作者： cchouqiang 原文来源：https://tidb.net/blog/ddc1ce25
准备环境
安装介质
1） tikv 5.0.4 release
https://download.pingcap.org/tidb-community-server-v5.0.4-linux-amd64.tar.gz
2） learner-recover.tar.gz
https://github.com/pingcap-inc/learner-recover/releases/download/latest/learner-recover.tar.gz
集群拓扑信息
###
检查切换条件
主集群至少需要有一次 pending-peer-region-count 归 0，否则灾备集群会有 region 空洞无法恢复。保证灾备集群有一次完整的数据同步。
确认灾备集群已经被主集群重建，以及灾备的端口配置
在灾备中控机上销毁旧的灾备集群
拷贝一份灾备中控机上边的 join.yaml ，scale-in 主集群中断连的 TiKV 节点，通过 join.yaml 扩容
规定灾备集群的端口从 20160 开始迭代，每次恢复 join.yaml 里边的端口 +1
灾备切换的配置文件均在灾备中控机上
配置文件准备
配置文件均在learner-recover/config目录下面
复制代码
修改 old.yaml 文件
old.yaml 内容为主机群配置信息（部署拓扑文件）。
修改 join.yaml 文件
此文件需要将灾备集群的 learner TiKV 节点的信息复制到这里，结构跟 tiup cluster scale 的拓扑一样，注意这里需要更改端口信息，否则会可能会引起主备集群的服务冲突，导致 TiKV panic。
端口修改避免冲突， join.yaml 里边的 tikv 端口信息需要每次测试前 +1 。但是数据目录复用，不能更改。
修改 new.yaml 文件
new.yaml 文件中配置的是新集群的配置信息，其中不包含 tikv 部分。目录和端口要跟原主集群的不一致。
同步主集群密钥
如果是第一次测试或者主集群重新部署了，需要拷贝一份主集群的密钥到灾备恢复工具的配置目录。再次进行灾备切换时，此步骤可忽略
scp ~/.tiup/storage/cluster/clusters/<cluster-name>/ssh/id_rsa <local-path>
复制代码
修改 recover.yaml 文件，并把密钥加到里面
vi recover.yaml
# 主集群的拓扑文件路径
old-topology: config/old.yaml
# learner 要迁入的新集群拓扑路径，文件内通常不包含 TiKV 节点，可以包含新的 PD, 监控等节点。
new-topology: config/new.yaml
# 灾备集群中的 TiKV 节点拓扑，里边应该包含灾备集群中的 learner 节点，需要更改端口，但是数据目录应该保持一致，重用数据的同时防止跟旧集群产生冲突。具体的配置可以看 config
join-topology: config/join.yaml
# fetcher.sh 拉取的恢复信息文件路径
recover-info-file: config/recover-info.json
# 灾备集群的 label 。用于标识哪些集群是灾备节点，需要执行恢复操作。
zone-labels:
zone: az4
# 迁入集群的组建版本
cluster-version: v5.0.4
# 迁入集群的名字
cluster-name: tidb-backup
# tikv-ctl 在每台 learner 节点上的路径，绝对路径
tikv-ctl:
src: /data1/learner-recover/tikv-ctl # 本机上的 tikv-ctl 路径，绝对路径 or 相对路径
dest: /home/tidb/tikv-ctl # 拷贝到远端 host 的 tikv-ctl 路径, 绝对路径
# pd-recover 在本机上的路径，绝对路径 or 相对路径
pd-recover-path: /data1/learner-recover/pd-recover
# pd server 的配置，用于设置启动的 PD，例如可以加快补副本的速度
pd-ctl-commands:
- config set max-pending-peer-count 512
- config set max-snapshot-count 128
- config set replica-schedule-limit 1024
- config set scheduler-max-waiting-operator 100
- store limit all 800 add-peer
- Store limit all 20000 remove-peer
patch: /data1/tidb-community-server-v5.0.4-linux-amd64/tikv-server.tar.gz # 需要 patch 的 tikv 二进制包
#将下面信息添加到文件最后一行
extra-ssh-opts: -i id_rsa
复制代码
拷贝 tikv-ctl 和 pd-recover 到灾备中控机
tikv-ctl和pd-recover两个文件在tidb v5.0.4的介质包中：
$ cp /data/tidb-community-server-v5.0.4-linux-amd64/tikv-ctl /data/learner-recover/
$ cp /data/tidb-community-server-v5.0.4-linux-amd64/pd-recover /data/learner-recover/
复制代码
修改 rpo.yaml 文件
# 可以用 rpo.sh 命令启动脚本，配置文件解析如下：
topology: config/old.yaml # 主集群拓扑文件路径
learner-labels: # 这里可以用 labels 去 match 出灾备集群的 host。
zone: az4
tikv-ctl:
# 需要加上src和dest的路径：
# tikv-ctl 在每台 learner 节点上的路径，绝对路径
src: /data1/learner-recover/tikv-ctl # 本机上的 tikv-ctl 路径，绝对路径 or 相对路径
dest: /root/tikv-ctl # 拷贝到远端 host 的 tikv-ctl 路径, 绝对路径
last-for: 1m # 持续拉取多久的 RPO
history-path: config/history.json # 存放历史的路径
save: config/rpo.json # 存放 RPO 信息的路径
复制代码
修改 info.yaml 文件
#可以用 fetcher.sh 命令启动脚本，配置文件解析如下：
save: config/recover-info.json # 灾备信息存放路径，集群恢复所需
topology: config/old.yaml # 主集群拓扑文件路径
learner-labels:
zone: az4
interval: 1s # go Duration syntax, 多久执行一次拉取
last-for: 1m # 持续多久
timeout: 2s # 请求超时时间
# hint:由于 crontab 的最小粒度为分钟级别，可以设置 last-for = 1m, 并且每分钟执行 fetcher.sh 实现更小粒度拉取
复制代码
执行 fetcher.sh，该脚本已经放在 crontab 定时任务中
检查 recover-info.json 是否是最新的：
/data/learner-recover/learner-recover/config/recover-info.json
检查 config/recover-info.json 是否已经有数据，正常来说应该包含一下数据：
{"storeIDs":[5,6,4],"clusterID":"6994842895216004854","allocID":4294968296}
复制代码
非灾备节点的 store id 以及集群的 cluster id、alloc id。
检查 config/rpo.json
{"lag":649801723,"safe-time":"2021-09-02T16:37:39.941238343+08:00"}
复制代码
lag 代表主集群和灾备 learner 节点的同步延迟。由于本身计算和拉取信息有一定耗时，所以实际的 lag 时间要比这个更小。
执行灾备切换
执行 recover.sh
耗时：2 分钟左右
time sh recover.sh |& tee -a recover.log
复制代码
脚本执行完成后，日志出现 success，再去监控查看 region health 情况，待 miss-peer-region-count 降为 0，则说明灾备切换补副本完成。
在备机上查看集群状态
灾备中控机上查看集群状态，均为 Up，此时灾备切换完成。
总结和思考
Learner recover 特性可以提供 rawkv(没有 tidb 组件的集群) 的容灾能力；
Learner recover 特性可以实现同城应急和异地容灾；
learner 副本如果能提供读操作的能力，则会分担主集群的读压力。
评论