Solr Cloud 8.7.0与外部ZooKeeper 3.6.2集群通信异常排查求助

这种时好时坏的节点连接问题在Docker环境下的ZK+Solr部署中并不少见，结合你给出的配置和现象，我整理了几个核心排查方向：

1. 修正ZooKeeper集群的节点地址配置 #

你当前的ZOO_SERVERS里，server.1用了0.0.0.0:2888:3888;2181，这个配置的问题在于：ZK集群内部通信时，其他节点（以及连接集群的Solr节点）需要获取到每个ZK节点的实际可访问地址，而0.0.0.0是监听所有网卡的占位符，并不是一个可被外部节点解析的有效地址。

建议修改server.1的配置为该ZK节点的实际主机名（比如${ZOO_NODE_01}，和另外两个节点的变量保持一致）：

ZOO_SERVERS: server.1=${ZOO_NODE_01}:2888:3888;2181 server.2=${ZOO_NODE_02}:2888:3888;2181 server.3=${ZOO_NODE_03}:2888:3888;2181

修改后重启所有ZK节点，确保集群内部能正常通信，再重启Solr节点观察状态。

2. 检查Docker网络的稳定性 #

Docker默认的bridge网络DNS解析偶尔会有不稳定的情况，加上网络链路的间歇性丢包，也会导致这类问题：

• 确认所有ZK和Solr节点都加入了同一个自定义Docker网络（而非默认bridge），自定义网络的DNS解析更可靠。
• 在Solr容器内执行连通性测试：
  • 持续ping每个ZK节点的主机名，观察是否有丢包：ping zk-node-01 -c 100
  • 测试2181端口的连通性：telnet zk-node-01 2181，重复几次看是否能稳定连接。

3. 调整Solr的ZK客户端超时配置 #

如果网络存在轻微延迟，默认的ZK客户端超时可能不足以应对，导致间歇性连接失败：

• 编辑Solr的solr.xml配置文件，调大zkClientTimeout参数（比如从默认15000ms改为30000ms）：

  <solrcloud>
    <str name="zkClientTimeout">30000</str>
  </solrcloud>
  

• 确保Solr启动时指定的是完整的ZK集群地址，而非单个节点，比如：

  solr start -c -z zk-node-01:2181,zk-node-02:2181,zk-node-03:2181
  

4. 验证ZooKeeper的连接数与状态 #

虽然你已经调大了ZOO_MAX_CLIENT_CNXNS到200，但可以进一步验证是否存在连接耗尽的情况：

• 在任意ZK节点执行echo mntr | nc <zk-host> 2181，查看输出中的zk_num_alive_connections指标，确认数值远低于200。
• 用ZK自带的客户端工具zkCli.sh连接集群，执行stat命令，检查所有节点的状态是否正常，没有节点处于"disconnected"状态。

5. 排查防火墙/安全组限制 #

即使是Docker环境，宿主机的防火墙或者云平台的安全组也可能间歇性阻断端口：

• 确保ZK节点之间的2888（集群通信）、3888（选举）端口，以及ZK与Solr之间的2181（客户端连接）端口都完全开放，没有临时的规则变更。

内容的提问来源于stack exchange，提问作者Prithwi