038- 拯救大兵瑞恩之 TiDB 如何在 TiKV 损坏的情况下恢复
作者: anjia 原文来源:https://tidb.net/blog/4b5451bb
这是坚持技术写作计划(含翻译)的第 38 篇,定个小目标 999,每周最少 2 篇。
很喜欢 TiDB 的设计哲学,比如,数据库就活该要么 OLAP,要么 OLTP 么,为嘛就不能兼顾一下?数据量大了后,就一定要反人类的分库分表么?你当分库分表好玩么?分库一时爽,维护火葬场!
尤其在一些中小型团队里,为了数据分析搞一套 Hadoop,约等于为了喝牛奶,从牛崽开始养一头奶牛。一路上明坑暗坑不断。
考虑到学习成本,迁移成本 (高度兼容 MySQL- 但不是 100%),运维成本 (支持 Ansible- 团队有 Ansible 运维经验),使用成本 (相比 Hadoop),硬件成本 (相比 Hadoop),收益 (不用分开分表,支持 OLAP 和 OLTP,支持分布式事务, 支持 TiSpark, 支持 TiKV,自带同步工具) 等。
好了,疑似广告的一段话说完了,回归正题,介绍是如何悲催的遇上整栋大厦停电,并且恰好 TiKV 文件损坏,以及如何在 TiDB 各位大佬的远程文字指导下,一步步把心态从删库跑路,转变成说不定还有救,以及,我擦,真救回来的坎坷心路旅程。
因为 TiDB 之前是别的同事负责,刚接过来不久,对 TiDB 整个的掌握还很初级。真·面向故障学习!
全文主要是对本次事故的回溯,琐碎细节较多,介意的可以直接看最后。
集群环境
[]()
悲催之始
上午 coding 正嗨,突发性停电
来电后 ssh 到 TiDB 的 Ansible 主控机 ansible-playbook start.yml
事情有点不妙,但是扔不死心的, stop and start
一通后,仍是这个结果。事情有点大条。
好在之前偷偷潜伏到 TiDB 的官方群里,没事就听各位大佬吹水打屁,多少受了点熏陶。撸起袖子,开搞。
[]()
定位问题
[]()
Round 1 懵逼树上懵逼果
先看官方文档
好吧,跟没看区别不大。
既然是 TiDB 起不来,就先看 TiDB 的日志 (实际上应该看 http://prometheus:9090/targets ,因为不太熟悉,所以走了弯路,为嘛不看 Grafana, 是因为 TiDB 那卡到后,Ansible 就自动退出了,没有起 Grafana)
暴露的是连接两个 TiKV 报错,这是前期比较关键的线索,起码有初步排查方向了。
另外从日志看到,疑似报空间不足,实际上没意义,在两台 tikv 执行 df -i
df -h
来看,都很充足。
群内 @张曾钧 @PingCAP 大佬开始介入,并且开始了将近 8 个小时的细心和耐心的指导,讲真,PingCAP 团队是我见过最热心耐心的团队,素未蒙面,但乐于助人[呲牙]
此时,通过看官方文档,尝试性,试了下 Prometheus 可以打开,
能看出有两个 TiKV down 掉,正好是上面两个。PS , 我是事后才发现的,当时我一直认为 TiKV 是起来的[捂脸]
插播一下,TiDB 整体架构 ,不多解释。建议看看,可以了解一下 TiDB 的架构原理,比如,TiDB,TiKV,PD 等的职责。
小结: Round 1 以找出两个 TiKV down 结束,效率低到羞愧。
[]()
Round 2 懵逼树前排排坐
注意,下面如无特殊说明,一律是 TiKV 关掉状态下,执行命令。
使用 @唐刘 @PingCAP 的方法 grep -B 50 Welcome
, 开始接触事发原因了。
更多的 grep 的方法 (-A -B -C),参考 man grep 或者 GREP(1) ,因为 tikv 启动会打印 Welcome,所以有理由认为,每次的 Welcome 之前的,肯定是上次退出的原因。
至此,出现了第一个坏掉的 region。
当时执行了 ./pd-ctl store -d -u http://127.0.0.1:2379
找到挂掉的两个 TiKV 的 store id,跟上图的
68935 能对起来。
此时救苦救难的 大佬 提供了 TiKV Control 使用说明 # 恢复损坏的 -mvcc- 数据
实际上执行后,没啥效果,后来发现是因为此 region 超过一半副本出问题了,recover-mvcc 没法恢复。
Round 2 结束,找到了救命稻草,TiKV Control 和 PD Control, 但是,事情远没这么简单。
[]()
Round 3 渐入佳境
中间出了个差点搞死自己的小插曲
/home/tidb/tidb-ansible/resources/bin/pd-ctl -u "http://172.16.10.1:2379" -d store delete 10
自作聪明的以为,TiKV 已经没救了,执行了 store delete 操作。
但是实际上还有救,所以又变成了,如何把已经 delete 掉的 store,再度挂上去。
根据 大佬的 curl -X POST http://${pd_ip}:2379/pd/api/v1/store/${store_id}/state?state=Up
成功挂上,当然还是 down 的状态。
根据
tikv-ctl --db /path/to/tikv/db bad-regions
两台坏的,分别如下
发现坏掉的 region 是 31101(实际上因为用的是 2.1.4,每次只显示一个,处理完后,才会显示下一个,效率很低,后来在 [@戚铮]() 大佬的指导下,换用 tikv-ctl 3.x ,每次可以显示全部的坏的 region )
在好的节点上执行,也不是文中的 all regions are healthy ,实际上是因为,数据文件被占用,没法获取句柄,停掉就行 ansible-playbook stop.yml -l tikv_servers
停掉全部 tikv 节点
此时 @张曾钧 @PingCAP 提示用 tikv-ctl --db /path/to/tikv/db tombstone -p 127.0.0.1:2379 -r
把坏的 region 设置为 tombstone ,但是报错
通过执行 pd-ctl region 31101 发现
这个 region 有两个副本是在坏节点上,超过一半损坏(剧透一下,实际上最后发现,出问题的都是损坏超过 1 半的,1/3 的都自己恢复了)
尝试执行 operator add remove-peer 发现删不掉。
此时 戚铮 大佬出场。
经过一番测试,发现 region31101 很坚挺,使用 recover-mvcc
恢复不了,前面说了是因为损失超过一半副本的原因,使用 operator add remove-peer
删不了,估计也是。
[]()
Round 4 貌似解决
不能因为一颗老鼠屎,坏了一锅汤,部分 region 坏掉了,先尝试强制恢复试试,保证别的正常吧。
注意此命令是在好的 store 上执行
此时启动 TiKV 集群,执行 region 31101,坏掉的已经删掉了,但是服务还是起不来。
此时执行
此时在 [@戚铮]() 老大的指导下,升级 tikv-ctl ,
结果 202 这台,一共三个 region 坏了,处理了俩,感觉遥遥无期,下了 tikv-ctl 3.x 后发现,就还有一个坏的。胜利在望。
重复上述操作后,此节点终于 up 了
218 这个有 6 个坏的
unsafe-recover remove-fail-stores
一通后,终于起来服务了。
Round 4 服务已可以启动,总结一下
先 stop TiKV
如果坏的 region 少于一半,可以尝试 recover-mvcc
如果超过一半,就玄乎了,是在不行就 unsafe-recover remove-fail-stores, 然后再 tikv-ctl –db /path/to/tikv/db tombstone -p 127.0.0.1:2379 -r 31101,xx,xx,xx
再 start TiKV
[]()
Round 5 最终局
你以为万事大吉了?命运就是爱捉弄人。
回到原点。
最后还是损失了部分,但是量不大。
[]()
总结
对 TiDB 不够熟悉,很多流于表面
对 TiDB 的文档和工具使用不熟练
TiDB 的文档不太清晰,比如在故障处理里,没有内链像是 pd-ctl,tikv-ctl,甚至都没有提,在 pd-ctl 和 tikv-ctl 等工具没有提如何下载,在工具下载里,没有提包含啥工具。很佛系
多亏了群内各位大佬的热心指导
如果是 TiKV 有问题,先 stop TiKV
如果对于损坏数小于半数的,可以尝试 recover-mvcc
对于超过半数的,可以尝试 unsafe-recover remove-fail-stores ,再 将 store 设置 tombstone
再 start TiKV
可以结合 tidb 损坏 tikv 节点怎么恢复集群 来做。
多试验,尤其是做极限测试,并且尝试处理,会积累很多经验。
虽然没有瑞恩没有全须全尾的拯救回来,但是缺胳膊少腿总好过没命啊。
[]()
一点小广告
其实如果不考虑 OLTP 的场景,还可以尝试使用 clickhouse。这是之前整理的 clickhouse 的一些文章。
[]()
参考资料
版权声明: 本文为 InfoQ 作者【TiDB 社区干货传送门】的原创文章。
原文链接:【http://xie.infoq.cn/article/32bf8abd12342c18ff7c07c72】。文章转载请联系作者。
评论