线上ZK问题排查

Posted 2020-11-11 Ronaldo7

问题描述

测试环境ZK集群的三个节点中zk1状态虽然是follower，启动也能正常启动（通过telnet也能telnet 2181端口）; 无法通过zk客户端去连接2181端口，状态一致是CONNECTING

查看zk集群所有节点状态

/data/zookeeper-new-1/bin/zkServer.sh status
/data/zookeeper-new-2/bin/zkServer.sh status
/data/zookeeper-new-3/bin/zkServer.sh status

得到zk2是主节点

查看各个节点的data数据大小

du -h /data/zookeeper/tmp/zk1/data/version-2/ --max-depth=1
du -h /data/zookeeper/tmp/zk2/data/version-2/ --max-depth=1
du -h /data/zookeeper/tmp/zk3/data/version-2/ --max-depth=1

[appadm@moonmall_Z1 zookeeper]$ du -h /data/zookeeper/tmp/zk1/data/version-2/ --max-depth=1
2.4G    /data/zookeeper/tmp/zk1/data/version-2/
[appadm@moonmall_Z1 zookeeper]$ du -h /data/zookeeper/tmp/zk2/data/version-2/ --max-depth=1
7.1G    /data/zookeeper/tmp/zk2/data/version-2/
[appadm@moonmall_Z1 zookeeper]$ du -h /data/zookeeper/tmp/zk3/data/version-2/ --max-depth=1
7.3G    /data/zookeeper/tmp/zk3/data/version-2/
[appadm@moonmall_Z1 zookeeper]$

结果： zk1节点的数据落后其它节点太多，查看ZK1的配置信息（zoo.conf）

# The number of milliseconds of each tick
tickTime=2000
# The number of ticks that the initial
# synchronization phase can take
initLimit=10
# The number of ticks that can pass between
# sending a request and getting an acknowledgement
syncLimit=5
# the directory where the snapshot is stored.
# do not use /tmp for storage, /tmp here is just
# example sakes.
dataDir=/data/zookeeper/tmp/zk1/data
dataLogDir=/data/zookeeper/tmp/zk1/log
# the port at which the clients will connect
clientPort=2181

两个参数需要注意
参数名称|说明
---|----
tickTime | zk服务器与客户端之间心跳维持的时间间隔。每隔tickTime的时间就会发送一个心跳。
initLimit | 允许所有follower与leader进行同步的时间，如果在设定的时间段内，半数以上的follower未能完成同步，集群会再进行一次选举。
syncLimit | leader与follower之间的同步时间，如果在设定的时间内未完成同步，它将会被集群丢弃。

解决方案

1. 调整syncLimit, 如果文件大小相差较大，可以讲时间相应的调大.
2. 将主节点的文件手动复制到有问题的节点中.
3. 调整zoo.conf定时清理数据快照信息。减少数据同步信息

autopurge.snapRetainCount=5
# Purge task interval in hours
# Set to "0" to disable auto purge feature
autopurge.purgeInterval=1

1. 对于集群节点data目录快照文件相差非常巨大。用方法2无法使集群正常工作。（即使集群能够正常启动起来，过不了多久又会停止工作。但是各个节点角色还是正常的）。考虑到之前有个节点总是挂起。可以想到整个集群数据不能保证一致，可以考虑是否重建数据目录。这个需要对整个业务衡量