Elasticsearch 索引中具有相同 _uid 的重复文档

Question

我们在我们的 Elasticsearch 索引之一中发现了一些重复的文档，但我们无法找出原因。每个受影响的文档都有两个副本，它们具有完全相同的 _id、_type 和 _uid 字段。

对/index-name/document-type/document-id 的 GET 请求只返回一个副本，但是使用这样的查询搜索文档会返回两个结果，这非常令人惊讶：

POST /index-name/document-type/_search
{
  "filter": {
    "term": {
      "_id": "document-id"
    }
  }
}

在_uid 字段上进行聚合还可以识别重复文档：

POST /index-name/_search
{
  "size": 0,
  "aggs": {
    "duplicates": {
      "terms": {
        "field": "_uid",
        "min_doc_count": 2
      }
    }
  }
}

重复项都在不同的分片上。例如，一个文档可能在主分片 0 上有一个副本，在主分片 1 上有一个副本。我们已经通过使用preference parameter 依次在每个分片上运行上述聚合查询来验证这一点：它没有在其中找到任何重复项一个分片。

我们最好的猜测是路由出了问题，但我们不明白如何将副本路由到不同的分片。根据routing documentation，默认路由是基于文档ID，并且应该一致地将文档路由到同一个分片。

我们没有使用会覆盖默认路由的自定义路由参数。我们通过确保重复的文档没有_routing 字段对此进行了仔细检查。

我们也没有定义任何会影响路由的父/子关系。 （例如，请参阅this question in the Elasticsearch forum，它与我们的问题具有相同的症状。我们认为原因不一样，因为我们没有设置任何文档父级）。

我们通过重新索引到新索引来解决直接问题，该索引压缩了重复的文档。我们仍然有旧的索引可供调试。

我们还没有找到重现问题的方法。新索引正在正确索引文档，我们已尝试重新运行通宵处理作业，该作业也会更新文档，但它没有创建更多重复项。

集群有 3 个节点、3 个主分片和 1 个副本（即 3 个副本分片）。 minimum_master_nodes 设置为 2，这应该可以防止 split-brain 问题。我们正在运行 Elasticsearch 2.4（我们知道它已经过时 - 我们计划很快升级）。

有谁知道可能导致这些重复的原因吗？您对调试方法有什么建议吗？

Answer 1

我们找到了答案！问题是索引意外地切换了它用于路由的哈希算法，这导致一些更新的文档被存储在不同的分片上，而不是原来的版本。

对/index-name/_settings 的 GET 请求揭示了这一点：

"version": {
  "created": "1070599",
  "upgraded": "2040699"
},
"legacy": {
  "routing": {
    "use_type": "false",
    "hash": {
      "type": "org.elasticsearch.cluster.routing.DjbHashFunction"
    }
  }
}

“1070599”指的是 Elasticsearch 1.7，“2040699”指的是 ES 2.4。

看起来索引试图将自身从 1.7 升级到 2.4，尽管事实上它已经在运行 2.4。这是此处描述的问题：https://github.com/elastic/elasticsearch/issues/18459#issuecomment-220313383

我们认为这是触发变化的原因：

1. 当我们将索引从 ES 1.7 升级到 2.4 时，我们决定不就地升级 Elasticsearch，因为这会导致停机。相反，我们创建了一个单独的 ES 2.4 集群。

   我们使用复制所有索引设置和数据的工具将数据加载到新集群中，包括 you should not set in ES 2.4 的 version 设置。

2. 在处理最近的问题时，我们碰巧关闭并重新打开了索引。这通常会保留所有数据，但由于 version 设置不正确，导致 Elasticsearch 认为正在处理升级。

3. 由于错误升级，ES 自动设置legacy.routing.hash.type 设置。这意味着在此之后索引的任何数据都使用旧的DjbHashFunction，而不是最初用于路由数据的默认Murmur3HashFunction。

这意味着将数据重新编入新索引是解决问题的正确做法。新索引具有正确的版本设置，并且没有旧的哈希函数设置：

"version": {
  "created": "2040699"
}