解决elasticsearch-py创建索引时出现404错误的正确方法
2025-06-14 12:39:32作者:柯茵沙
在使用elasticsearch-py客户端库操作Elasticsearch时,开发者经常会遇到一个典型问题:当尝试创建新索引时,系统返回404 NotFound错误,而基础的ping测试却能正常通过。这种情况通常源于一个简单但容易被忽视的配置问题。
问题现象分析
开发者通常会按照以下方式初始化Elasticsearch客户端并尝试创建索引:
from elasticsearch import Elasticsearch
# 初始化客户端
client = Elasticsearch(
"http://10.1.3.28:5601",
verify_certs=False,
basic_auth=("username", "password")
)
# 测试连接
print(client.ping()) # 返回True
# 尝试创建索引
client.indices.create(index="mynewindex") # 抛出404 NotFoundError
这种场景下,虽然ping测试成功,但索引创建操作却失败,表明客户端连接到了某个服务,但该服务并非真正的Elasticsearch服务。
根本原因
问题的核心在于端口配置错误。Elasticsearch和Kibana是两个不同的组件,它们使用不同的默认端口:
- Elasticsearch服务默认运行在9200端口
- Kibana作为可视化工具默认运行在5601端口
当开发者错误地将Kibana的端口(5601)配置为Elasticsearch客户端连接地址时,虽然Kibana服务能够响应基础的HTTP请求(导致ping测试通过),但它并不具备处理Elasticsearch索引操作的能力,因此会返回404错误。
正确配置方法
要解决这个问题,需要确保连接到正确的Elasticsearch服务端口:
from elasticsearch import Elasticsearch
# 正确的Elasticsearch地址应使用9200端口
client = Elasticsearch(
"http://10.1.3.28:9200", # 注意端口改为9200
verify_certs=False,
basic_auth=("username", "password")
)
# 现在创建索引应该能正常工作
client.indices.create(index="mynewindex")
深入理解
-
端口区别:
- 9200端口:Elasticsearch的HTTP API端口,所有数据操作都应通过此端口
- 5601端口:Kibana的Web界面端口,仅用于可视化展示
-
连接测试:
- ping()方法只是测试HTTP连接是否可达,不验证服务类型
- 即使连接到错误服务,只要HTTP服务正常运行,ping()也会返回True
-
安全考虑:
- 生产环境中不应禁用证书验证(verify_certs=False)
- 建议配置正确的CA证书以确保连接安全
最佳实践建议
- 明确区分Elasticsearch和Kibana的地址配置
- 在开发环境中使用明确的配置常量或环境变量管理连接信息
- 对于重要操作,添加异常处理逻辑
- 考虑使用官方推荐的Elasticsearch DSL高级客户端,它提供了更友好的API
通过正确配置连接地址和端口,开发者可以避免这类"假成功"的问题,确保Elasticsearch操作能够正常执行。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
764
4.98 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.93 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
683
1.33 K
Ascend Extension for PyTorch
Python
719
880
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
457
439
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.08 K
1.1 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
151
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
305
118
昇腾LLM分布式训练框架
Python
178
221