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