占用的内存情况，可选择少用swap。而：启用 bootstrap.memory_lock 就是限制交换的三种方案之一。
在 elasticsearch.yml 中 启动 memory_lock 实践：

bootstrap.memory_lock: true

报错复现如下：

[,260][INFO ][o.e.n.Node               ] [node-1] starting ...
[,529][INFO ][o.e.t.TransportService   ] [node-1] publish_address {172.17.0.5:9300}, bound_addresses {172.17.0.5:9300}
[,537][INFO ][o.e.b.BootstrapChecks    ] [node-1] bound or publishing to a non-loopback address, enforcing bootstrap checks
[,565][ERROR][o.e.b.Bootstrap          ] [node-1] node validation exception
[1] bootstrap checks failed
[1]: memory locking requested for elasticsearch process but memory is not locked
[,575][INFO ][o.e.n.Node               ] [node-1] stopping ...
[,596][INFO ][o.e.n.Node               ] [node-1] stopped
[,597][INFO ][o.e.n.Node               ] [node-1] closing ...
[,615][INFO ][o.e.n.Node               ] [node-1] closed

centos 7.x 解决方案：在 /etc/security/limits.conf 文件中添加如下内容，并保持，然后重启 elasticsearch 即可。

elasticsearch soft memlock unlimited
elasticsearch hard memlock unlimited

最佳实践之验证启动是否成功：

GET _nodes?filter_path=**.mlockall

正确返回结果如下：

{
  "nodes" : {
    "gJUT-E48u_nUw" : {
      "process" : {
        "mlockall" : true
      }
    }
  }
}

6、引导检查失败 Bootstrap Checks Failed

Bootstrap 检查会在 Elasticsearch 开始之前检查各种设置和配置，以确保其可以安全运行。
如果引导检查失败，则它们可以阻止 Elasticsearch 启动（如果处于生产模式）或在开发模式下发出警告日志。
建议你熟悉引导检查所强制执行的设置，并注意它们在开发和生产模式上是不同的。通过将系统属性
es.enforce.bootstrap.checks设置为true，可以强制执行引导检查。
主要检查内容包含但不限于：

• 堆的大小检查
• 文件描述符
• 最大线程数
• 文件大小限制
• 最大虚拟内存
• 最大映射数
• 客户端jvm检查
• 垃圾收集检查
• OnError和OnOutOfMemoryError检查 …
  最佳实践：在jvm.option 中添加如下配置后重启 Elasticsearch。

-Des.enforce.bootstrap.checks=true

7、TransportError

在Elasticsearch中，传输模块核心功能是：集群中节点之间的通信。
传输错误Transport errors 经常出现，失败可能是如下的原因引起的：
传输错误Transport errors 经常出现，失败可能是如下的原因引起的：

• 分片丢失
• 设置冲突
• 数据建模不合理
• 网络故障
• …
  常见的 Transport errors 错误如下：

TransportError(403, u'cluster_block_exception', u'blocked by: [FORBIDDEN/12/index read-only / allow delete (api)];')

原因分析：
当没有足够的可用磁盘空间供 Elasticsearch 在节点之间分配时，可能会发生这种情况。
解决方案：

• 增加磁盘空间
• 删除旧数据以释放空间
• 更新索引只读模式。
  注意：当磁盘使用率>=95%，index.blocks.read_only_allow_delete设置是防止节点用完磁盘空间的最后手段。不再允许写入，只能删除。
  以下命令能重置索引上的只读索引块：

PUT /_all/_settings
{
  "index.blocks.read_only_allow_delete": null
}

在分配所有分片之前，尝试使用刚刚创建的索引时，可能会出现另一种传输错误。
在这种情况下，报错如下：

TransportError(503, u”). 

传输错误也可能与 Mapping 问题相关。
例如，当您尝试索引具有与其映射不同的数据类型的字段时，可能报错如下：

TransportError (400, u’mapper_pasing_exception’) 

8、初始化/启动失败 Initialization/Startup Failures

有时候，分片的问题可能会阻止 Elasticsearch 启动。
例如，当使用有冲突的 Elasticsearch 版本时，您可能报错如下：

“ Elasticsearch java client initialization fails” 

或

 “\Common was unexpected at this time.”

最佳实践：
做好版本核验，确保开发使用的 jar 包版本和部署版本一致。

9、如何最小化错误和异常？探究错误及解决方案的底层逻辑

如果你不想仅仅一次处理一条错误消息，当你处理的问题多了以后，你会发现：很多错误和异常与如下三个更深层次的问题相关：

• 安装和配置问题
• 索引新数据问题
• 集群运行变慢问题
  深究拆解如下：

9.1 安装和配置问题

快速安装 Elasticsearch 很容易，但是要确保其生产级别的运行，需要仔细核对配置。
这可以帮助避免各种错误和异常，例如：引导检查失败 bootstrap checks failure 问题。

9.2 索引新数据问题

在 Elasticsearch 中，你必须非常仔细的对字段命名、正确使用模板 template、数据建模规范化。
仔细核对这些参数配置，可以帮助你避免诸如：映射 mapping 异常和批量索引错误（ bulk index errors）之类的问题。

9.3 集群速度变慢问题

随着数据规模的扩大，以及操作频繁度的扩展，Elasticsearch 有时会发生意外导致检索响应速度慢，并可能弹出超时报错。
因此，你必须持续监控集群的如下指标内容：

• 借助 kibana 或者 cerebro 等可视化工具观察错误率及走势
• 监控错误日志
• 核对拒绝的指标
  以提前将可能错误扼杀在摇篮阶段，并确保集群一切正常。

10、结论

Elasticsearch 运维或开发实战必定会遇到错误或异常。
尽管我们无法完全避免，但是可以采用一些最佳实践来帮助减少错误或异常的发生，并在出现问题时更有效地解决问题。
快速有效地解决集群缓慢等复杂问题离不开如下三点：
第一：密切关注各项设置和配置；
第二：索引新数据时要小心；
第三：确保集群各项指标可被监视与可视化查看。
简而言之，你应该将错误和异常视为优化 Elasticsearch 集群基础架构的机会，而不必过分担心它们的出现。
参考：
https://opster.com/blogs/common-elasticsearch-errors-and-exceptions/
Elasticsearch 官方文档
https://discuss.elastic.co/t/how-to-identify-message-causing-error-in-bulk-request/42885/5