推荐一款非常好用的 kafka 管理平台,kafka 的灵魂伴侣https://github.com/didi/LogiKM

这篇文章源自于,一位群友的问题,然后就写下了这篇文章

jjdlmn_

先定义一下名词: 迁移前的 Broker： OriginBroker 、 迁移后的副本 TargetBroker

前提

在这之前如果你比较了解 分区重分配的原理 的话,下面的可能更好理解; 推荐你阅读一下下面几篇文章(如果你点不进去说明我还没有发布)

【kafka 源码】ReassignPartitionsCommand 源码分析(副本扩缩、数据迁移、副本重分配、副本跨路径迁移) 【kafka 运维】副本扩缩容、数据迁移、副本重分配、副本跨路径迁移

Kafka的灵魂伴侣Logi-KafkaManger(4)之运维管控–集群运维(数据迁移和集群在线升级)

如果你不想费那个精力,那直接看下面我画的这张图,你自己也能分析出来可能出现的问题;以及怎么排查

所有异常情况

1. TargetBroker 若不在线,迁移脚本执行会失败

TargetBroker若不在线, 在开始执行任务脚本的时候，校验都不会被通过呢

情景演示

现在将分区topic-test-0 从 Broker0 迁移到 Broker1

sh bin/kafka-reassign-partitions.sh --zookeeper xxxxxx:2181/kafka3 --reassignment-json-file config/reassignment-json-file.json  --execute --throttle 1000000

执行异常

Partitions reassignment failed due to The proposed assignment contains non-existent brokerIDs: 1kafka.common.AdminCommandFailedException: The proposed assignment contains non-existent brokerIDs: 1        at kafka.admin.ReassignPartitionsCommand$.parseAndValidate(ReassignPartitionsCommand.scala:348)        at kafka.admin.ReassignPartitionsCommand$.executeAssignment(ReassignPartitionsCommand.scala:209)        at kafka.admin.ReassignPartitionsCommand$.executeAssignment(ReassignPartitionsCommand.scala:205)        at kafka.admin.ReassignPartitionsCommand$.main(ReassignPartitionsCommand.scala:65)        at kafka.admin.ReassignPartitionsCommand.main(ReassignPartitionsCommand.scala)

2. TargetBroker 在开始迁移过程中宕机，导致迁移任务一直在进行中

一般这种情况是出现在, 写入了节点/admin/reassign_partitions/之后, 有一台/N 台targetBroker 中途宕机了, 导致这台 Broker 不能正常的创建新的副本和同步 Leader 操作,就不能够继续往后面走了

情景演示

模拟这种情况,我们可以手动写入了节点/admin/reassign_partitions/重分配信息例如：

1. 创建一个节点写入的信息如下, 其中 Broker-1 不在线; 模拟在分配过程中宕机了;{"version":1,"partitions":[{"topic":"test","partition":0,"replicas":[1]}]}
   

2. 看到/broker/topics/{topicName} 中的节点已经变更为下面的了

   

3. 接下来应该要像 Broker-1 发送LeaderAndIsr请求让它创建副本并且同步 Leader；但是这个时候 Broker-1 是不在线的状态；所以就会导致 这个任务一直在进行中, 如果你想进行其他的重分配就会提示如下 There is an existing assignment running.解决方法

只要知道什么情况,那解决问题思路就很清晰了, 只要把挂掉的 Broker 重启就行了;

3. 被迁移副本没有找到 Leader,导致 TargetReplica 一直不能同步副本

只要被迁移的副本的 Leader 服务挂了,并且还没有选举出新的 Leader, 那么就没地方同步了 这种情况跟 情况 2 类似,但也有不同, 不同在于 这里可能是其他的 Broker 挂了导致的

情景演示

现在将分区test-0 从 Broker1 迁移到 Broker0

{"version":1,"partitions":[{"topic":"test","partition":0,"replicas":[0],"log_dirs":["any"]}]}

看上面的图, TargetReplica会收到LeaderAndIsr 然后开始创建副本，并且 zk 中也写入了TargetBroker的 AR 信息; 然后开始去同步 Leader 的副本信息,这个时候 Leader 是谁? 是 Broker-1 上的test-0;(只有一个副本)，然后准备去同步的时候,OriginBroker不在线,就同步不了,所以TargetReplica只是创建了副本,但是还没有同步数据;如下

1. TargetReplica被创建,但是没有数据; 又因为OriginBroker不在线,所以也没有被删除副本(下图 kafka-logs-30 是 Broker0;kafka-logs-31 是 Broker1)

   

2. 因为整个分区重分配任务没有完成，所以 /admin/reassign_partitions/还未删除

   {"version":1,"partitions":[{"topic":"test","partition":0,"replicas":[0]}]}

3. /broker/topics/{topicName} 中的节点会更新为下图, 其中AR RR都还没有被清空

   

4. brokers/topics/test/partitions/0/state节点 看 Leader 为-1，并且 ISR 中也没有加入 TargetBroker
   

   

   只要是没有同步成功,那么整个分区流程就会一直进行中;

   

解决方案

一般出现这种情况还是少见的,基本上单副本才会出现这种情况 一般就算OriginBroker挂了,导致一个副本下线了,那么其他的副本会承担起 Leader 的角色 如果只有一个副本,那么就会造成这种异常情况了,这个时候只需要把OriginBroker重启一下就行了

4. 限流导致重分配一直完成不了

我们一般在做分区副本重分配任务的时候,一般都会加上一个限流值 --throttle : 迁移过程 Broker 之间传输的速率,单位 bytes/sec 注意这个值是 Broker 之间的限流, 并不仅仅指的是这次迁移的几个分区副本的限流；而是包含其他 Topic 自身正常的数据同步的流量; 所以如果你这个限流值设置的很小, 速率比正常情况下的同步速率还要小 又或者你的同步速率比创建消息的速率都要慢, 那么这个任务是永远完不成的！

情景演示

1. 创建重分配任务, 限流值 1 sh bin/kafka-reassign-partitions.sh --zookeeper xxxx:2181/kafka3 --reassignment-json-file config/reassignment-json-file.json --execute --throttle 1
   

2. 基本上这个速率是别想完成了，admin/reassign_partitions节点一直在

3. zk 中的限流配置

   

解决方案

将限流阈值设置大一点，重新执行一下上面的脚本，限流值加大

     sh bin/kafka-reassign-partitions.sh --zookeeper xxxx:2181/kafka3 --reassignment-json-file config/reassignment-json-file.json  --execute --throttle 100000000

(虽然这里执行之后还是会提醒你有任务在进行中,但是会重写限流信息的) 千万记得 任务结束要用 --verify来把限流值移除掉! 不然他会一直存在的;

5. 数据量太大,同步的贼慢

出现这个情况是很常见的一个事情,它也不属于异常, 性能问题你没办法,但是往往我们做数据迁移的时候会忽略一个问题； 那就是过期数据太多,迁移这个过期数据本身就没有什么意义; 可以看我之前的文章 Kafka的灵魂伴侣Logi-KafkaManger(4)之运维管控–集群运维(数据迁移和集群在线升级)减少迁移的有效数据,能够大大增加数据迁移的效率;

解决方案

减少迁移的数据量 如果要迁移的 Topic 有大量数据（Topic 默认保留 7 天的数据），可以在迁移之前临时动态地调整 retention.ms 来减少数据量; 当然手动的来做这个操作真的是太让你烦心了, 你可以有更聪明的选择

Kafka的灵魂伴侣Logi-KafkaManger(4)之运维管控–集群运维(数据迁移和集群在线升级)

滴滴开源Logi-KM一站式Kafka监控与管控平台

可视化的进行数据迁移、分区副本重分配;

设置限流、减小数据迁移量、迁移完成自动清理限流信息

排查问题思路

上面我把我能想到的所有可能出现的问题解决方案都列举了出来; 那么碰到了 重分配任务一直在进行中怎么快速定位和解决呢？There is an existing assignment running.

1. 先看/admin/reassign_partitions 里面的数据

假设一次任务如下; 有两个分区 test-0 分区分在 Broker[0,1] test-1 分区在 Broker[0,2]

{"version":1,"partitions":[{"topic":"test","partition":0,"replicas":[0,1]},{"topic":"test","partition":1,"replicas":[0,2]}]}

恰好图中 Broker1 宕机了,test-0就不能完成了,test-1则正常完成; 那么这个时候/admin/reassign_partitions节点就是

{"version":1,"partitions":[{"topic":"test","partition":0,"replicas":[0,1]}]}

所以我们先看节点的数据，能够让我们指定 是哪个分区重分区出现了问题 ;

从上面数据可以指定, test-0 这个分区没有完成,对应的 Broker 有 [0,1]

2. 再看 brokers/topics/{TopicName}/partitions/{分区号}/state 数据

通过步骤 1 我知道 test-0 有问题,我就直接看节点/brokers/topics/test/partitions/0/state得到数据 这里分两种情况看

1. 如下

   {"controller_epoch":28,"leader":0,"version":1,"leader_epoch":2,"isr":[0]}
   

   可以发现 ISR:[0], 只有 0 ； 正常来说应该是我上面设置的[0,1]; 那问题就定位在 Broker-1 中的副本没有加入到 ISR 中; 接下来的问题就是排查为啥 Broker-1 没有加入到 ISR 了；

2. 如下, leader:-1 的情况

   {"controller_epoch":28,"leader":-1,"version":1,"leader_epoch":2,"isr":[0]}
   

   leader:-1 表示当前没有 Leader; 新增的副本没有地方去同步数据，就很迷茫; 所以接下来要排查的就是其该 TopicPartition 的其他副本所在 Broker 是不是都宕机了; 如何确定其他 Broker? 看 AR 是否都正常;AR 数据在brokers/topics/{topicName}可以看到 ;

   当然你可以通过 滴滴开源-LogIKM 一站式Kafka监控与管控平台 更简单的去排查这个步骤;如下

3. 根据步骤 2 确定对应的 Broker 是否异常

如果找到有 Broker 异常，直接重启就完事了;

4.查询限流大小

如果步骤 3 还没有解决问题,也没有 Broker 异常,那么再判断一下流量限制的问题了

1. 首先看看节点/config/brokers/{brokerId} 是否配置了限流信息;

2. 还有节点/config/topics/{topicName}的信息

3. 并且看到 Broker 节点也没有加入到 ISR, 那么妥妥的同步速率问题了

4. 如果查询到的限流值比较小的话,可以适当的调大一点

   sh bin/kafka-reassign-partitions.sh --zookeeper xxxx:2181/kafka3 --reassignment-json-file config/reassignment-json-file.json --execute --throttle 100000000 5. 重新执行重分配任务(停止之前的任务)

   如果上面还是没有解决问题,那么可能是你副本数据量太大,迁移的数据太多, 或者你 TargetBroker 网络情况不好等等,网络传输已经达到上限,这属于性能瓶颈的问题了，或许你该考虑一下 是不是重新分配一下；或者找个夜深人静的晚上做重分配的操作;

情景演示

1. test-0 分区 原本只在 Broker [0]中, 现在重分配到 [0,1], 用--throttle 1 模拟一下网络传输速率慢， 性能瓶颈等

   
   

这个节点一直会存在,一直在进行中,`adding_replicas` 也一直显示[1]

1. 同时可以看到 Broker-1 是存活的

   

   但是不在 ISR 里面的

   

   判断出来 可能同步速率更不上, TargetBroker 可能网络状况不好,或者本身压力也挺大； 换个 TargetBroker

2. 直接删除节点/admin/reassign_partitions ,然后重新执行一下重分配任务; 重分配到[0,2]中

   {"version":1,"partitions":[{"topic":"test","partition":0,"replicas":[0,2]}]}
   

   可以看到已经在 zk 中写入了新的分配情况; 但是 topic 节点中却没有变更AR 和ARS这是因为Controller虽然收到了节点的新增通知/admin/reassign_partitions; 但是在校验的时候,它内存里面保存过之前的重分配任务,所以对 Controller 而言,它认为之前的任务还是没有正常结束的,所以也就不会走后门的流程;

3. 重新选举 Controller 角色,重新加载/admin/reassign_partitions ; 我在文章【kafka 源码】Controller 启动过程以及选举流程源码分析里面分析过,Controller 重新选举会重新加载/admin/reassign_partitions节点并继续任务的执行; 切换之后如下,变更正常切换 Controller,需要你主动去删除 zk 节点 /controller 当然还有更简单的方式 滴滴开源LogiKM 一站式Kafka监控与管控平台 如下指定一些空闲的 Broker 当做 Controller,并立即切换是一个明智的选择;

解决方案

1. 数据量太大是因为很多过期数据; 如果你重分配的时候没有考虑清理过期数据; 那么就重新分配把 但是重分配任务同一时间只能有一个,所以你只能暴力删除/admin/reassign_partitions ;然后重新分配一下; 注意重新分配的时候,请务必设置临时的数据过期时间,减少迁移数据； 并且还要让Controller切换一下;

2. 总结起来是 ①. 删除节点/admin/reassign_partitions ②. 重新执行重分配任务 ③. 让Controller发生重选举

排查工具+思考

分析完上面的问题, 起始这个问题排查起来,还是挺麻烦的,看这个看那个指标什么的; 是不是可以有一个工具来自动帮我 排查问题+提供解决方案; 既然排查思路有了,可视化，自动化，工具化 也不是什么难事吧; 所以我在 滴滴开源LogiKM 一站式Kafka监控与管控平台 上准备提一个 ISSUE, 来简单的实现这么一个功能; 看什么时候比较空的时候来完成它,你要是有兴趣,也可以一起来完成它!

现实案例分析

周五快下班的时候, 群里面有个同学问了一句下面这个问题, 然后我就我回复了一下; 后来为了具体分析就拉了一个小群来寻找蛛丝马迹

具体的日志我就不贴出来了,太多了;

这位同学在 进行分区重分配的过程中, 持久了很久,一直在进行中, 后来去百度 说让在 zk 中删除 重分配任务节点; 我告知了节点之后,然后立马删除了这个节点,后来发现某一台迁移的 TargetBroker 挂了, 让他们重启之后,重分配的任务仍旧接着进行下去了, 也就是说 TargetBroker 依然正常的完成了副本的分配;

问题分析

其实这个问题就是我们上面分析过的 第二种情况 2. TargetBroker在开始迁移过程中宕机，导致迁移任务一直在进行中 具体为什么 TargetBroker 为什么会宕机 这不是我们分析的范畴;

因为TargetBroker宕机了,导致任务不能结束; 这个时候只需要重启TargetBroker就可以了;

虽然他们直接暴力删除了节点/admin/reassign_partitions ; 问题也不大; 影响点在下一次开始重分配的任务时候, Controller内存里面还是报错的之前的信息,所以下一次的任务不会被执行; 但是如果你让Controller重新分配之后,那么就会继续执行了,没有什么影响;

虽然他们这次删除了节点, 也里面开始了下一次的分配; 但是因为它重启了 TargetBroker ；让原来的任务顺利的进行了下去; 哪怕没有切换Controller, 也是不会影响下一次的重分配任务的;(因为顺利进行 Controller 被通知的之前的已经结束了)

如果你有其他可能出现的异常,或者其他有关于 kafka、es、agent 等等相关问题,请联系我,我会补充这篇文章

欢迎 Star 和共建由滴滴开源的 kafka 的管理平台,非常优秀非常好用的一款 kafka 管理平台

满足所有开发运维日常需求

滴滴开源Logi-KafkaManager 一站式Kafka监控与管控平台