深入排查 MySQL 高可用的事故

你好，我是悟空。

上次我们项目不是把 MySQL 高可用部署好了么，MySQL 双主模式 + Keepalived，来保证高可用。简单来说就是有两个 MySQL 主节点，分别有两个 Keepalived 安装在宿主机上监控 MySQL 的状态，一旦发现有问题，就重启 MySQL，而客户端也会自动连接到另外一台 MySQL。

详情可以看悟空写的这篇：实战 MySQL 高可用架构

这次是我们在项目中遇到的一次事故，来一起复盘下吧。

本文目录如下：

事故现场

• 环境：测试环境
• 时间：上午10:30
• 反馈人员：测试群，炸锅了，研发同事初步排查后，发现可能是数据库问题。

然后就开始找原因吧。因为这套集群环境是我部署的，所以我来排查的话轻车熟路。

系统部署图

先说下系统的部署图，方便大家理解。

两个数据库部署在 node55 和 node56 节点上，他们互为主从关系，所以叫做双主。

还有两个 Keepalived 部署在 node55 和 node56 上面，分别监控 MySQL 容器的状态。

报错原因和解决方案

• ① 我第一个想法就是，不是有 Keepalived 来保证高可用么，即使 MySQL 挂了，也可以通过 Keepalived 来自动重启才对。即使一台重启不起来，还有另外一台可以用的吧？
• ② 那就到服务器上看下 MySQL 容器的状态吧。到 MySQL 的两台服务器上，先看下 MySQL 容器的状态，docker ps 命令，发现两台 MySQL 容器都不在列表中，这代表容器没正常运行。

• ③ 这不可能，我可是安装了 Keepalived 高可用组件的，难道 Keepalived 也挂了？
• ④ 赶紧检查一波 Keepalived，发现两台 Keepalived 是正常运行的。通过执行命令查看：systemctl status keepalived

• ⑤ 纳尼，Keepalived 也是正常的， Keepalived 每隔几秒会重启 MySQL，可能我在那一小段空闲时间没看到 MySQL 容器启动？换个命令执行下，docker ps -a，列出所有容器的状态。可以看到 MySQL 启动后又退出了，说明 MySQL 确实是在重启。

• ⑥ 那说明 Keepalived 虽然重启了 MySQL 容器，但是 MySQL 自身有问题，那 Keepalived 的高可用也没办法了。
• ⑦ 那怎么整？只能看下 MySQL 报什么错了。执行查看容器日志的命令。docker logs <容器 id>。找到最近发生的日志：

• ⑧ 提示 mysql-bin.index 文件不存在，这个文件是配置在主从同步那里的，在 my.cnf 配置里面。

这个配置好后，然后执行主从同步的时候，就会在 var/lib/mysql/log 目录下生成多个 mysql-bin.xxx 的文件。还有一个 mysql-bin.index 索引文件，它会标记现在 binlog 日志文件记录到哪里了。

mysql-bin.index 文件里面的内容如下：

/var/lib/mysql/log/mysql-bin.000001

复制

这个 mysql-bin.000001 文件还是带序号的，这里还有坑，后面我再说。

⑨ 报错信息是提示缺少 mysql-bin.index，那我们就去检查下呗，确实没有啊！先不管这个文件怎么消失的吧，赶紧把这个 log 文件夹先创建出来，然后 mysql 会自动给我们生成这个文件的。

解决方案：执行以下命令创建文件夹和添加权限。

mkdir log
chmod 777 log -R

复制

⑩ 两台服务器上都有这个 log 目录后，Keepalived 也帮我们自动重启好了 MySQL 容器，再来访问下其中一个节点 node56 的 MySQL 的状态，咦，居然报错了。

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'

复制

可以看到几个关键信息：

• Slave_IO_Running: NO，当前同步的 I/O 线程没有运行，这个 I/O 线程是从库的，它会去请求主库的 binlog，并将得到的 binlog 写到本地的 relay-log (中继日志)文件中。没有运行，则代表从库同步是没有正常运行。
• Master_Log_File: mysql-bin.000014，说明当前同步的日志文件为 000014，之前我们看到节点 node56 上 mysql.index 里面写的是 000001，这个 000014 根本就不在 index 文件里面，所以就会报错了。

这里涉及到主从同步的原理，上一张图：

从库会生成两个线程,一个 I/O 线程,一个 SQL 线程;

I/O线程会去请求主库的 binlog 日志文件,并将得到的 binlog 日志文件 写到本地的 relay-log (中继日志)文件中;

主库会生成一个 dump 线程,用来给从库 I/O 线程传 binlog;

SQL线程，会读取 relay log 文件中的日志,并解析成 SQL 语句逐一执行。

那好办啊，我们重新指定下同步哪个日志文件，以及同步的位置就好了。

解决方案：

看下主库 node55 上日志文件状态。

记下这两个信息：File=mysql-bin.00001，Position=117748。（这里也有个坑：先要锁表，再看这两个值，从库开始同步后，再解锁表）。

具体执行的命令如下：

FLUSH TABLES WITH READ LOCK;
SHOW MASTER STATUS
UNLOCK TABLES

复制

然后在从库 node56 上重新指定同步的日志文件和位置：

# 停止从库同步
STOP SLAVE;

# 设置同步文件和位置
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;

# 开启同步
START SLAVE;

复制

再次查看就不报错了，I/O 线程也跑起来了，

在这里插入图片描述

然后将 node55 当做从库，node56 当做主库，同样执行上面的几步，状态显示正常了，然后用 navicat 工具连下数据库，都是正常的，在测试群反馈下结果，搞定收工。

好像忘了一个问题，为啥 log 文件夹被干掉了？？

为什么会出现问题？

然后问了一波当时有没有人删除这个 /var/lib/mysql/log 目录，也没有人会随便删除这个目录的吧。

但是发现 log 的上级目录 /var/lib/mysql 有很多其他文件夹，比如 xxcloud, xxcenter 等。这不就是我们项目中几个数据库的名字么，只要在这个目录的文件夹，都会显示在 navicat 上，是一一对应的，如下图所示。其中也显示了 log 数据库。

那会不会有人从 navicat 上干掉了 log 数据库？极有可能啊！

果然，有位同事之前在迁移升级的过程中，发现这个 log 数据库在老的系统是没有的，所以就清理了，这就相当于把 log 数据库干掉了，同时也会把 log 文件夹干掉了。好了，终于水落石出了！这个其实也是我前期没有考虑到 log 目录的一个问题。没错，这是我的锅~

改进

其实操作同步数据库的时候，不应该用这种覆盖同步的方式，可以采取单库同步的方式，也就不会干掉 log 数据库了。但是，这个 log 数据库放在这里有点奇怪啊，能不能不要出现在这里呢？

我们只要指定这个 log 目录不在 /var/lib/mysql 目录下就好了。

东哥建议：log 文件和数据库 data 文件进行隔离：

datadir = /var/lib/mysql/data

log_bin = /var/lib/mysql/log

另外一个问题，我们的高可用真的高可用了吗？

至少没有做到及时报警，MySQL 数据库挂了，我是不知道的，都是通过测试同学反馈的。

能不能及时感知到 MySQL 异常呢？

这里可以利用 Keepalived 发送邮件的功能，或者通过日志报警系统。这个是后面需要改进的地方。

- END -

我正在参与 腾讯云开发者社区数据库专题有奖征文。