集群监控与故障排查

本章定位：运维 Elasticsearch 的核心能力是"看得见问题"和"修得好故障"。本章覆盖四个核心监控 API 和三类常见故障的排查流程。

定义与作用

集群监控通过 _cluster/health、_cat、_nodes/stats、慢日志等 API 实时观察集群状态。故障排查在集群出现 Red 状态、写入拒绝、搜索超时等问题时，快速定位根因。

完整示例：李眉的运维案例

日常监控

# 集群健康状态（最重要）
GET /_cluster/health?pretty

# 节点资源总览
GET /_cat/nodes?v&h=name,ip,heap.percent,ram.percent,cpu,load_1m,disk.used_percent,role

# 线程池检查（核心指标！）
GET /_cat/thread_pool/search?v&h=node,name,active,queue,rejected,completed

磁盘水位线写保护

# 诊断：disk_threshold 触发只读
GET /_cluster/allocation/explain

# 解决：清理索引 → 解除只读
PUT /_all/_settings
{ "index.blocks.read_only_allow_delete": null }

慢日志配置

PUT /students/_settings
{
  "index.search.slowlog.threshold.query.warn": "200ms",
  "index.indexing.slowlog.threshold.index.warn": "100ms"
}

小结

监控四件套：_cluster/health、_cat、_nodes/stats、慢日志。三类故障：磁盘满→清理/扩存储；搜索慢→检查线程池 rejected、慢日志；GC 频繁→检查堆大小、fielddata 缓存。