记elasticsearch CPU负载100%问题

环境：

单台2核4G的阿里云ecs，部署单node的elasticsearch+kibana。
测试环境，刚上手elasticsearch学习用。本来是构建LLM的RAG系统的，结果突然来了个100%CPU占用，而且居高不下，没办法，干回老本行，运维工程师，启动！

问题表现：

在上午9.50分开始，阿里云控制台可看见ecs的CPU从原本的4%占用左右，快速飙到了100%，并且长时间居高不下。

初步排查：

日志

先看日志，通过正则筛选elasticsearch.log中9.40-50分中的所有日志。

cd /var/log/elasticsearch
grep "^\[2024-01-31T09:[4-5]" elasticsearch.log

可以见到，日志中有多段如下日志。其主要内容是Grok在对非结构化数据的正则匹配，提取信息。而我从未进行过任何的Grok配置与操作。

查询hot_thread

elasticsearch的API中，提供了一个查询当前node中资源占用量大的进程的接口。

GET /_nodes/hot_threads

查询结果如下，可以详细看到，这些进程大部分都在进行正则匹配的工作，和之前log中看到的一致。并且，下方textstructure.structurefinder这个类，即是Gork提取非结构化数据信息的类。

深入

查询当前elasticsearch正在运行的Task

通过API，可以详细的查找到当前elasticsearch中，正在运行的Task的详细内容。

GET /_cat/tasks?v&detailed=true

可以看到，其中存在几个text_structure/findstructure的Task，和hot_thread中看到的一致，并且启动的时间也基本对应CPU升高的时间。

查看Task详情

通过通配符匹配，查询这几个Task的详细信息。

GET /_tasks?detailed=true&actions=*/text_structure/findstructure

可以看到，这几个任务的Type为Transport的类型。
从elasticsearch文档中，可以看到，Transport类型的任务的主要功能是：

到这，卡住了
transport类型，一般的node之间通信的任务，但是我是单node

所以我又找到，发现我创建的index，默认replica=1，即分片有一个备份，而我是单node，备份必须是存储在不同的node上，导致备份分片一直不能被分配，使得index状态处于yellow状态。

但是不确定这个和我当前的任务是否有关系

好了，更新的replica，但是问题还在，现在index都是绿的了

解决问题

重启解决问题，重启后，所有的structurefinder进程都消失了
OK，不用查了，es崩了，直接重启了。
在此之前，还检查了是否是pipeline的问题，但是pipeline都没有在使用。
OK，重启了，之前看到的structurefinder进程都没有了，CPU也降下来。
问题虽然解决，但是还是不知道为啥。

对导致问题的原因的几个猜测

几个怀疑：看看之后我会不会再复现这个问题

1. 多副本问题，导致有副本切片一直没有合适的node分配（但是不应该占用CPU啊？
2. 因为导入的时候，使用了默认的pipeline，导致对导入的数据，进行的非结构化分析和提取，导致CPU占用高。（但是，不应该一直持续存在吧？
3. 中间有玩了一次，kibanaUI界面，添加集成，直接上传了一个json格式的问题，不知道是不是这个问题。返回的结果是失败，说需要结构化的数据？并且是请求超时（我认为这个最有可能）。

问题复现：

因为对于原因3最为怀疑，而且确实时间点也对的上，就是上传完之后开始CPU飙升，同时上传失败的返回也确实怪怪的。所以重新上传。
json内容：值为中文的unicode

重新上传之后，仍然是以下的问题。

再次查看，发现CPU又100%负载了。并且之前的structurefinder进程又出现：

导致问题的原因。

那么基本可以确定，就是在解析上传的文件时，通过grok尝试解析，失败后，却没有关闭进程。从而导致CPU不断被占用。
而上图UI界面中返回的Request:time out 基本可以确定是structurefinder在尝试解析json内容时，花费的时间太久从而返回的time out。

json导入规则问题

只是问题是，为什么我的json文件，会解析这么久，并且仍然没有结束。上午的解析进程，最长的一个运行了近6个消失，但是仍然没有结果。
我的json文件，是python直接dump出来的，并且json格式校验也没有问题。

json导入规则问题解决

因为es要求的上传的json格式为ndjson。即换行符分割的json，每一行都是一个完整的json对象。
而我上传的，只是传统json格式，导致无法解析。

中英文非ndjson格式数据上传问题

仍然还有一个问题没有解决：
当一个英文的非ndjson格式的json被上传时，会报错非ndjson格式。直接返回，没有timeout
当一个unicode中文的非ndjson的json被上传时，会直接无限等待，导致CPU100%占用，返回timeout。并且后台持续存在一个task在进行解析，并且不结束，占用CPU100%

中英文非ndjson格式数据问题解决

我又去看了一遍hot_thread，可以看到这里的进程中，主要的函数是log Text Structure Finder。即对log的格式解析。
在上传文件时，es有明确，可以上传带标准时间戳格式的log问题。

由此推测：当unicode的json被上传后，不符合ndjson，但是不知为何，被当作了log去解析，而又并非log，导致了一些奇奇怪怪的bug，导致解析的进程无限等待，并没有进入任何一个错误返回。从而导致timeout，同时解析的进程卡死，CPU占用100%
而英文可能更方便，所以并没有触发这个bug。

---

reference

https://www.elastic.co/guide/en/elasticsearch/reference/8.12/high-cpu-usage.html#high-cpu-usage
聊聊 Elasticsearch 中的任务管理机制
red-yellow-cluster-status
你所不知道的ndJSON：序列化与管道流

---

附录

elasticsearch，index基本数据格式

{"settings": {"analysis": {"analyzer": {"default": {"type": "simple"  //整个index使用的analyzer},"default_search": {"type": "whitespace" //默认对这个index的搜索关键字使用的analyzer 也就是分词，tokenizer+去停用词等操作。}}},"number_of_shards": 3,// 分片存储，将数据分块，存储在集群中，搜索时，将请求发向对应的分片，类似hadoop（也能增加搜索时的并行性）"number_of_replicas": 1 // 副本，即整个集群上，不同机器中存储副本。默认为1，即有一个副本，但是，副本必须存在不同的机器上，单node，多余的副本会无法被alloc，导致node状态为yellow},"mappings": {"properties": {"title": {"type": "text","analyzer": "ik_smart" //对单个field定义分析器，仅对该field生效。},"field1": {"type": "keyword"},"field2": {"type": "date"}}}
}

elasticsearch的analyzer

analyzer主要做分词，去除停用词等数据预处理的工作。
默认有一个standard，whitespace，simple，等
分别对应不同的分词方法。
但是，都不支持中文分词，所以，只用中文文本数据，一定要使用ik分词的插件，否则分词效果差会非常影响搜索的准确性。
具体安装配置IK分词器的方法详见：
ElasticSearch中文分词