Part 1

1 集群故障发生

集群的实时监控发出一条写入数据失败的报警, 然后马上又收到了恢复的报警, 这个报警当时没有重要,没有去到对应的服务器上去看下log, 恶梦的开始啊~~~
很快多个业务反馈Topic无法写入, 运维人员介入

2 故障解决

运维人员首先查看kafka broker日志, 发现大量如下的日志:

这个问题就很明了了, 在之前的文章里有过介绍: Kafka运维填坑, 上面也给出了简单修复, 主要原因是新版kafka 客户端 sdk访问较旧版的kafka, 发送了旧版 kafka broker 不支持的request, 这会导致exception发生, 然后同批次select出来的所有客户端对应的request都将被抛弃不能处理,代码在 SocketServer.scala里面, 大家有兴趣可以自行查阅

1.这个问题不仅可能导致客户端的request丢失, broker和broker, broker和controller之间的通讯也受影响；’
2.这也解释了为什么实时监控先报警然后又马上恢复了: 不和这样不被支持的request同批次处理就不会出现问题；

解决过程:

我们之前已经修复过这个问题, 有准备好的相应的jar包;

运维小伙伴开始了愉快的jar包替换和启动broker的工作~~~~~~

3 集群恢复

kafka broker的优雅shutdown的时间极不受控, 如果强行kill -9 在start后要作长时间的recovery, 数据多的情况下能让你等到崩溃；
集群重启完, 通过log观察, ArrayIndexOutOfBoundsException异常已经被正确处理, 也找到了相应的业务来源；
业务反馈Topic可以重新写入；

然而, 事件并没有结束, 而是另一个恶梦的开始

Part 2

1 集群故障再次发生

很多业务反馈使用原有的group无法消费Topic数据;
用自己的consumer测试, 发现确实有些group可以, 有些group不能消费;
一波不平一波又起, 注定是个不平凡的夜晚啊, 居然还有点小兴奋~~~

2 故障解决

查看consumer测试程序不能消费时的日志,一直在重复如下log:

1.第一条日志说明consumer已经确认了当前的coordinator, 连接没有问题;
2.第二条日志显示没有 Not coordinator, 对应broker端是说虽然coordinator确认了,但是没有在这个 coodinator上找到这个group对应的metada信息;
3.group的metada信息在coordinator启动或__consuser_offsets的partion切主时被加载到内存,这么说来是相应的__consumer_offsets的partition没有被加载;
4.关于coordinator, __consumer_offsets, group metada的信息可以参考 Kafka的消息是如何被消费的?

查看broker端日志, 确认goroup metadata的相关问题

1.查找对应的__consumer_offsets的partition的加载情况, 发现对应的

2.没有找到下面类似的加载完成的日志:

也没有发生任何的exception的日志

3.使用jstack来dump出当前的线程堆栈多次查看, 证实一直是在加载数据,没有卡死;

现在的问题基本上明确了, 有些__consumer_offsets加载完成了,可以消费, 些没有完成则暂时无法消费, 如果死等loading完成, 集群的消费可以正常, 但将花费很多时间;

为何loading这些__consumer_offsets要花费如此长的时间?

1.去到__conuser_offsets partition相应的磁盘目录查看,发生有2000多个log文件, 每个在100M左右;

2.kaka 的log compac功能失效了, 这个问题在之前的文章里有过介绍: Kafka运维填坑,

3.log compact相关介绍可以参考 Kafka的日志清理-LogCleaner

手动加速Loading:

即使log cleaner功能失败, 为了加速loading, 我们手动删除了大部分的log文件; 这样作有一定风险, 可能会导致某些group的group metadata和committed offset丢失, 从而触发客户端在消费时offset reset;

3 故障恢复

所有__consumer_offset都加载完后, 所有group均恢复了消费;

总结

对实时监控的报警一定要足够重视;
更新完jar包, 重启broker时, 三台存储__consumer_offsets partition合部同时重启,均在Loading状态, 这种作法不合适,最多同时重启两台, 留一台可以继续提供coordinattor的功能;
加强对log compact失效的监控, 完美方案是找到失效的根本原因并修复;

本文转载自公众号360云计算（ID：hulktalk）。

原文链接：

https://mp.weixin.qq.com/s/_n7kGByxoJRkLVQpVYcPGg

创作场景

记一次 Kafka 集群的故障恢复