当前位置：首页 > news >正文

es基本概念-自学笔记

news 2025/8/12 7:25:13

小白刚学，看了一些概念，避免忘记，以此记录。

基本概念

node，index索引，分片，副本，doc values 和 segment，lucence，FST，压缩数组智能存储是什么

一、lucence（驱动es的核心引擎）

lucence是apache旗下的代码库，工具包。lucene 是一个超级强大的 V12 发动机，es是超跑。

它的存在只为解决一件事 ——如何以最快速度从海量文本中找出最相关的文档。它不负责网络通信、数据存储、分布式协调等。

极致性能：它的设计目标就是 “快”！通过：

神奇的倒排索引结构：直接告诉你哪些文档包含关键词，而不是扫描所有文档。
高效数据结构： FST 压缩字典省内存、快速定位词；FOR/RLE/Packed 压缩文档列表省内存、加速遍历和集合操作。
强大的评分算法：计算文档与查询的相关度分数（如 TF-IDF, BM25），保证结果质量。

1. 倒排索引

其实很简单，你想要在购物商城搜索”苹果手机“，那么肯定是基于这个词进行搜索，就要有词对应的文档信息。比如”苹果手机“存在文档1和文档2中，这样的简单的结构就是倒排索引。

构建的所有词称为term dictornary

为了搜索方便，还有个term index，就是把所有的词进行字典序排列，这样查找就变成了二分查找。

2. FST（前缀树）

所有的数据存储到硬盘上，因为词太多了，但是为了加快查询速度，会把词的索引信息加载到内存中，构建一个类似前缀树的结构，这样既节省了内存也加快了查询速度。

3. 压缩数组智能存储

“压缩数组智能存储”如何智能地解决？

它采用了一套组合拳：FOR (Frame Of Reference) + Packed Block + (可选的) RLE (Run-Length Encoding)。我们拆解来看：

1. Frame Of Reference (FOR - 帧参考 / 差值编码)
- 本质： 利用文档 ID 的局部递增特性，存储差值而不是绝对值。 把大整数变成小整数。
- 怎么做：
  - 将文档 ID 列表分成固定大小的 块 (Block) (比如 128 个 DocID 一个块)。
  - 对每个块：
    - 取块里的第一个文档 ID 作为基准值 。
    - 计算块内后续每个 DocID 与基准值的差值。
  - 示例：
    - 原始 DocID Block: [1000, 1003, 1005, 1010, 1021]
    - 基准值 (MinID): 1000
    - 差值 Delta List: [0, 3, 5, 10, 21] (1000 - 1000 = 0, 1003 - 1000 = 3, …)
    - 效果： 原本需要存储 5 个可能很大的 int (比如范围在 0~几十亿)。现在存储 1 个较大的 int (基准值 1000) + 5 个很小的 int (0, 3, 5, 10, 21)。小整数是压缩的关键！
2. Packed Blocks (打包块 / 位压缩)
- 本质： 利用差值（或原始小数值）都很小的特点，按需分配比特位，而不是固定32位。
- 怎么做：
  - 拿到一个块的计算后的差值列表 (或者对于词频列表，直接用原始的小数值列表)。
  - 找出这个列表中的最大值。
  - 计算存储这个最大值所需的最少比特位数。
  - 使用一个紧凑的位打包结构来存储这个块的所有值：每个值只占用计算出来的比特位数。
  - 示例：
    - 差值列表 Delta List: [0, 3, 5, 10, 21]
    - 最大值 Max Delta: 21
    - 存储 21 需要 5 个比特位 (因为 2^5=32 > 21)。
    - 将每个差值用 5 个比特位存储： 0->00000, 3->00011, 5->00101, 10->01010, 21->10101。
    - 将它们紧密打包成一个连续的比特流： 00000 00011 00101 01010 10101 (这个比特流在内存中就是连续的字节)。
  - 效果：
    - 原始存储：5个 int = 5 * 4字节 = 20字节。
    - FOR + Packed： 1个基准值(4字节) + 5个5位值 = 4字节 + (5 * 5bits) / 8 bits/byte ≈ 4字节 + 3.125字节 ≈ 7.125字节 (节约了 64% 以上！)。
    - 对于大量词频为 1 的块，压缩率更高（可能只需要 1-2 个比特位）！
  - CPU 优势： 一个块被打包在连续、紧凑的内存区域。当 ES 需要遍历这个块（比如做交集 AND 操作），它能高效地一次性将整个块或大部分块加载到 CPU 缓存中进行处理，避免了频繁访问主内存。位解压操作在现代 CPU 上也很快。
3. 可选的：Run-Length Encoding (RLE - 游程编码)
- 本质： 利用连续重复值的特性，用 (值, 连续出现次数) 对来存储，而不是存储每个单独的值。
- 适用场景： 特别适合词频列表。想象一个非常常见的词（如 “the”），它在成千上万个文档中的词频很可能大部分是 1。也可能在某个长文档中出现很多次。
- 与 FOR/Packed 结合：
  - 在应用 FOR/Packed 之前或之后，检测块内是否有长串的连续相同值。
  - 如果有，就用 RLE 压缩这些连续值。
  - 例如，词频块 [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 3, 1, 1, 1] 可能被编码为类似 (1, 12), (2, 1), (3, 1), (1, 3) 的形式。
- 效果： 对包含大量相同词频的块，RLE 能带来极高的压缩率。
总结： “压缩数组智能存储” 的智能之处
1. 分块 (Blocking)： 将大数据集切分成小块，是后续优化的基础，提高 CPU 缓存利用率。
2. FOR (差值编码)： 利用数值局部递增性（文档ID）或值域相对较小（词频）的特性，将大数转化为小数。
3. Packed Encoding (位压缩)： 利用差值/词频都很小的特性，按需分配比特位，极致节省空间。
4. (可选) RLE (游程编码)： 利用连续重复值的特性，进一步提高压缩率（尤其对词频）。
5. 空间与速度双赢：
  - 省内存： 显著减少倒排索引中 DocID 和 Freq 列表的内存占用（通常压缩到原始大小的 1/5 到 1/10 甚至更低）。
  - 提速度：
    - CPU 缓存友好： 紧凑的块结构更容易放入高速 CPU 缓存，减少访问主内存的昂贵延迟。
    - SIMD 加速潜力： 打包好的整块数据更适合现代 CPU 的 SIMD (单指令多数据) 指令进行并行处理（比如同时对块内多个差值做加法或比较）。
    - 减少 IO： 内存占用小意味着更多索引数据可以常驻内存，减少磁盘 IO。
大白话一句话总结：

ES 的“压缩数组智能存储”就像给倒排索引里的数字列表（哪些文档有这个词、词频多少）做超级打包！它发现这些数字往往变化不大或者经常重复，于是：1) 先记录起点和差值（把大数变小）；2) 然后像拼拼图一样只用最少的“小格子”（比特位）存这些小差值；3) 碰到一串一模一样的数（比如一堆词频是1），就记成“1出现100次”而不是写100个1。最终效果是：省了大把内存，查起来还飞快！

这就是 Elasticsearch (以及 Apache Lucene) 能在有限内存下支撑海量数据高效搜索的关键黑魔法之一。它和 FST (处理文本词表) 配合，共同构成了倒排索引高性能的基石。

4. 模糊查询

通过编辑距离（Levenshtein算法）来实现的，太远的距离就pass了，能节省很多时间。

二、其他词汇

1. node

node就是es的实例，一个进程。node有很多角色，承担不同的任务。

node的核心角色类型及其本质作用：

master (主节点候选人 / 集群管家候选人)：
- 通俗本质： 它们是有资格竞选“集群总管”职位的员工。
- 核心职责：
  - 集群管理： 维护集群状态（所有索引、分片、节点的元数据，称为 cluster state）。
  - 决策： 做出全局性决策：
    - 创建/删除索引。
    - 跟踪所有分片的位置 (哪个节点上有什么分片)。
    - 决定分片的分配和迁移（当节点加入或离开时重新平衡数据）。
    - 处理索引分片分配相关的设置。
  - 协调节点加入/离开： 处理新节点加入集群和节点故障离开的事件。
- 关键点：
  - master 角色只表示该节点有资格成为主节点或被选为主节点，不表示它当前一定是主节点。
  - 一个健康的集群必须至少有 3 个配置了 master 角色的节点（生产环境强烈推荐奇数个，如 3、5、7）。这是为了确保在少数节点故障时，仍然能形成一个法定人数 (Quorum) 来进行选举和管理。
  - 主节点本身通常不存储数据 (除非同时配置了 data 角色)。这是为了让它专注于集群管理任务，避免因数据处理负载过重而影响集群稳定性。
  - 负载： 主要是 CPU 和内存（用于维护集群状态和处理决策）。集群状态变更（如索引创建）会广播给所有 master 节点。
data (数据节点 / 仓库管理员)：
- 通俗本质： 它们是实际保管书本（数据分片）和提供借阅服务（搜索、聚合）的仓库管理员。
- 核心职责：
  - 存储分片： 存储分配给它的主分片和副本分片。
  - 数据处理： 执行所有与数据相关的操作：
    - 数据的写入、更新、删除。
    - 对数据的搜索请求。
    - 对数据的聚合计算。
    - 执行字段值的排序等。
- 关键点：
  - 这是存储和计算负载最重的节点，需要大量的 CPU、内存（特别是 JVM Heap）和磁盘 I/O。
  - 集群的性能（吞吐量、延迟）主要取决于 data 节点的数量和能力。
  - 通常配置为仅具有 data 角色（避免同时承担 master 角色），以最大化其数据处理能力。
ingest (预处理节点 / 数据整理员)：
- 通俗本质： 数据入库前的“流水线工人”，在书本上架（索引）之前对原始数据进行清洗、转换、丰富。
- 核心职责：
  - 在文档被索引到 data 节点之前，应用预定义的预处理管道 (Ingest Pipeline)。
  - 管道中可以执行的操作包括：
    - 字段重命名、删除、添加。
    - 数据类型转换。
    - 文本处理（如小写转换）。
    - 丰富数据（如根据 IP 查地理位置）。
    - 解析复杂结构（如 CSV, JSON）。
- 关键点：
  - 目的是在数据入库前将数据整理成更易用的格式，避免在 data 节点上执行昂贵的转换操作。
  - 是可选角色。如果没有专门的 ingest 节点，data 节点或 coordinating 节点也会执行管道处理（但会增加它们的负担）。
coordinating (协调节点 / 接待员/调度员)：
- 通俗本质： 它是集群的统一入口和任务调度中心。
- 核心职责：
  - 请求入口： 接收来自客户端应用程序 (如你的代码、Kibana) 的所有请求（搜索、写入）。
  - 请求路由：
    - 写请求： 根据文档 ID 确定应该写到哪个数据节点上的哪个分片（主分片）。
    - 搜索请求： 将搜索请求分发到所有相关的 data 节点（包含目标分片的节点），收集并汇总来自这些节点的部分结果，最后将完整结果排序后返回给客户端。
  - 预处理执行： 如果请求需要预处理且该节点有 ingest 角色，它会执行预处理管道。
  - 结果合并： 处理搜索结果的排序、分页、聚合结果合并等。
- 关键点：
  - 本身不存储数据 (data: false)，不能是主节点 (master: false)，通常也不做预处理 (ingest: false)。 它是纯协调角色。
  - 在大集群或高查询负载的场景下，显式配置专门的 coordinating 节点非常重要：
    - 避免 data 节点宝贵的 CPU 和 I/O 资源被协调任务消耗。
    - 提供一个可扩展的、无状态的入口层，方便负载均衡（在 coordinating 节点前加负载均衡器如 Nginx, HAProxy）。
  - 负载： 主要是 CPU 和网络 I/O（处理请求分发和结果合并）。

2. index索引

按业务需求进行的大的逻辑分区。
比如日志系统对接es，索引就是各个业务系统名称。
打个比方就像：图书馆里按主题划分的一个分区。比如 “计算机科学书库”、“历史书库”、“小说书库”。每个专题书库就是一个 “索引”。

3.分片

索引的数据存在分片中，分片是对索引数据的水平切分。分片可以存在不同的机器不同的位置处。（高可用）

ES 会自动管理分片的分布，确保同一个分片的主副本不会在同一个节点上（避免单点故障），并尽可能均衡分布。

分片分为：

shard主分片
副本分片。
每个分片本身就是一个功能完整的、独立的 Lucene 索引实例（包含倒排索引、正排索引等所有结构）。

特别注意：索引的主分片数量在索引创建时指定，之后不能修改（除非通过 Reindex）。

4. segment 段

逻辑分区索引下面有分片，负责存储在不同的node的不同地方，分片是由多个segment构成的，segment就是最小的、不可变的 Lucene 索引单元。（不用担心再嵌套下去了，学不玩了/(ㄒoㄒ)/~~）

segment的编辑操作
只会创建新的segment，不会去改动原有的segment！！！这是因为segment中存储了大量其他基本信息（倒排索引，文件结构，元信息等），牵一发动全身。那么高并发的时候，segment必然会创建很多份，防止文件爆炸，es会定期merge segment。

5. doc values

正排索引，为了解决用户需要根据文档内容进行【聚合、排序、脚本操作等】的需要，比如根据创建时间排序，获取用户的数量等信息。

本质是个列式存储结构（类似mysql那种，一列就是一个字段）。 Doc Values 是 Lucene 在索引文档时，在磁盘上额外构建的一种正向索引结构。它以文档 ID 为行，字段为列存储数据。

解决倒排索引的痛点：倒排索引精于快速查找 “某个词在哪些文档”，但不适合聚合、排序、脚本访问字段值。这些操作需要遍历大量文档并访问字段的原始值，使用倒排索引效率极低（需要 “随机” 打开每个文档找字段值）。

三、ES集群高可用核心

1. Master 节点选举机制 (Bully 算法原理)

ES 采用一个改进版的 Bully 算法 来选举主节点。其核心目标是：在具有 master 资格的节点中，选出一个节点来承担主节点职责。

选举的核心流程与本质：

触发选举 (什么时候选？)：
- 集群启动： 当第一个具有 master 角色的节点启动时，它发现没有主节点存在，就会触发选举。
- 主节点故障： 当前主节点宕机或与集群失去联系（网络分区）时，其他 master 节点检测到主节点丢失（通过心跳超时），会触发新的选举。
- 显式移除主节点： 运维操作导致。
候选人 (谁可以参选？)：
- 只有配置了 node.roles 包含 master 的节点才有资格参与选举。
核心选举步骤 (怎么选？ - Bully 算法精髓)：
- 步骤 1：发现主节点丢失：一个或多个 master 节点 (candidate) 检测到主节点心跳超时，认为主节点失效。
- 步骤 2：发起选举：每个认为自己可能是新主节点的 candidate 节点（通常是所有检测到主节点丢失的 master），向当前所有已知的、具有 master 资格的节点广播一个 StartElectionRequest（选举请求）。这个请求包含一个 clusterStateVersion（集群状态版本号，越高表示包含的变更越新）。
- 步骤 3：比较竞争：
  - 收到 StartElectionRequest 的 master 节点会比较：
    - 集群状态版本 (clusterStateVersion)：拥有最新集群状态版本的 master 节点具有最高优先级。这是为了避免新选出的主节点状态落后，导致数据不一致（最重要原则！）。
    - 节点 ID (Node ID)：如果集群状态版本相同（例如集群刚启动时都是0），则比较 节点 ID（一个唯一的字符串标识符）。节点 ID 越小，优先级越高。
    - 节点启动顺序：极端情况下（相同集群状态版本和节点ID），比较节点启动顺序（很少见）。
  - 比较规则：先比 clusterStateVersion (越大越好)，再比节点 ID (越小越好)。
- 步骤 4：投票 (Acknowledgment)：
  - 收到 StartElectionRequest 的 master 节点，会判断自己是否比发起请求的节点 更适合 (more qualified) 当主节点（根据上面的比较规则）。
    - 如果请求发起者比自己更适合：该节点会投票支持 (acknowledge) 这个发起者，并承诺在选举期间不会投票给其他人。同时会返回自己知道的最新集群状态版本给发起者。
    - 如果自己比发起者更适合：会拒绝 (reject) 这个发起者的请求，并且可能会自己发起一个新的选举请求。
- 步骤 5：当选 & 发布集群状态：
  - 发起选举的 candidate 节点需要收到 法定人数 (quorum) 的投票支持才能当选主节点。
    - 法定人数 (quorum) 计算：discovery.zen.minimum_master_nodes (Zen1) 或 cluster.initial_master_nodes + 集群拓扑感知 (Zen2) 共同保证。核心是：floor(N / 2) + 1 (其中 N 是 master 节点总数)。例如，你有 3 个 master 节点，法定人数是 2 (floor(3/2)+1 = 1+1=2)；有 5 个，法定人数是 3。
  - 当一个 candidate 收到超过法定人数的投票支持后，它就宣告自己成为新的主节点 (elected-as-master)。
  - 新主节点立即发布一个包含自己当选信息的新版 cluster state 给集群中的所有节点（包括 master 和 data/coordinating/ingest 节点）。其他节点接收到这个状态后，就认可这个新主节点。
关键保障机制：
- 法定人数 (Quorum)：
  - 本质：防止脑裂 (split-brain) 的核心机制。
  - 原理：要求任何决策（包括选举结果、集群状态变更）必须获得大多数 master 节点 (quorum) 的同意才能生效。这样就能确保在网络分区的情况下，最多只有一个分区能形成有效的集群（获得 quorum），另一个分区因为没有足够节点而无法选举或更新状态，从而避免两个主节点同时存在导致数据损坏。
  - 配置：在 ES 7.0 之前，需要手动配置 discovery.zen.minimum_master_nodes（必须设置成 quorum 数）。在 ES 7.0+ 的集群引导阶段，使用 cluster.initial_master_nodes 列出初始 master 节点列表，ES 会自动计算和维护 quorum（推荐方式，不再需要手动设置 discovery.zen.minimum_master_nodes）。
- 集群状态版本 (Cluster State Version)：确保新主节点拥有最完整的集群视图，避免数据丢失或冲突。版本号最高的节点优先当选。

2. 和raft的区别

Raft 算法是什么？

简单说，Raft 是一个 管理复制日志（Replicated Log）的一致性算法。

它的核心目标是：让一组计算机（服务器/节点）在部分节点可能故障或网络可能出错的情况下，依然能就一系列操作（状态变更）的顺序达成一致，并安全地复制这些操作。

为什么需要这个？ 想象你要在多个图书馆（分布式系统）之间同步图书库存信息。每个图书馆都要记录“新书入库”、“书籍借出”、“书籍归还”这些操作。所有图书馆的操作记录本（日志）必须一模一样且顺序一致，否则有的图书馆认为书在库，有的认为已借出，就乱套了。Raft 就是保证所有管理员（节点）的记录本高度一致的规则。

Raft 的核心思想：领导与跟随

Raft 最大的特点是 强领导（Strong Leader） 模型。每个时刻，至多只能有一个有效的领导者（Leader）。所有决策都由领导者发出，跟随者（Followers）只需接收和执行领导者的指令。这大大简化了协调过程。

Raft 中的节点角色：

Leader (领导者/总管理员)：
- 职责： 接收客户端的所有操作请求（如“添加新书《算法导论》”）；将这些操作写入自己的操作记录本（日志）；强制要求所有跟随者复制这个操作记录；在确保操作被安全复制后，通知所有跟随者“可以正式执行这个操作了”（即提交该日志条目）；响应客户端操作是否成功。
- 权力： 独裁者，所有写操作必须经过它。定期给所有跟随者发心跳（Heartbeat） 来维持权威。
Follower (跟随者/分馆管理员)：
- 职责： 被动响应来自领导者的 RPC（远程调用），包括接收并复制领导者发来的操作记录（日志条目），执行领导者通知的已提交的操作（将操作实际应用到自己的状态机，比如更新本地库存表）。如果长时间没收到领导者的心跳，就“揭竿而起”变成候选人，尝试竞选新领导。
- 状态： 大部分时间节点都处于跟随者状态（一个健康的集群通常只有一个领导者，其余全是跟随者）。
Candidate (候选人/竞选者)：
- 职责： 当跟随者怀疑领导者挂了（心跳超时），就变身候选人，发起一次选举（Election），拉票争取成为新领导者。
- 临时状态： 这个角色是临时的，只在选举期间存在。选举结束后，成功则成为新领导者，失败则变回跟随者。

Raft 如何工作？（两大核心流程）

一、领导人选举（Leader Election）：（目标是选出一个唯一的领导）

触发： 每个跟随者内部都有一个 选举定时器（Election Timeout）（通常是 150ms-300ms 的随机值）。当这个定时器超时前都没有收到当前领导者的心跳或任何有效RPC，跟随者就认为：“领导可能挂了！”，于是它：
- 增加自己的 任期号（Term）（一个单调递增的整数，代表不同的朝代）。
- 切换到 Candidate 状态。
- 为自己投票。
- 向 其他所有节点 发送 请求投票 RPC（RequestVote RPC），请求他们投自己一票。
投票： 其他节点收到 RequestVote RPC 后，判断：
- 任期号是否比自己的小？ 是 → 拒绝投票。
- 在同一个任期是否已投过票？ 是 → 拒绝投票（一人一票）。
- 候选人的日志至少和自己一样新吗？（Raft 的 日志完整性检查：比较最后一条日志条目的 Term 和 Index）否 → 拒绝投票（保证新领导的数据不能比跟随者旧）。是 → 同意投票。
- 如果同意投票，该节点会重置自己的选举定时器（避免自己也发起选举）。
当选：
- 候选人收到同一任期内超过半数的投票（包括自己那一票），它就赢得选举，成为该任期的新领导人。
- 新领导人立即向所有节点发送心跳（AppendEntries RPC，但不包含日志条目），宣告自己掌权，并阻止新的选举。
- 法定人数（Quorum）规则： 要求多数票（N/2 + 1） 才能当选。这确保了：
  - 领导唯一性： 同一任期内不可能有两个节点都获得多数票。
  - 防止脑裂： 即使网络分区，分裂成两个小群体，也只有包含多数节点的那边能选出新领导（达到多数票），另一边因节点数不足无法选出有效领导，避免了同时有两个领导发号施令。
选举僵局（分裂投票）：
- 如果第一次选举没有任何候选人获得多数票（比如多个跟随者同时超时竞选），所有候选人超时，增加任期号，重新发起新一轮选举（随机超时时间的设计大大降低了再次冲突的概率）。
- 最终总有一个候选人能先获得多数票当选。

二、日志复制（Log Replication）：（目标是安全、一致地复制操作）

接收请求： 客户端向领导者发送一个操作（如“Set x=5”）。
追加本地日志： 领导者将操作作为一个新的日志条目（Log Entry） 追加到自己的操作记录本末尾。该条目包含：
- 客户端的命令 (Set x=5)
- 领导者的当前任期号 (Term)
- 在日志中的索引位置 (Index)
复制日志： 领导者通过 追加条目 RPC（AppendEntries RPC） 将此新日志条目并行发送给所有跟随者，要求他们复制。
跟随者响应：
- 如果跟随者成功复制该条目到本地日志（还没真正执行），则向领导者返回成功。
- 如果跟随者失败（如网络中断、日志冲突），则返回失败。领导者会尝试发送更早的日志条目（或进行冲突解决），直到跟随者追上领导者的日志。
领导者提交：
- 当领导者收到超过半数跟随者的成功响应后，认为该日志条目已经安全复制（Committed）。领导者将这个条目应用到自己的状态机（执行命令：把 x 设置成 5）。
- 领导者通知所有跟随者该条目已提交（在后续的 AppendEntries RPC 中包含最新的已提交索引）。
跟随者应用： 所有跟随者收到提交通知后，也将该日志条目应用到自己的状态机（执行 Set x=5）。
响应客户端： 领导者应用成功后，响应客户端操作成功。

关键保障机制：

日志匹配特性（Log Matching Property）： Raft 保证：
- 如果两个节点在相同索引位置有日志条目，且它们的 Term 也相同，那么它们包含的命令相同。
- 如果一个日志条目在某个 Term 被提交（Committed），那么所有更高任期的领导者的日志中一定包含这个条目，且位置相同。
领导者的日志完整性（Leader Completeness）： 选举时强制要求候选人日志必须比多数节点都新（或一样新）。这保证了：
- 任何已提交的日志条目，最终一定会出现在后续所有领导者的日志中（已提交的条目不会丢失）。
- 新领导者拥有所有已提交的日志条目，并能强制让其他节点复制这些条目。
状态机安全（State Machine Safety）： 如果一个跟随者在其状态机中应用了一个给定索引的日志条目，那么任何其他节点在其状态机中应用相同索引的日志条目时，必定是同一个命令。这保证了所有节点最终看到的状态一致。

ES (Zen2) vs Raft：

相似点：
- 都需要法定人数（多数票） 来选举和提交操作，防止脑裂。
- 都有任期号（Term）的概念。
不同点：
- 主要目标不同： ES 的主节点选举（Zen1/Zen2）主要解决的是选一个管理元数据的领导。而 Raft 主要解决的是在多个副本之间安全复制操作日志并达成一致状态。ES 7.x 之后的选主机制（基于类似 Raft 的实现）融合了 Raft 的思路（如基于日志的选举投票，而不是 Zen1 简单的版本比较），使其更健壮。
- 复杂性： Raft 的核心是日志复制协议，选举只是其中的一部分（虽然很关键）。ES 的 Zen 机制相对更专注于选举本身。
- 领导角色： Raft 的领导者是强领导，负责处理所有客户端请求和日志复制。ES 的协调节点（Coordinating Node）接收请求并路由，主节点（Master）只负责集群状态管理，数据节点（Data Node）负责数据分片上的实际数据操作和搜索。