elasticsearch搜索功能【深入】

分布式搜索elasticsearch搜索功能【深入】
- 1.数据聚合
- - 1.1 聚合的种类
  - 1.2 DSL实现聚合
  - - 1.2.1 Bucket聚合
    - 1.2.2 Metrics聚合
  - 1.3 RestAPI实现聚合
- 2.自动补全
- - 2.1 拼音分词器
  - 2.2 自定义分词器
  - 2.3 自动补全查询
  - 2.4实现酒店搜索框自动补全
- 3.数据同步
- - 3.1 数据同步思路分析
  - 3.2 实现elasticsearch与数据库数据同步
- 4.集群
- - 4.1 搭建ES集群
  - - 4.1.1 部署es集群
    - 4.1.2 集群状态监控
    - 4.1.3 创建索引库
    - - 1）利用kibana的DevTools创建索引库
      - 2）利用cerebro创建索引库
    - 4.1.4 查看分片效果
  - 4.2集群的节点角色
  - 4.3集群脑裂问题
  - 4.4集群分布式存储
  - 4.5集群分布式查询
  - 4.6集群故障转移

学习地址

分布式搜索elasticsearch搜索功能【深入】

1.数据聚合

1.1 聚合的种类

聚合（aggregations）可以实现对文档数据的统计、分析、运算。聚合常见的有三类：

桶（Bucket）聚合：用来对文档做分组，并统计每组数量
- Term Aggregation：按照文档字段值分组
- Date Histogram：按照日期阶梯分组，例如一周为一组，或者一月为一组
度量（Metric）聚合：用以计算一些值，比如：最大值、最小值、平均值等
- Avg：求平均值
- Max：求最大值
- Min：求最小值
- Stats：同时求max、min、avg、sum等、
管道（pipeline）聚合：基于其他聚合结果再做聚合

参与聚合的字段类型必须是：

keyword
数值
日期
布尔

1.2 DSL实现聚合

现在，要统计所有数据中的酒店品牌有多少种，此时可以根据酒店品牌的名称做聚合。
类型为term类型，DSL示例：

GET /hotel/_search
{"size": 0,   //  设置size为0，结果中不包含文档，只包含聚合结果"aggs": {  //  定义聚合"brandAgg": { //  给聚合起个名字"terms": { // 聚合的类型，按照品牌值聚合，所以选择term"field": "brand",    //参与聚合的字段"size": 20   // 希望获取的聚合结果数量}}}
}

示例：

GET /hotel/_search
{"size": 0,"aggs": {"brandAgg": {"terms": {"field": "brand","size": 20}}}
}

1.2.1 Bucket聚合

Bucket聚合-聚合结果排序

默认情况下，Bucket聚合会统计Bucket内的文档数量，记为_count，并且按照_count降序排序。
可以修改结果排序方式：

# 聚合结果排序
GET /hotel/_search
{"size": 0,"aggs": {"brandAgg": {"terms": {"field": "brand","order": {"_count" : "asc"    //按照_count升序排序},"size": 20}}}
}

Bucket聚合-限定聚合范围

默认情况下，Bucket聚合是对索引库的所有文档做聚合，我们可以限定要聚合的文档范围，只要添加query条件即可：

# 限定聚合范围
GET /hotel/_search
{"query": {"range": {"price": {"lte": 200       //只对200元以下的文档聚合}}},"size": 0,"aggs": {"brandAgg": {"terms": {"field": "brand","size": 10}}}
}

总结：

aggs代表聚合，与query同级，此时query的作用是？
- 限定聚合的文档范围
聚合必须的三要素：
- 聚合名称
- 聚合类型
- 聚合字段
聚合可以配置的属性有：
- size：指定聚合结果的数量
- order：指定聚合结果的排序方式
- field：指定聚合字段

1.2.2 Metrics聚合

例如，要求获取每个品牌的用户评分的min、max、avg等值
可以利用stats聚合：

# 嵌套聚合metrics
GET /hotel/_search
{"size": 0,"aggs": {"brandAgg": {"terms": {"field": "brand","size": 20"order": {"score_stats.avg": "desc"},"aggs": {      // 是brands聚合的子聚合，也就是分组后对每组分别计算"score_stats": { //聚合名称"stats": {  //集合类型，这里stats可以计算min、max、avg等"field": "score"   //聚合字段，这里是score}}}}}
}

1.3 RestAPI实现聚合

以品牌聚合为例，示例下Java的RestClient使用，看请求组装：

聚合结果解析：

    @Testvoid testAggregation() throws IOException {//1.准备RequestSearchRequest request = new SearchRequest("hotel");//2.准备DSL//2.1.设置sizerequest.source().size(0);//2.2.聚合request.source().aggregation(AggregationBuilders.terms("brandAgg").size(10).field("brand"));//3.发出请求SearchResponse response = client.search(request, RequestOptions.DEFAULT);//4.解析结果//4.1解析聚合结果Aggregations aggregations = response.getAggregations();//4.2根据名称获取聚合结果Terms brandTerms = aggregations.get("brandAgg");//4.3获取桶List<? extends Terms.Bucket> buckets = brandTerms.getBuckets();//4.4遍历for (Terms.Bucket bucket : buckets) {//获取key也就是品牌信息String brandName = bucket.getKeyAsString();System.out.println(brandName);}}

案例：在IUserService中定义方法，实现对品牌、城市、星级的聚合
需求：搜索页面的品牌、城市等信息不应该是在页面写死的，而是通过聚合索引库中的酒店数据得来的：

在IHotelService中定义一个方法，实现对品牌、城市、星级的聚合，方法声明如下：

    @Overridepublic Map<String, List<String>> filters() {try {//1.准备requestSearchRequest request = new SearchRequest("hotel");//2.准备DSL//2.1设置sizerequest.source().size(0);//2.2设置聚合request.source().aggregation(AggregationBuilders.terms("brandAgg").field("brand").size(100));request.source().aggregation(AggregationBuilders.terms("cityAgg").field("city").size(100));request.source().aggregation(AggregationBuilders.terms("starAgg").field("star").size(100));//3.发出请求SearchResponse response = client.search(request, RequestOptions.DEFAULT);//4.解析结果Map<String, List<String>> result = new HashMap<>();Aggregations aggregations = response.getAggregations();//4.1根据品牌名称获取品牌的结果List<String> brandList = getAggByName(aggregations, "brandAgg");List<String> cityList = getAggByName(aggregations, "cityAgg");List<String> startList = getAggByName(aggregations, "starAgg");//4.4放入mapresult.put("品牌", brandList);result.put("城市", cityList);result.put("星级", startList);return result;} catch (IOException e) {throw new RuntimeException(e);}}private List<String> getAggByName(Aggregations aggregations, String aggName) {//4.1根据聚合名称获取聚合结果Terms brandTerms = aggregations.get(aggName);//4.2获取bucketsList<? extends Terms.Bucket> buckets = brandTerms.getBuckets();//4.3遍历List<String> brandList = new ArrayList<>();for (Terms.Bucket bucket : buckets) {String key = bucket.getKeyAsString();brandList.add(key);}return brandList;}

对接前端接口

前端页面会向服务发起请求，查询品牌、城市、星级等字段的聚合结果：
可以看到请求参数与之前search时的RequestParam完全一致，这是在限定聚合时的文档范围。
例如：用户搜索“沙滩”，价格在300~600，那聚合必须是在这个搜索条件基础上完成。

因此需要：

编写controller接口，接收该请求

    @RequestMapping("filters")public Map<String, List<String>> getFilters(@RequestBody RequestParams params) {return hotelService.filters(params);}

修改IHotelService#getFilters()方法，添加RequestParam参数

Map<String, List<String>> filters(RequestParams params);

修改getFilters方法的业务，聚合时添加query条件

buildBasicQuery(param, request);

2.自动补全

2.1 拼音分词器

当用户在搜索框输入字符时，应该提示出与该字符有关的搜索项，如图：

要实现根据字母做补全，就必须对文档按照拼音分词。在GitHub上恰好有elasticsearch的拼音分词插件，地址：
官方链接

安装方式与IK分词器一样，分三步
①解压
②上传到服务器/虚拟机，elasticsearch的plugin目录
③重启elasticsearch

docker restart es

④测试

2.2 自定义分词器

elasticsearch分词器（analyzer）的组成包含三部分：

character filters：在tokenizer之前对文本进行处理。例如删除字符、替换字符
tokenizer：将文本按照一定的规则切割成词条（term）。例如keyword，就是不分词；还有ik_smart
tokenizer filter：将tokenizer输出的词条做进一步处理。例如大小写转换、同义词处理、拼音处理等

可以在创建索引库时，通过setting来配置自定义的analyzer（分词器）：

拼音分词器适合在创建倒排索引的时候使用，但不能在搜索索引的时候使用。
创建倒排索引时：

因此字段在创建倒排索引时应该用my_analyzer分词器；字段在搜索时应该使用ik_smart分词器

PUT /test
{"settings": {"analysis": {"analyzer": {"my_analyzer": {"tokenizer": "ik_max_word","filter": "py"}},"filter": {"py": {"type": "pinyin","keep_full_pinyin": false,"keep_joined_full_pinyin": true,"keep_original": true,"limit_first_letter_length": 16,"remove_duplicated_term": true,"none_chinese_pinyin_tokenize": false}}}},"mappings": {"properties": {"name": {"type": "text","analyzer": "my_analyzer","search_analyzer": "ik_smart"}}}
}

总结：

如何使用拼音分词器？
①下载pinyin分词器
②解压后放到elasticserach的plugin目录
③重启elasticsearch
如何自定义拼音分词器？
①创建索引库时，在settings中配置，可以包含三部分
②character filter
③tokenizer
④filter
拼音分词器注意事项？
- 为了避免搜索到同音字，搜索时不要使用拼音分词器

2.3 自动补全查询

elasticsearch提供了Completion Suggester查询来实现自动补全功能。这个查询会匹配以用户输入内容开头的词条并返回。为了提高补全查询的效率，对于文档中字段的类型有一些约束：

参与补全查询的字段必须是completion类型。

//创建索引库
PUT /test
{"mappings": {"properties": {"title":{"type": "completion"}}}
}

字段的内容一般是用来补全的多个词条形成的数组。

//示例
POST /test/_doc
{"title": ["Sony","WH-1000XM3"]
}
POST /test/_doc
{"title": ["SK-Ⅱ","PITERA"]
}
POST /test/_doc
{"title": ["Nintendo","switch"]
}

查询语法如下：

//自动补全查询
GET /test/_search
{"suggest": {"title_suggest": {"text": "s",  //关键字"completion": {"field": "title", //补全查询的字段"skip_duplicates": true, //跳过重复的"size": 10  //获取前10条结果}}}
}

总结：自动补全对字段的要求：

类型是completion
字段值是多词条的数组

2.4实现酒店搜索框自动补全

案例：实现hotel索引库的自动补全、拼音搜索功能

思路如下：

修改hotel索引库结构，设置自定义拼音分词器
修改索引库的name、all字段，使用自定义分词器
索引库添加一个新字段suggestion，类型为completion，使用自定义的分词器

// 酒店数据索引库
PUT /hotel
{"settings": {"analysis": {"analyzer": {"text_anlyzer": {"tokenizer": "ik_max_word","filter": "py"},"completion_analyzer": {"tokenizer": "keyword","filter": "py"}},"filter": {"py": {"type": "pinyin","keep_full_pinyin": false,"keep_joined_full_pinyin": true,"keep_original": true,"limit_first_letter_length": 16,"remove_duplicated_term": true,"none_chinese_pinyin_tokenize": false}}}},"mappings": {"properties": {"id":{"type": "keyword"},"name":{"type": "text","analyzer": "text_anlyzer","search_analyzer": "ik_smart","copy_to": "all"},"address":{"type": "keyword","index": false},"price":{"type": "integer"},"score":{"type": "integer"},"brand":{"type": "keyword","copy_to": "all"},"city":{"type": "keyword"},"starName":{"type": "keyword"},"business":{"type": "keyword","copy_to": "all"},"location":{"type": "geo_point"},"pic":{"type": "keyword","index": false},"all":{"type": "text","analyzer": "text_anlyzer","search_analyzer": "ik_smart"},"suggestion":{"type": "completion","analyzer": "completion_analyzer"}}}
}

给HotelDoc类添加suggestion字段，内容包含brand、business

@Data
@NoArgsConstructor
public class HotelDoc {private Long id;private String name;private String address;private Integer price;private Integer score;private String brand;private String city;private String starName;private String business;private String location;private String pic;private Object distance;private boolean isAD;private List<String> suggestion;public HotelDoc(Hotel hotel) {this.id = hotel.getId();this.name = hotel.getName();this.address = hotel.getAddress();this.price = hotel.getPrice();this.score = hotel.getScore();this.brand = hotel.getBrand();this.city = hotel.getCity();this.starName = hotel.getStarName();this.business = hotel.getBusiness();this.location = hotel.getLatitude() + ", " + hotel.getLongitude();this.pic = hotel.getPic();if (this.business.contains("/")){//business有多个值，需要切割String[] arr = this.business.split("/");//添加元素this.suggestion = new ArrayList<>();this.suggestion.add(this.brand);Collections.addAll(this.suggestion,arr);}else {this.suggestion = Arrays.asList(this.brand,this.business);}}
}

重新导入数据到hotel库

    @Testvoid testBulk() throws IOException {//批量查询酒店数据List<Hotel> hotels = hotelService.list();//1.创建Bulk请求BulkRequest request = new BulkRequest();//2.添加要批量提交的请求：这里添加了两个新增文档的请求for (Hotel hotel : hotels) {//转换为文档类型HotelDocHotelDoc hotelDoc = new HotelDoc(hotel);//创建新增文档的Request对象request.add(new IndexRequest("hotel").id(hotel.getId().toString()).source(JSON.toJSONString(hotelDoc), XContentType.JSON));}//3.发起bulk请求client.bulk(request, RequestOptions.DEFAULT);}

测试

# 以拼音实现自动补全
GET /hotel/_search
{"suggest": {"suggestions": {"text": "s","completion": {"field": "suggestion","skip_duplicates": true,"size": 10}}}
}

RestAPI实现自动补全

请求参数构造的API：

结果解析：

    @Testvoid testSuggest() throws IOException {//1.先准备requestSearchRequest request = new SearchRequest("hotel");//2.准备DSLrequest.source().suggest(new SuggestBuilder().addSuggestion("suggestions",SuggestBuilders.completionSuggestion("suggestion").prefix("h").skipDuplicates(true).size(10)));//3.发请请求SearchResponse response = client.search(request, RequestOptions.DEFAULT);//4.解析结果//4.1 处理结果Suggest suggest = response.getSuggest();//4.2根据名称获取补全结果CompletionSuggestion suggestion = suggest.getSuggestion("suggestions");//4.3获取option并遍历List<CompletionSuggestion.Entry.Option> options = suggestion.getOptions();for (CompletionSuggestion.Entry.Option option : options) {String text = option.getText().toString();System.out.println(text);}}

查看前端页面，发现当我们在输入键入时，前端会发起ajax请求：

在服务端编写接口，接收该请求，返回补全结果的集合，类型为List< String >

    @Overridepublic List<String> getSuggestions(String prefix) {try {//1.发起请求SearchRequest request = new SearchRequest("hotel");//2.准备DSLrequest.source().suggest(new SuggestBuilder().addSuggestion("suggestions",SuggestBuilders.completionSuggestion("suggestion").prefix(prefix).skipDuplicates(true).size(10)));//3.发起请求SearchResponse response = client.search(request, RequestOptions.DEFAULT);//4.解析结果Suggest suggest = response.getSuggest();//4.1根据补全查询名称，获取补全结果CompletionSuggestion suggestions = suggest.getSuggestion("suggestions");//4.2获取optionsList<CompletionSuggestion.Entry.Option> options = suggestions.getOptions();//4.3遍历List<String> list = new ArrayList<>(options.size());for (CompletionSuggestion.Entry.Option option : options) {String text = option.getText().toString();list.add(text); }return list;} catch (IOException e) {throw new RuntimeException(e);}}

3.数据同步

3.1 数据同步思路分析

elasticsearch中的酒店数据来自于mysql数据库，因此mysql数据发生改变时elasticsearch也必须跟着改变，这个就是elasticsearch与mysql之间的数据同步

方案一：同步调用

方案二：异步通知

方案三：监听binlog

总结：三种方式对比

方式一：同步调用

优点：实现简单，粗暴
缺点：业务耦合度高

方式二：异步通知

优点：低耦合，实现难度一般
缺点：依赖于MQ的可靠性

方式三：监听binlog

优点：完全解除服务间耦合
缺点：开启binlog增加数据库负担，实现复杂度高

3.2 实现elasticsearch与数据库数据同步

案例：利用MQ实现mysql与elasticsearch数据同步

利用hotel-admin项目作为酒店管理的微服务，当酒店数据发生增、删、改时，要求对elasticsearch中数据也要完成相同的操作。

步骤：

导入hotel-admin项目，启动测试就带你数据的CRUD
声明exchange、queue、RoutingKey

public class MqConstands {/*** 交换机*/public final static String HOTEL_EXCHANGE = "hotel.topic";/*** 监听新增和修改的队列*/public final static String HOTEL_INSERT_QUEUE = "hotel.insert.queue";/*** 监听删除的队列*/public final static String HOTEL_DELETE_QUEUE = "hotel.delete.queue";/*** 新增或修改的RoutingKey*/public final static String HOTEL_INSERT_KEY = "hotel.insert";/*** 删除的RoutingKey*/public final static String HOTEL_DELETE_KEY = "hotel.delete";
}

在hotel-admin中的增、删、改业务中完成消息发送

     //增rabbitTemplate.convertAndSend(MqConstands.HOTEL_EXCHANGE, MqConstands.HOTEL_INSERT_KEY, hotel.getId());

     //删rabbitTemplate.convertAndSend(MqConstands.HOTEL_EXCHANGE, MqConstands.HOTEL_DELETE_KEY, id);

     //改rabbitTemplate.convertAndSend(MqConstands.HOTEL_EXCHANGE, MqConstands.HOTEL_INSERT_KEY, hotel.getId());

在hotel-demo中完成消息的监听，并更新elasticsearch中数据

@Component
public class HotelListener {@Autowiredprivate IHotelService hotelService;/*** 监听新增或修改酒店的业务* @param id    酒店的id*/@RabbitListener(queues = MqConstands.HOTEL_INSERT_QUEUE)public void listenHotelInsertOrUpdate(Long id) {hotelService.inserById(id);}/*** 监听酒店的删除业务* @param id    酒店的id*/@RabbitListener(queues = MqConstands.HOTEL_DELETE_QUEUE)public void listenHotelDelete(Long id){hotelService.deleteById(id);}
}

    @Overridepublic void deleteById(Long id) {try {//1.准备requestDeleteRequest request = new DeleteRequest("hotel", id.toString());//2.准备发送请求client.delete(request, RequestOptions.DEFAULT);} catch (IOException e) {throw new RuntimeException(e);}}private List<String> getAggByName(Aggregations aggregations, String aggName) {//4.1根据聚合名称获取聚合结果Terms brandTerms = aggregations.get(aggName);//4.2获取bucketsList<? extends Terms.Bucket> buckets = brandTerms.getBuckets();//4.3遍历List<String> brandList = new ArrayList<>();for (Terms.Bucket bucket : buckets) {String key = bucket.getKeyAsString();brandList.add(key);}return brandList;}

启动并测试数据同步功能

4.集群

4.1 搭建ES集群

单机的elasticsearch做数据存储，必然要面临两个问题：海量的数据问题、单点故障问题。

海量数据存储问题：将索引库从逻辑上拆分为N个分片（shard），存储到多个节点
单点故障问题：将分片数据在不同节点备份（replica）

4.1.1 部署es集群

部署es集群可以直接使用docker-compose来完成，不过要求你的Linux虚拟机至少有4G的内存空间

首先编写一个docker-compose文件，内容如下：

version: '2.2'
services:es01:image: elasticsearch:7.12.1container_name: es01environment:- node.name=es01- cluster.name=es-docker-cluster- discovery.seed_hosts=es02,es03- cluster.initial_master_nodes=es01,es02,es03- "ES_JAVA_OPTS=-Xms512m -Xmx512m"volumes:- data01:/usr/share/elasticsearch/dataports:- 9200:9200networks:- elastices02:image: elasticsearch:7.12.1container_name: es02environment:- node.name=es02- cluster.name=es-docker-cluster- discovery.seed_hosts=es01,es03- cluster.initial_master_nodes=es01,es02,es03- "ES_JAVA_OPTS=-Xms512m -Xmx512m"volumes:- data02:/usr/share/elasticsearch/dataports:- 9201:9200networks:- elastices03:image: elasticsearch:7.12.1container_name: es03environment:- node.name=es03- cluster.name=es-docker-cluster- discovery.seed_hosts=es01,es02- cluster.initial_master_nodes=es01,es02,es03- "ES_JAVA_OPTS=-Xms512m -Xmx512m"volumes:- data03:/usr/share/elasticsearch/datanetworks:- elasticports:- 9202:9200
volumes:data01:driver: localdata02:driver: localdata03:driver: localnetworks:elastic:driver: bridge

es运行需要修改一些linux系统权限，修改/etc/sysctl.conf文件

vi /etc/sysctl.conf

添加下面的内容：

vm.max_map_count=262144

然后执行命令，让配置生效：

sysctl -p

通过docker-compose启动集群：

docker-compose up -d

4.1.2 集群状态监控

kibana可以监控es集群，不过新版本需要依赖es的x-pack 功能，配置比较复杂。

这里推荐使用cerebro来监控es集群状态，官方网址：官网

进入对应的bin目录，双击其中的cerebro.bat文件即可启动服务。

访问http://localhost:9000 即可进入管理界面：

输入你的elasticsearch的任意节点的地址和端口，点击connect即可：

4.1.3 创建索引库

1）利用kibana的DevTools创建索引库

在DevTools中输入指令：

PUT /itcast
{"settings": {"number_of_shards": 3, // 分片数量"number_of_replicas": 1 // 副本数量},"mappings": {"properties": {// mapping映射定义 ...}}
}

2）利用cerebro创建索引库

利用cerebro还可以创建索引库：

填写索引库信息，点击右下角的create按钮：

4.1.4 查看分片效果

回到首页，即可查看索引库分片效果：

绿色的条，代表集群处于绿色（健康状态）。

4.2集群的节点角色

elasticsearch中集群节点有不同的职责划分：

节点类型	配置参数	默认值	节点职责
master eligible	node.master	true	<备选系节点：主节点可以管理和记录集群状态、决定分片在哪个节点、处理创建和删除索引库的请求/td>
data	node.data	true	数据节点：存储数据、搜索、聚合、CURD
ingest	node.ingest	true	数据存储之前的预处理
coordinating	上面3个参数都为false则为coordinating节点	无	路由请求到其他节点合并其他节点处理的结果，返回给用户

elasticsearch中的每个节点角色都有自己不同的职责，因此建议集群部署时，每个节点都有独立的角色。

4.3集群脑裂问题

默认情况下，每个节点都是master eligible节点，因此一旦master节点宕机，其它候选节点会选举一个称为主节点。当主节点与其他节点网络故障时，可能发现脑裂问题。
为了避免脑裂，需要要求选票超过（eligible节点数量+1）/2才能当选为主，因此eligible节点数量最好是奇数。对应配置项是discovery.zen.minimum_master_nodes，在es7.0后，已经成为默认配置，一次一般不会发送脑裂问题。

总结：
master eligible节点的作用是什么？

参与集群选主
主节点可以管理集群状态、管理分片信息、处理创建和删除索引库的请求

data节点的作用是什么？

数据的CRUD

coordinator节点的作用是什么？

路由请求到其他节点
合并查询到的结果，返回给用户

4.4集群分布式存储

当新增文档时，应该保存到不同分片，保证数据均衡，那么coordinating node如何确定数据该存储到哪个分片呢？
elasticsearch会通过hash算法来计算文档应该存储到哪个分配：

说明：

_routing默认是文档的id
算法与分片数量有关，因此索引库一旦创建，分片数量不能修改！

新增文档流程：

4.5集群分布式查询

elasticsearch的查询分成两个阶段：

scatter phase：分散阶段，coordinate node会把请求分发到每一个分片
gather phase：聚集阶段，coordinate node汇总data node的搜索结果，并处理为最终结果集返回给用户

总结：

分布式新增如何确定分片？

coordinating node根据id做hash运算，得到结果对shard数量取余，余数就是对应的分片

分布式查询：

分散阶段：coordinating node将查询请求分发给不同分片
收集阶段：将查询结果汇总到coordinating node，整理并返回给用户

4.6集群故障转移

集群的master节点会监控集群中的节点状态，如果发现有节点宕机，会立即将宕机节点的分片数据迁移到其他节点，确保数据安全，这个叫做故障转移。

总结：

master宕机后，EligibleMaster选举为新的主节点。
master节点监控分片，节点状态，将故障节点上的分片转移到正常节点，确保数据安全