集群变red的唯一原因是至少一个主分片未分配；需立即通过_cat/shards定位具体未分配主分片，结合unassigned.reason和_allocation/explain分析卡点，排查磁盘水位、节点离线或副本策略冲突等根本原因。
集群变 red 的核心原因只有一个：至少一个主分片（primary shard）未被分配。这不是配置漂移或监控误报，而是数据不可写、部分查询会失败的硬性故障。必须立刻定位哪个索引、哪个分片卡住了，而不是泛泛检查节点存活或磁盘空间。
查 unassigned_shards 具体是哪些分片
先看集群健康接口返回的 unassigned_shards 数值，再用以下命令列出所有未分配分片详情：
curl -s 'http://localhost:9200/_cat/shards?h=index,shard,prirep,state,unassigned.reason,node&v' | grep UNASSIGNED
关键字段说明：
-
prirep为p表示这是主分片 —— 只有这类分片未分配才会导致 red -
unassigned.reason是诊断起点，常见值包括：ALLOCATION_FAILED、CLUSTER_RECOVERED、INDEX_CREATED、NODE_LEFT、MANUAL_ALLOCATION - 如果 reason 是
NO_VALID_SHARD_COPY，说明所有副本都丢失或损坏，ES 找不到任何可用数据源来恢复该分片
确认是否因节点离线或磁盘水位触发分片拒绝
red 往往不是孤立事件，而是连锁反应。重点检查两件事：
- 执行
curl -s 'http://localhost:9200/_cat/nodes?v&h=ip,port,name,heap.percent,disk.used_percent'，确认是否有节点disk.used_percent≥ 95% —— ES 默认会禁止向磁盘使用率超 95% 的节点分配分片（cluster.routing.allocation.disk.threshold_enabled默认 true） - 检查
_cat/nodes输出中是否缺失预期节点（比如本该 3 节点集群只看到 2 行），再查对应机器上的 ES 进程是否存活、日志里有没有NodeDisconnectedException或failed to join cluster - 若节点曾短暂离线又重连，但分片仍卡在
UNASSIGNED，很可能是分片元数据锁残留，需结合_cluster/allocation/explain深挖
用 _cluster/allocation/explain 定位具体卡点
对任意一个未分配的主分片，调用解释 API 获取 ES 内部决策逻辑：
curl -XPOST 'http://localhost:9200/_cluster/allocation/explain?pretty' -H 'Content-Type: application/json' -d '{
"index": "your_index_name",
"shard": 0,
"primary": true
}'
返回里重点关注：
-
can_allocate：是否允许分配（always/never/conditional） -
allocate_explanation：直接告诉你为什么不能分配，例如the node is above the high watermark或no known copy of the shard's data -
node_allocation_decisions下每个节点的decider判断，比如DiskThresholdDecider拒绝、SameShardAllocationDecider因副本策略阻止（如number_of_replicas: 2但只有 2 个节点，无法满足“主副不共节点”约束）
手动分配前必须确认数据一致性风险
不要一看到 unassigned 就急着 _cluster/reroute 强制分配。尤其当 explain 返回 NO_VALID_SHARD_COPY 时：
- 强制分配并启用
"accept_data_loss": true会导致该分片数据彻底清空 —— 索引里这部分文档永久丢失 - 如果该索引有快照（snapshot），优先走
_reindex从快照恢复；如果没有，且业务能容忍丢数据，才考虑强制分配 - 常见误操作：在单节点集群上把
number_of_replicas设为 1，结果 ES 死活不分配副本（因不允许主副同节点），却误以为是 red 故障，其实只是配置矛盾
真正棘手的 red 场景，往往藏在 explain 返回的 decider 链里 —— 比如磁盘水位、分片分配过滤器（cluster.routing.allocation.include）、甚至 JVM 内存不足导致 allocation service 停摆。这些不会直接报错，但会让分片永远卡在 unassigned。
