推荐一款非常好用的 kafka 管理平台,kafka 的灵魂伴侣 滴滴开源LogiKM一站式Kafka监控与管控平台

这篇文章源自于,一位群友的问题,然后就写下了这篇文章

进群加 V :jjdlmn_

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

Kafka专栏整理地址 请戳这里0.0

Part1 前提

进群加 V :jjdlmn_

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

在这里插入图片描述

Part2 所有异常情况

11. 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)

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

进群加 V :jjdlmn_Kafka专栏整理地址 请戳这里0.0

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]}]}

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

1. 
   

2. 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;

33. 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)

1. 
   

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]}]}

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

1. 
   

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

1. 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

44. 限流导致重分配一直完成不了

进群加 V :jjdlmn_Kafka专栏整理地址 请戳这里0.0

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;

55. 数据量太大,同步的贼慢

进群加 V :jjdlmn_

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)

在这里插入图片描述

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

Part3 排查问题思路

进群加 V :jjdlmn_

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.

61. 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]

72. 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

83. 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;

94.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;

1. 
   

2. 还有节点/config/topics/{topicName}的信息

1. 
   

2. 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

1. 
   

2. 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    
   

105. 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

1. 
   

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

2. 同时可以看到 Broker-1 是存活的

1. 
   

2. 但是不在 ISR 里面的

1. 
   

2. 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

3. 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]}]}
   

   
   

1. 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
   

1. 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;

2. 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

1. 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

1. 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_partitions②. 重新执行重分配任务③. 让Controller发生重选举

Part4 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!

Part5 现实案例分析

进群加 V :jjdlmn_

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

进群加 V: jjdlmn_

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LogiKM 一站式Kafka监控与管控平台

Kafka专栏整理地址 请戳这里0.0