Elasticsearch Curator v8.0.19版本发布:新增隐藏索引支持功能
项目简介
Elasticsearch Curator是一个用于管理Elasticsearch索引的强大工具,它可以帮助用户自动化执行各种索引管理任务,如索引的创建、移除、优化、备份等。作为Elasticsearch生态系统中重要的运维工具,Curator通过简洁的YAML配置文件或命令行界面,让复杂的索引管理操作变得简单高效。
版本亮点:隐藏索引支持
最新发布的v8.0.19版本中,Curator引入了一项重要功能——对隐藏索引的支持。这一改进使得用户现在可以显式地控制Curator是否处理被标记为隐藏的索引。
隐藏索引的背景
在Elasticsearch中,索引可以被标记为"hidden"(隐藏)。这种索引通常用于特定场景,如:
- 系统内部使用的索引
- 作为数据流(data streams)后端的索引
- 不希望直接暴露给终端用户的索引
默认情况下,Elasticsearch的API调用会忽略这些隐藏索引,除非明确指定要包含它们。
新功能详解
配置文件支持
在新版本中,用户可以在Curator配置文件的options部分添加include_hidden参数来控制是否包含隐藏索引:
options:
include_hidden: True
当设置为True时,Curator将在执行操作时考虑隐藏索引;默认情况下或设置为False时,则忽略隐藏索引。
命令行支持
对于使用CLI单例命令的用户,新增了--include-hidden选项。默认行为相当于--no-include-hidden,即不包含隐藏索引。
已知问题与解决方案
在测试过程中发现了一个Elasticsearch本身的潜在问题:当索引名称以点开头(如.my_index),且该索引被设置为隐藏状态时,如果使用同样以点开头的通配符模式(如.my_*)进行搜索,即使设置了expand_wildcards参数包含隐藏索引(open,closed,hidden),该隐藏索引仍可能出现在搜索结果中。
这个问题已经被报告给Elasticsearch团队,在修复之前,建议用户采取以下替代方案:
- 使用更精确的
search_pattern来匹配目标索引 - 通过过滤器明确排除需要保持隐藏的索引
兼容性说明
新版本已经通过Elasticsearch 7.17.25和8.17.2版本的全面测试,确保功能稳定性和兼容性。
技术意义
这一改进为需要管理隐藏索引的用户提供了更大的灵活性,特别是在以下场景中尤为有用:
- 管理数据流背后的隐藏索引
- 对系统索引进行维护操作
- 在复杂环境中精确控制索引生命周期
升级建议
对于需要使用隐藏索引管理功能的用户,建议升级到此版本。升级过程通常只需替换Curator二进制文件或更新安装包,无需额外的数据迁移步骤。
对于不需要处理隐藏索引的用户,可以继续使用现有版本,或升级以获得其他可能的改进和错误修复。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00