Leader丢失导致的Consumer挂起故障解决

现象

最近发现线上的Kafka Consumer Client频繁出现无法消费的情况，导致offset积压。但是在重启Kafka Broker之后又正常了。 而Cloudera Manager在重启之前，我们发现三台broker中并没有KakfaController。让人很是不解。

排查步骤

检查Topic的状态

目前已经没办法复现当时的场景，我们简单描述下，通过命令

kafka-topics --zookeeper hadoop02 --desc

检查Topic的状态如下：

这张图是后续补的，当时的现象是Leader的值均为-1，Isr的值也均为-1

至此我们猜测是因为KakfaController丢失导致的partition leader为-1，进而导致的Consumer端无法正常消费。

查看Leader的选举方式

在这里我们需要先看下KafkaController，KafkaServer.startup()的时候会新建KafkaController，而KafkaController在启动时，启动了Controller的Elector

defstartup() = {

inLock(controllerContext.controllerLock) {

info("Controller starting up");

registerSessionExpirationListener()

isRunning=true

controllerElector.startup

info("Controller startup complete")

}

}

我们再点进去查看下Controller是怎么elect出来的：

defelect:Boolean= {

valtimestamp = SystemTime.milliseconds.toString

valelectString = Json.encode(Map("version"->1,"brokerid"-> brokerId,"timestamp"-> timestamp))

leaderId= getControllerID

/*

* We can get here during the initial startup and the handleDeleted ZK callback. Because of the potential race condition,

* it's possible that the controller has already been elected when we get here. This check will prevent the following

* createEphemeralPath method from getting into an infinite loop if this broker is already the controller.

*/

if(leaderId!= -1) {

debug("Broker %d has been elected as leader, so stopping the election process.".format(leaderId))

returnamILeader

}

try{

createEphemeralPathExpectConflictHandleZKBug(controllerContext.zkClient,electionPath,electString,brokerId,

(controllerString :String,leaderId :Any) => KafkaController.parseControllerId(controllerString) == leaderId.asInstanceOf[Int],

controllerContext.zkSessionTimeout)

info(brokerId +" successfully elected as leader")

leaderId= brokerId

onBecomingLeader()

}catch{

casee: ZkNodeExistsException =>

// If someone else has written the path, then

leaderId= getControllerID

if(leaderId!= -1)

debug("Broker %d was elected as leader instead of broker %d".format(leaderId,brokerId))

else

warn("A leader has been elected but just resigned, this will result in another round of election")

casee2:Throwable=>

error("Error while electing or becoming leader on broker %d".format(brokerId),e2)

resign()

}

amILeader

}

从上面的选举代码中我们可以看出

inLock(controllerContext.controllerLock) {

debug("%s leader change listener fired for path %s to handle data deleted: trying to elect as a leader"

.format(brokerId,dataPath))

if(amILeader)

onResigningAsLeader()

elect

}

我们知道kafka消费的时候需要和Leader通信，而Leader不存在导致的没办法消费很容易理解，那么为什么Controller丢失会导致partition的leader不正常呢？我们来看下面一张图片（图片来自CSDN博主：happy19870612）：

valreplicaStateMachine =newReplicaStateMachine(this)

我们可以发现Replica的状态机管理是在KafkaController中完成的，也就是说Controller丢失的情况下，也就失去了与Zookeeper交互的能力。默认情况下Leader必须从ISR列表中选择，我们发现列表为空（经过排查发现是Kafka的bug，在Controller和Zookeeper通信过程中出现问题时，可能导致leader丢失而无法通信的情况，这个可能性是很大的，因为zookeeper在高并发环境是容易超时，这就是为什么在kafka 0.8.2.1之后更建议我们使用kafka topic的方式存储offset而不是存储在zookeeper中。

检查系统日志

当然一般情况下我们会先检查系统日志是否有报异常，这种定位问题效率最高。我们来看看kafka的server log是不是有和zookeeper相关的异常

从图上可以发现，的确存在zookeeper连接失败的情况，另外我们发现一个比较诡异的事情：

2018-04-10 00:30:11,149INFO kafka.controller.KafkaController: [Controller218]: Currently active brokers in the cluster: Set()

所有的broker都临时下线了，然后我查看了其他broker的server log发现所有机器在同一时间均出现了zookeeper连接超时的情况，导致了后续一连串的ERROR：

解决方式

那么问题已经很明了了，我们又检查了下凌晨的网络IO：

PS：当zookeeper服务器端和客户端版本不一致的时候也会导致连接超时的情况。