MySQL集群数据问题修复小记

这是学习笔记的第 2249 篇文章

读完需要

9分钟

速读仅需7分钟

最近有一套集群有数据不一致的报警，最开始没有引起注意，整体的拓扑结构如下，这是一个偏日志型写入业务，上层是使用中间件来做分库分表，数据分片层做了跨机房容灾，一主两从，而且基于Consul域名管理，也算是跨机房高可用。

因为近期需要把这一套集群跨机房迁移到新机房，整体的方案和设计都算是高大上的，根据之前的切换都是秒级（2-3秒左右）闪断完成，业务初期是不需要做任何调整的，整体来说对业务是平滑无感知的。

在迁移前在处理主从数据不一致的情况时，发现问题有些蹊跷，总是有个别的数据在从库会出现自增列冲突的情况，设置了从库slave_exec_mode为idempotent幂等后，能够临时解决问题，但是总归是不严谨的，所以和团队讨论了一番，决定重构从库。

我们认为当前的拓扑架构是这样的，打算是基于物理备份的模式来做。

没想到这个过程中因为数据量较大，备份中基于虚拟环境，IO负载很高，导致MHA的ping insert检查超时失败，所以我们看到的一个数据分片的拓扑结构是这样的。（MHA目前不允许跨机房自动切换）。

碰到这个问题，着实让我有些抓狂，而因为Consul健康检查不严谨的原因，有一部分的数据其实是写入到原来的两个Master上面了。这种混写持续了一段时间，而雪上加霜的时，这个过程的报警有不好使了，确实比较尴尬，所以我们需要立刻采取有效措施来修复数据。

分析了整体的数据情况，如果保留已有的拓扑结构，建立反向复制关系，应该是比较合理的，但是New Master到Old Master的反向复制关系建立失败（因为binlog保留时间短，有缺失，雪上加霜2.0），我们决定先把数据源切换到原主库Old Master，这个时候新主库上面的数据势必会比主库上要多,但是我们在这个时候还有一些缓和的余地。

这个时候搭建从库的过程是很关键的，因为整个环境没有一个基准了，需要快速修复，我们开始基于时间范围做两端数据的比对工作，整个工作比想象的扼要快一些。

大体的思路就是在新机房搭建一个新的中间件，配置两套schema环境，这样就可以比对两个数据库中的数据情况了，我从数据量小的一些表开始逐步排查，经过一些比对，排除了这个过程中数据混写的状态。

数据状态整体是这样的：

所以在确认之后，我们开始快速搭建从库，停止了MHA之后，我们直接停止了New Master实例,，然后直接拷贝整个数据目录到跨机房的环境中，这种方式简单粗暴，但是确实有效。有的朋友肯定会说这个过程不严谨，一定会丢数据，确实是，但是我们打算很快把数据源切回来。

因为数据比对的过程是比较敏感的，基本都是全表扫描，而且在当时的情况下，能够完成数据比对我们才能够真正放心数据不是我们理解中的“随机写”，所以这个过程是确保要做验证的，验证完后有细微的数据修复，可以直接修复，整体还是可控的。所以在完成从库之后，我们把数据源切回了New Master,毕竟这是经过稽核确认的一个准确的数据源。

在这个基础上，我们继续完成第二阶段的从库部署，即把跨机房的从库停掉，然后直接复制文件到原来Old Master中，整个过程对于业务都是影响最低的。

当然在这个过程中着实发现了很多低级错误，我们需要对整个问题复盘，继续修正。

我在做运维操作的时候，经常给同事提到两件事情：

1）怎么证明你的操作是正确的

2）怎么保证你的操作是可控的

如果能够做到以上两点，别人也基本挑不出一些硬性问题。