一次 MySQL 誤操作導(dǎo)致的事故，「高可用」都頂不住了！
上次我們項(xiàng)目不是把 MySQL 高可用部署好了么，MySQL 雙主模式 + Keepalived，來保證高可用。簡(jiǎn)單來說就是有兩個(gè) MySQL 主節(jié)點(diǎn)，分別有兩個(gè) Keepalived 安裝在宿主機(jī)上監(jiān)控 MySQL 的狀態(tài)，一旦發(fā)現(xiàn)有問題，就重啟 MySQL，而客戶端也會(huì)自動(dòng)連接到另外一臺(tái) MySQL。
詳情可以看悟空寫的這篇：??實(shí)戰(zhàn) MySQL 高可用架構(gòu)??
這次是我們?cè)陧?xiàng)目中遇到的一次事故，來一起復(fù)盤下吧。
本文目錄如下：
?事故現(xiàn)場(chǎng)
- 環(huán)境：測(cè)試環(huán)境
- 時(shí)間：上午10:30
- 反饋人員：測(cè)試群，炸鍋了，研發(fā)同事初步排查后，發(fā)現(xiàn)可能是數(shù)據(jù)庫(kù)問題。
然后就開始找原因吧。因?yàn)檫@套集群環(huán)境是我部署的，所以我來排查的話輕車熟路。
系統(tǒng)部署圖
先說下系統(tǒng)的部署圖，方便大家理解。
兩個(gè)數(shù)據(jù)庫(kù)部署在 node55 和 node56 節(jié)點(diǎn)上，他們互為主從關(guān)系，所以叫做雙主。
還有兩個(gè) Keepalived 部署在 node55 和 node56 上面，分別監(jiān)控 MySQL 容器的狀態(tài)。
?報(bào)錯(cuò)原因和解決方案
① 我第一個(gè)想法就是，不是有 Keepalived 來保證高可用么，即使 MySQL 掛了，也可以通過 Keepalived 來自動(dòng)重啟才對(duì)。即使一臺(tái)重啟不起來，還有另外一臺(tái)可以用的吧？
② 那就到服務(wù)器上看下 MySQL 容器的狀態(tài)吧。到 MySQL 的兩臺(tái)服務(wù)器上，先看下 MySQL 容器的狀態(tài)，docker ps 命令，發(fā)現(xiàn)兩臺(tái) MySQL 容器都不在列表中，這代表容器沒正常運(yùn)行。
③ 這不可能，我可是安裝了 Keepalived 高可用組件的，難道 Keepalived 也掛了？
④ 趕緊檢查一波 Keepalived，發(fā)現(xiàn)兩臺(tái) Keepalived 是正常運(yùn)行的。通過執(zhí)行命令查看：systemctl status keepalived
⑤ 納尼，Keepalived 也是正常的， Keepalived 每隔幾秒會(huì)重啟 MySQL，可能我在那一小段空閑時(shí)間沒看到 MySQL 容器啟動(dòng)？換個(gè)命令執(zhí)行下，docker ps -a，列出所有容器的狀態(tài)?？梢钥吹?MySQL 啟動(dòng)后又退出了，說明 MySQL 確實(shí)是在重啟。
⑥ 那說明 Keepalived 雖然重啟了 MySQL 容器，但是 MySQL 自身有問題，那 Keepalived 的高可用也沒辦法了。
⑦ 那怎么整？只能看下 MySQL 報(bào)什么錯(cuò)了。執(zhí)行查看容器日志的命令。docker logs <容器 id>。找到最近發(fā)生的日志：
⑧ 提示 mysql-bin.index 文件不存在，這個(gè)文件是配置在主從同步那里的，在 my.cnf 配置里面。
這個(gè)配置好后，然后執(zhí)行主從同步的時(shí)候，就會(huì)在 var/lib/mysql/log 目錄下生成多個(gè) mysql-bin.xxx? 的文件。還有一個(gè) mysql-bin.index? 索引文件，它會(huì)標(biāo)記現(xiàn)在 binlog 日志文件記錄到哪里了。
mysql-bin.index 文件里面的內(nèi)容如下：
/var/lib/mysql/log/mysql-bin.000001
這個(gè) mysql-bin.000001 文件還是帶序號(hào)的，這里還有坑，后面我再說。
⑨ 報(bào)錯(cuò)信息是提示缺少 mysql-bin.index，那我們就去檢查下唄，確實(shí)沒有??！先不管這個(gè)文件怎么消失的吧，趕緊把這個(gè) log 文件夾先創(chuàng)建出來，然后 mysql 會(huì)自動(dòng)給我們生成這個(gè)文件的。
解決方案：執(zhí)行以下命令創(chuàng)建文件夾和添加權(quán)限。
mkdir log
chmod 777 log -R
⑩ 兩臺(tái)服務(wù)器上都有這個(gè) log 目錄后，Keepalived 也幫我們自動(dòng)重啟好了 MySQL 容器，再來訪問下其中一個(gè)節(jié)點(diǎn) node56 的 MySQL 的狀態(tài)，咦，居然報(bào)錯(cuò)了。
Last_IO_Error: Got fatal error 1236 from master when reading data from binary log: 'Could not find first log file name in binary log index file'
可以看到幾個(gè)關(guān)鍵信息：
- Slave_IO_Running: NO，當(dāng)前同步的 I/O 線程沒有運(yùn)行，這個(gè) I/O 線程是從庫(kù)的，它會(huì)去請(qǐng)求主庫(kù)的 binlog，并將得到的 binlog 寫到本地的 relay-log (中繼日志)文件中。沒有運(yùn)行，則代表從庫(kù)同步是沒有正常運(yùn)行。
- Master_Log_File: mysql-bin.000014，說明當(dāng)前同步的日志文件為?
?000014??，之前我們看到節(jié)點(diǎn) node56 上 mysql.index 里面寫的是 000001，這個(gè) 000014 根本就不在 index 文件里面，所以就會(huì)報(bào)錯(cuò)了。
這里涉及到主從同步的原理，上一張圖：
- 從庫(kù)會(huì)生成兩個(gè)線程,一個(gè) I/O 線程,一個(gè) SQL 線程;
- I/O線程會(huì)去請(qǐng)求主庫(kù)的 binlog 日志文件,并將得到的 binlog 日志文件 寫到本地的 relay-log (中繼日志)文件中;
- 主庫(kù)會(huì)生成一個(gè) dump 線程,用來給從庫(kù) I/O 線程傳 binlog;
- SQL線程，會(huì)讀取 relay log 文件中的日志,并解析成 SQL 語(yǔ)句逐一執(zhí)行。
那好辦啊，我們重新指定下同步哪個(gè)日志文件，以及同步的位置就好了。
?解決方案：
看下主庫(kù) node55 上日志文件狀態(tài)。
記下這兩個(gè)信息：File=mysql-bin.00001，Position=117748。（這里也有個(gè)坑：先要鎖表，再看這兩個(gè)值，從庫(kù)開始同步后，再解鎖表）。
具體執(zhí)行的命令如下：
FLUSH TABLES WITH READ LOCK;
SHOW MASTER STATUS
UNLOCK TABLES
然后在從庫(kù) node56 上重新指定同步的日志文件和位置：
# 停止從庫(kù)同步
STOP SLAVE;
# 設(shè)置同步文件和位置
CHANGE MASTER TO MASTER_HOST='10.2.1.55',
MASTER_PORT=3306,
MASTER_USER='vagrant',
MASTER_PASSWORD='vagrant',
MASTER_LOG_FILE='mysql-bin.000001',
MASTER_LOG_POS=117748;
# 開啟同步
START SLAVE;
再次查看就不報(bào)錯(cuò)了，I/O 線程也跑起來了，
在這里插入圖片描述
然后將 node55 當(dāng)做從庫(kù)，node56 當(dāng)做主庫(kù)，同樣執(zhí)行上面的幾步，狀態(tài)顯示正常了，然后用 navicat 工具連下數(shù)據(jù)庫(kù)，都是正常的，在測(cè)試群反饋下結(jié)果，搞定收工。
?好像忘了一個(gè)問題，為啥 log 文件夾被干掉了？？
為什么會(huì)出現(xiàn)問題？
然后問了一波當(dāng)時(shí)有沒有人刪除這個(gè) /var/lib/mysql/log 目錄，也沒有人會(huì)隨便刪除這個(gè)目錄的吧。
但是發(fā)現(xiàn) log 的上級(jí)目錄 /var/lib/mysql 有很多其他文件夾，比如 xxcloud, xxcenter 等。這不就是我們項(xiàng)目中幾個(gè)數(shù)據(jù)庫(kù)的名字么，只要在這個(gè)目錄的文件夾，都會(huì)顯示在 navicat 上，是一一對(duì)應(yīng)的，如下圖所示。其中也顯示了 log 數(shù)據(jù)庫(kù)。
那會(huì)不會(huì)有人從 navicat 上干掉了 log 數(shù)據(jù)庫(kù)？極有可能啊！
果然，有位同事之前在遷移升級(jí)的過程中，發(fā)現(xiàn)這個(gè) log 數(shù)據(jù)庫(kù)在老的系統(tǒng)是沒有的，所以就清理了，這就相當(dāng)于把 log 數(shù)據(jù)庫(kù)干掉了，同時(shí)也會(huì)把 log 文件夾干掉了。好了，終于水落石出了！這個(gè)其實(shí)也是我前期沒有考慮到 log 目錄的一個(gè)問題。沒錯(cuò)，這是我的鍋~
改進(jìn)
其實(shí)操作同步數(shù)據(jù)庫(kù)的時(shí)候，不應(yīng)該用這種覆蓋同步的方式，可以采取單庫(kù)同步的方式，也就不會(huì)干掉 log 數(shù)據(jù)庫(kù)了。但是，這個(gè) log 數(shù)據(jù)庫(kù)放在這里有點(diǎn)奇怪啊，能不能不要出現(xiàn)在這里呢？
我們只要指定這個(gè) log 目錄不在 /var/lib/mysql 目錄下就好了。
東哥建議：log 文件和數(shù)據(jù)庫(kù) data 文件進(jìn)行隔離：
- datadir = /var/lib/mysql/data
- log_bin = /var/lib/mysql/log
?另外一個(gè)問題，我們的高可用真的高可用了嗎？
至少?zèng)]有做到及時(shí)報(bào)警，MySQL 數(shù)據(jù)庫(kù)掛了，我是不知道的，都是通過測(cè)試同學(xué)反饋的。
能不能及時(shí)感知到 MySQL 異常呢？
這里可以利用 Keepalived 發(fā)送郵件的功能，或者通過日志報(bào)警系統(tǒng)。這個(gè)是后面需要改進(jìn)的地方。
