記一次 Kafka 叢集的故障恢復
女主宣言
本文是作者根據實際經驗總結出的關於Kafka叢集的故障恢復相關的總結,希望對大家有所幫助。
PS:豐富的一線技術、多元化的表現形式,盡在“ HULK一線技術雜談 ”,點關注哦!
Kafka 叢集部署環境
1、kafka 叢集所用版本 0.9.0.1
2、叢集部署了實時監控: 通過實時寫入資料來監控叢集的可用性, 延遲等;
Part
1
1
叢集故障發生
● 叢集的實時監控發出一條寫入資料失敗的報警, 然後馬上又收到了恢復的報警, 這個報警當時沒有重要,沒有去到對應的伺服器上去看下log, 惡夢的開始啊~~~
● 很快多個業務反饋Topic無法寫入, 運維人員介入
2
故障解決
● 運維人員首先檢視kafka broker日誌, 發現大量如下的日誌:
● 這個問題就很明瞭了, 在之前的文章裡有過介紹: Kafka運維填坑 , 上面也給出了簡單修復, 主要原因是 新版kafka 客戶端 sdk訪問較舊版的kafka, 傳送了舊版 kafka broker 不支援的request , 這會導致exception發生, 然後同批次select出來的所有客戶端對應的request都將被拋棄不能處理,程式碼在 SocketServer.scala
裡面, 大家有興趣可以自行查閱
-
這個問題不僅可能導致客戶端的request丟失, broker和broker, broker和controller之間的通訊也受影響;’
-
這也解釋了為什麼 實時監控 先報警 然後又馬上恢復了: 不和這樣不被支援的request同批次處理就不會出現問題;
● 解決過程:
-
我們之前已經修復過這個問題, 有準備好的相應的jar包;
-
運維小夥伴開始了愉快的jar包替換和啟動broker的工作~~~~~~
3
叢集恢復
● kafka broker的優雅shutdown的時間極不受控, 如果強行kill -9 在start後要作長時間的recovery, 資料多的情況下能讓你等到崩潰;
● 叢集重啟完, 通過log觀察, ArrayIndexOutOfBoundsException
異常已經被正確處理, 也找到了相應的業務來源;
● 業務反饋Topic可以重新寫入;
然而, 事件並沒有結束, 而是另一個惡夢的開始
Part
2
1
叢集故障再次發生
● 很多業務反饋使用原有的group無法消費Topic資料;
● 用自己的consumer測試, 發現確實有些group可以, 有些group不能消費;
● 一波不平一波又起, 註定是個不平凡的夜晚啊, 居然還有點小興奮~~~
2
故障解決
● 檢視consumer測試程式不能消費時的日誌,一直在重複如下log:
-
第一條日誌 說明consumer已經確認了當前的coordinator, 連線沒有問題;
-
第二條日誌顯示沒有
Not coordinator
, 對應broker端是說雖然coordinator確認了,但是沒有在這個 coodinator上找到這個group對應的metada資訊; -
group的metada資訊在coordinator啟動或__consuser_offsets的partion切主時被載入到記憶體,這麼說來是相應的__consumer_offsets的partition沒有被載入;
-
關於coordinator, __consumer_offsets, group metada的資訊可以參考 Kafka的訊息是如何被消費的?
● 檢視broker端日誌, 確認goroup metadata的相關問題
-
查詢對應的__consumer_offsets的partition的載入情況, 發現對應的
-
沒有找到下面類似的載入完成的日誌:
也沒有發生任何的exception的日誌
-
使用jstack來dump出當前的執行緒堆疊多次檢視, 證實一直是在載入資料,沒有卡死;
-
現在的問題基本上明確了, 有些__consumer_offsets載入完成了,可以消費, 些沒有完成則暫時無法消費, 如果死等loading完成, 叢集的消費可以正常, 但將花費很多時間;
●為何loading這些__consumer_offsets要花費如此長的時間?
-
去到__conuser_offsets partition相應的磁碟目錄檢視,發生有2000多個log檔案, 每個在100M左右;
-
kaka 的log compac功能失效了, 這個問題在之前的文章裡有過介紹: Kafka運維填坑,
-
log compact相關介紹可以參考 Kafka的日誌清理-LogCleaner
● 手動加速Loading:
-
即使log cleaner功能失敗, 為了加速loading, 我們手動刪除了大部分的log檔案; 這樣作有一定風險, 可能會導致某些group的group metadata和committed offset丟失, 從而觸發客戶端在消費時offset reset;
3
故障恢復
● 所有__consumer_offset都載入完後, 所有group均恢復了消費;