带你读《Elastic Stack 实战手册》之42:——3.5.1.跨集群操作(2)

简介: 带你读《Elastic Stack 实战手册》之42:——3.5.1.跨集群操作(2)

《Elastic Stack 实战手册》——三、产品能力——3.5 进阶篇——3.5.1.跨集群操作(1) https://developer.aliyun.com/article/1228852


跨集群搜索

 

跨集群搜索可以针对一个或多个远程集群,运行单个搜索请求。例如,我们可以使用跨集群搜索,来过滤和分析存储,在不同数据中心的集群中的日志数据。

 

在5.3.0之前的版本,Elastic 官方提供了 Tribe Node 实现多集群访问的解决方案。

 

Tribe Node是以 Client Node 的角色添加到集群中,但是由于不保留集群的 meta 信息,每次重启需要重新加载初始化。因此,在5.3版本中 Elastic 官方提供了 CCS 的功能,允许集群中的任何节点可以联合查询。

 

快速入门

 

下面以两个集群的跨集群搜索为例。我们预先启动了两个集群:cluster1、cluster2,当前集群是 cluster1。现在的任务是联合远程访问的集群 cluter2 进行跨集群搜索。

 

我们分别在两个集群上动态配置 remote cluster。

 

注意:在 seeds 列表中填写的是集群节点间通信的 TCP 端口而不是 HTTP 端口。


PUT _cluster/settings
{
  "persistent": {
    "cluster": {
      "remote": {
        "cluster_one": {
          "seeds": [
            "192.168.2.2:9300"
          ]
        },
        "cluster_two": {
          "seeds": [
            "192.168.2.2:9500"
          ]
        }
      }
    }
  }
}

image.png

在 cluster1 中插入数据

 

PUT esfighttogether/_doc/1
{
  "teamname":"team 10"
}

在 cluster2 中插入数据


PUT esfighttogether/_doc/1
{
  "teamname":"team 1"
}
PUT esfighttogether/_doc/2
{
  "teamname":"team 7"
}

在两个集群上分别验证数据。因为写入时 Elasticsearch 自带的默认分词器会对数据进行分词,我们通过 team 就可以查询到所有数据。

 

查询语句如下:


GET esfighttogether/_search
{
  "query": {
    "match": {
      "teamname": "team"
    }
  }
}

执行跨集群搜索


GET cluster_one:esfighttogether,cluster_two:esfighttogether/_search?timeout=5m
{
  "query": {
    "match": {
      "teamname": "team"
    }
  }
}

image.png


如上图所示,通过 CCS 查询到 3 条数据:cluster_one 的一条数据 team 10 以及 cluster_

two 的两条数据 team 1 和 team 7,和之前写入的数据一致。

 

《Elastic Stack 实战手册》——三、产品能力——3.5 进阶篇——3.5.1.跨集群操作(3) https://developer.aliyun.com/article/1228850

 

相关实践学习
以电商场景为例搭建AI语义搜索应用
本实验旨在通过阿里云Elasticsearch结合阿里云搜索开发工作台AI模型服务,构建一个高效、精准的语义搜索系统,模拟电商场景,深入理解AI搜索技术原理并掌握其实现过程。
ElasticSearch 最新快速入门教程
本课程由千锋教育提供。全文搜索的需求非常大。而开源的解决办法Elasricsearch(Elastic)就是一个非常好的工具。目前是全文搜索引擎的首选。本系列教程由浅入深讲解了在CentOS7系统下如何搭建ElasticSearch,如何使用Kibana实现各种方式的搜索并详细分析了搜索的原理,最后讲解了在Java应用中如何集成ElasticSearch并实现搜索。  
相关文章
|
供应链 芯片
电商黑话之 spu sku
SPU = Standard Product Unit (标准化产品单元),SPU是商品信息聚合的最小单位,是一组可复用、易检索的标准化信息的集合,该集合描述了一个产品的基本特性。因此在电商类产品库建立时,通常会根据SPU来建立。
电商黑话之 spu sku
|
5月前
|
JSON 人工智能 API
如何用 Python 调用 任何 API(万能通用方法,一看就会)
我给你最简单、通用、万能的教程,不管是淘宝、京东、小红书、天气、支付、第三方接口,全部一套代码通用。
|
6月前
|
弹性计算 缓存 编解码
阿里云九代ECS云服务器c9i、g9i和r9i性能、使用场景及CPU型号全解析
阿里云第九代ECS(c9i/g9i/r9i)搭载英特尔®至强®6处理器,性能全面升级。三款实例核心差异在于CPU:内存配比(1:2/1:4/1:8),分别面向计算密集、通用均衡、内存密集型场景,助力企业精准选型降本增效。(239字)
756 6
|
云安全 安全 Cloud Native
阿里云 SASE 2.0 能力迭代|构建一体化办公数据安全解决方案
阿里云 SASE 2.0 能力迭代|构建一体化办公数据安全解决方案
|
10月前
|
JSON 数据挖掘 API
淘宝API接口的技术应用场景介绍
淘宝API是基于RESTful架构的开放接口,支持HTTP协议与JSON/XML数据格式,采用OAuth 2.0认证。开发者可调用商品、订单、用户等接口,实现数据同步、自动化运营与精准营销,广泛应用于比价工具、ERP系统及SaaS平台,提升电商效率与扩展性。(238字)
|
机器学习/深度学习 自然语言处理 算法
RAPTOR:多模型融合+层次结构 = 检索性能提升20%,结果还更稳健
本文探讨了通过多模型集成技术提升信息检索系统性能的方法,重点介绍了RAPTOR框架。RAPTOR通过构建层次化的信息组织结构和递归摘要技术,显著提高了检索系统的性能和适应性。研究建立在RAG Fusion技术基础上,旨在提供更全面的信息检索解决方案。
1464 2
RAPTOR:多模型融合+层次结构 = 检索性能提升20%,结果还更稳健
|
编解码 JSON 缓存
巧筑虚拟星河:Dev中的预览技巧
ArkUI预览器是HarmonyOS开发中的高效工具,支持实时与动态预览功能。实时预览可秒级刷新样式修改,动态预览则模拟真机交互体验。设备支持手机、平板、车机及智能手表等,但禁用账号登录、多媒体播放等功能。启动需通过菜单导航,电脑需支持OpenGL 3.2+。预览模式分页面和组件预览,前者测流程后者调样式。虚拟设备可测试多屏幕适配,避免硬件依赖。双向预览实现代码与界面联动,Hamock插件支持数据模拟,提升调试效率。总结:改样式用实时预览,测交互用动态预览,复杂场景需真机验证!
550 15
|
NoSQL 关系型数据库 MySQL
分布式系统,从CAP定理说起
本文作者笠泱分享了对分布式系统及其核心理论的理解,包括分布式系统的概念、单体架构的局限性以及网络运算常见误区。重点解析了CAP定理(一致性、可用性、分区容错性三者不可兼得)和BASE理论(基本可用、软状态、最终一致性)。同时探讨了如何判定CP与AP系统,并结合Nacos、MySQL、Redis等实例分析其特性。最后总结分布式架构设计需关注高可用、高性能等六大指标,强调微服务与分布式解决方案的重要性。
986 14
|
存储 数据采集 安全
一文深入了解RFID与条码技术的差异
RFID与条码技术都是用于物体信息识别的重要手段,但两者在工作原理、数据存储、读取方式、速度、耐用性、成本及安全性等方面存在显著差异。条码依赖光学扫描,成本低但易受环境影响,数据量有限;RFID通过射频信号传输,具备更大存储容量、非接触式读取、快速多标签处理能力以及更高安全性,适合复杂环境。根据实际需求选择合适技术,二者均为物联网时代物品识别的关键工具。
|
存储 关系型数据库 MySQL
客户说|乐檬零售引入PolarDB:查询性能百倍提升,稳定支撑超10万家门店
客户说|乐檬零售引入PolarDB:查询性能百倍提升,稳定支撑超10万家门店
797 2
客户说|乐檬零售引入PolarDB:查询性能百倍提升,稳定支撑超10万家门店

热门文章

最新文章