记录一次事故处理50%kudu表无法进行正常访问

测试环境kudu集群事故,影响:测试效果,测试进度,生产发布延迟,需警惕,特此写出过程 操作需谨慎! 操作需谨慎! 操作需谨慎! 任务环境都要以生产环境而对待!

事故原因:

昨天于上午10点,业务说kudu表无法使用后,影响测试,无法正常发布。去scm平台发现kudu_tablet挂了5台

运维查看信息日志后,做近一步处理

1.重启kudu—tablet发现无法启动

2.然后重新查看相关日志

Check failed: _s.ok() Bad status: IO error: Unable to write consensus meta file for tablet e99481bc28d84bd69ccf328bed071d6b to path /data/ktwd/consensus-meta/e99481bc28d84bd69ccf328bed071d6b: Call to mkstemp() failed on name template /data/ktwd/consensus-meta/e99481bc28d84bd69ccf328bed071d6b.kudutmp.XXXXXX: Too many open files (error 24)F1219 1354 raft_consensus.cc:3052]

3.发现文件句柄不够影响io写入,运维停止kudu_tablet,操作

然后重启tablet-server后可以启动tablet-server,但是操作完之后,所有tablet-server部分分区块不可用 具体截图:

这时运维解决不了-上报平台owner后处理

事故分析:

1.问相关运维如何操作的,查看相关记录命令

2.查看kudu_tablet相关日志

3.检查kudu健康状态

cluster
    ksck:检查kudu集群的健康
kudu cluster ksck <master_addresses> [-checksum_cache_blocks] [-checksum_scan] [-checksum_scan_concurrency=<concurrency>] [-nochecksum_snapshot] [-color=<color>] [-tables=<tables>] [-tablets=<tablets>] 
master_addresses:逗号分隔的master地址
checksum_cache_blocks:是否检查扫描read blocks
checksum_scan:对集群中的数据进行校验和扫描
checksum_scan_concurrency:每个ts设置多少扫描校验执行器,默认4
color:输出是否有颜色
tables:一个逗号分隔的检查tables,空表示检查所有tables
tablets:逗号分隔的tablets id,空表示检查所有tablets

kudu cluster ksck cdh-02:7051,cdh-03:7051,cdh-04:7051 842 out of 1462 table(s) are not healthy

事故处理:

1.找出所有的有问题的kudu_table,并列出来

这里就不贴了

2.如何修复此问题

如何处理这种情况呢?优先考虑恢复tablet server。先查询下有没有节点tablet server服务已经关闭了,有的话,再先启动tablet server服务。然后重新ksck一下,查看tablet副本的可用情况情况。 如果tablet server无法恢复,可以考虑下面的方法。下面的方法可能会导致对该tablet最近的修改数据丢失

使用命令检查 sudo -u kudu kudu cluster ksck cdh-02:7051,cdh-03:7051,cdh-04:7051 -tables='db_test.ods_' kudu中,表由tablet组成。对于3副本的情况,如果有2个副本所在的tablet Server不可获取(TS unavailable),且其中一个不可获取的副本为leader。那么会本tablet不能正常的访问。 使用命令修复

使用到的kudu提供的命令行工具: kudu remote_replica unsafe_change_config7。

kudu remote_replica unsafe_change_config <tserver_address> <tablet_id> <peer uuids>…

sudo -u kudu kudu remote_replica unsafe_change_config cdh-04:7050 b8475299d46f47af9e68665db225af42 451c8b9e876c4099a9c1c1d0807f370a
#正常的tablet-server 要修复的tablet-id 正常的server-id

重新使用命令检查

3.修改文件句柄

修改系统文件句柄:ulimit -n 409600 修改集群kudu句柄

4.重启tablet-server

重启tablet-server

5.python脚本过滤条件批处理修复

有多张表,不能访问,可以使用程序解析ksck输出的内容,批量处理生成修改一致性配置的命令,然后批量修改该命令

import re

#获取tablet id
def search1(line):
    searchObj = re.match(r'Tablet (\w{32}) .+ not RUNNING',line)
    if searchObj:
        return searchObj.group(1)
    else:
        return None

#获取running的server id 主机名
def search2(line):
    searchObj = re.match(r'(\w{32}) \(([\w|-]+):\d+\): RUNNING',line)
    #获取正则匹配中()包含的信息
    if searchObj:
        return searchObj.group(1) + ',' + searchObj.group(2)
    else:
        return None
#读取tablet-id.txt
with open('tablet-id.txt','r') as f :
    lists = f.readlines()
    #写commond.txt
    f= open('commond.txt','w')
    #tablet server
    ts=''
    #tablet id
    ti=''
    #server id
    si=''
    command_pre='sudo -u kudu kudu remote_replica unsafe_change_config '
    #拼接后的命令
    command=''
    #匹配计数器
    cnt=0
    for i in lists:
        i = i.strip()
        #cnt为0时查找 tablet id那行
        if cnt==0 and search1(i) is not None:
            ti = search1(i)
            cnt += 1
            continue
        #匹配tablet id之后的三行
        if cnt>0 :
            cnt += 1
            #匹配server running的行
            searchObj = search2(i)
            if searchObj is not None:
                #对返回结果server name和id进行拆分
                l=searchObj.split(',')
                si = l[0]
                ts = l[1]
            #四行都匹配完写文件
            if cnt==4:
                if len(ts)>0 and len(ti)>0 and len(si)>0:
                    command = command_pre + ts + ' ' + ti + ' ' + si + '\n'
                    print command
                    f.write(command)
                cnt = 0
                ts=''
                ti=''
                si=''
    f.close()

在服务器上执行后 正在慢慢恢复,数据量比较大,就不截图了。

总结

1.tablet server关闭时,tablet的移动(不能同时迁移2台)

tablet server关闭时,tablet的移动。
本部分,是对本文内容的一个补充。

Tablet replicas are not tied to a UUID.Kudu doesn't do tablet re-balancing at runtime, so new tablet server will get tablets the next time a node dies or if you create new tables.8
​ 当一个tablet server被关闭超过一定的时间(默认5分钟),位于tablet server上的tablet会被移动到其它的tablet server9。如果一个tablet server被关闭了很长时间,再启动起来,位于本tablet server上的tablet数目可能很少。其它tablet server上的tablet数据相对较多些,显得不均衡。

2.kudu文件句柄要设置根据自己业务量评估

3.kudu_tablet分区不能大于1500,大于1500后进行平衡或者扩容

4.kudu表的接入需要规范化

5.无效的kudu表进行下线

6.所有环境一视同仁