HBase 2.0 之修复工具 HBCK2 运维指南

转载自：https://mp.weixin.qq.com/s/GVMWwB1WsKcdvZGfvX1lcA?spm=a2c4e.11153940.blogcont683107.11.49d762a815MegW

概述

目前社区已经发布了 HBase 的 2.0 版本，很多公司都希望去尝试新版本上的新功能，但是不得不面对的问题就是当集群出了问题应该如何解决。在之前的 HBase 版本中，我们可以依赖 hbck 来帮助检查问题和修复问题，在新的版本上我们应该如何去处理呢？HBASE-19121[1]给了我们答案——HBCK2。HBCK2 目前发布了 1.0 版本，还在一直开发中，感兴趣的同学看看这个 issue

1.WHY HBCK2

由于之前的 hbck(hbck-1)是会直接去向 region server 或者 hdfs 发送请求进行修复，而在 HBase 2.0 版本上集群内部操作全部都被挪到了 procedure v2(下文都称为 procedure)上进行处理。

因为所有的命令都是经过 master 来协调处理，所以在修复时也需要通过 master 进行修复。否则反而可能导致更严重的不一致问题。所以 hbck-1 在 HBase-2.x 版本是不适用的。

除此以外，很多 hbck-1 需要处理的问题对于使用 procedure 的 HBase-2.x 已经不再是问题了，所以相比起 hbck-1 来说也精简了很多功能。

2.开始使用

2.1下载

社区希望把 HBase 相关的外围工具抽离出 HBase 项目，所以在 github 上建了一个 project hbase-operator-tools: hbase-operator-tools[2]，HBCK2 也在其中

2.2 将项目拉取到本地

git  clone  https://github.com/apache/hbase-operator-tools.git

2.3 编译

修改 pom 中依赖的 HBase 版本，实际使用的 HBase 版本.version>

2.4 编译出 jar 包

mvn  clean  package

2.5 使用

cd 到 HBase 目录下，执行命令:

mvn  clean  package

编译出的 hbck2_jar 包地址

./bin/hbase  org.apache.hbase.HBCK2  <命令>

或者也可以：

./bin/hbase  hbck  -j  <jar 包地址>  <命令>

3 Procedure 简介

由于目前几乎所有的集群操作都是通过 procedure 进行的，所以 HBCK2 的工作实际就是修复各种不正常的 procedure。所以在这里有必要对 procedure 进行一个简单的介绍。

一个 procedure 是由一系列的操作组成的，一旦完成后，要么成功，要么失败(ROLL BACK), 不存在中间状态，所以 procedure 是支持事务的。procedure 执行的每一步都会以 log 的形式持久化在 HBase 的 MasterProcWals 目录下，这样

master 在重启时也能通过日志来恢复之前的状态并且继续执行。对于运维而言最重要的一点就是 procedure 在执行过程中会拿好几把锁, 这个在处理问题时是很重要的，因为一旦锁没有释放，再做任何操作也只能是卡住等锁。

IdLock：procedure 级别的锁，保证一个 procedure 不会被多个线程同时执行。
资源锁：对 HBase 的内部资源进行加锁，不同的 procedure 加锁的粒度不同，目前有 region/table/namespace/region server 级别的锁。

举例来说，假设我 assign 一个 region,那么 procedure 在执行的时候就需要对这个 region 进行加锁，这样如果有别的人想要 unassign 这个 region,或者 drop 这个 region 所在的 table,都需要等最早的 assignment 结束后释放锁了才能执行。这样防止有不一致的情况出现。

4. 功能介绍

4.1 bypass[OPTIONS]<PID>…

HBCK2 的核心功能，bypass 可以将一个或多个卡住的 procedure 进行释放。

原理很简单，在 procedure 的类里有一个 bypass 的 flag, 每次执行时会检查这个flag 是否为 true，如果为 true 则直接返回 null, 这样 procedure 就会被认为执行成功。而我们的 bypass 就是把这个 procedure 对象中的这个 flag 设为 true。这样 stuck 的 procedure 就能够不再执行,后续的修复工作才能继续。

返回值为 true 则是成功，false 是失败。

参数解析：

-o,--overide

在执行 bypass 之前先会尝试去拿 IdLock, 如果 procedure 还在运行就会超时返回 null，但是设置了这个参数即使拿不到 IdLock 也会去将 procedure 的 bypass

flag 设为 true。

-r,  --recursive

归的 bypass。例如我们 bypass 一个对 table schema 修改的 procedure, 就需要加上-r 参数，才能把这个操作的所有子 procedure 都 bypass 掉。在 bypass 一个 procedure 时也会将这个 procedure 的所有子 procedure 进行递

-w,  --lockWait

上文提到的等待 IdLock 的超时时间配置，默认为 1ms

4.2 assigns [OPTIONS] <ENCODED_REGIONNAME>

将一个或多个 region 再次随机 assign 到别的机器上，返回值是创建的 pid 则为成功，-1 则为失败。

参数解析：

-o,--override

这里的 override 跟 bypass 的 override 不同，因为 assign 本身就会创建一个新的procedure, 所以肯定是不涉及到拿 IdLock 的，但是这里涉及到资源锁的问题。因为之前卡住的资源锁即使在 bypass 后也不会释放(用于 fence, 防止更多未知的错误操作)，所以需要加一个-o 去手动释放这个资源锁。

4.3 unassigns <ENCODED_REGIONNAME>…

将一个或多个 region unassign，返回值是创建的 pid 则为成功，-1 则为失败。参数解析：

-o,--override，与 assigns 的一致

4.4 setTableState<TABLE><STATE>

可能的 table 状态, ENABLED, DISABLED, DISABLING, ENABLING

在 table 的状态和所有的 region 状态不一致时可以用这个命令进行修复。

4.5 serverCrashProcedures<ServerName>

手动 schedule 一个或多个 serverCrashProcedure, 如果有 serverCrashProcedure 没有执行成功，但是 procedure log 已经丢失了，那么可以利用这个命令进行修复。返回值为创建的 pid 则为成功，-1 则为失败。

patch 在 HBASE-21393[3]，目前这个功能在 release 版本还没有。

所有的武器我们都有了，再回顾一下之前提到的问题，我们应该怎么处理呢？在Case 解决中我们会详细阐述应该怎么处理，这里大家可以先思考一下。

5.查找问题

这个章节我们会介绍怎么去发现目前集群可能存在的问题。

5.1 canary tool

模拟用户的读写请求，去访问集群上的表。当我们需要检查集群 meta 上记录的region assignment 跟实际 region server 上打开的 region 是否一致时，可以使用这个命令去检查：

hbase canary -f false -t 6000000

这个命令会向 meta 上的记录的每个 region 发送一个 get 请求，将-f 设为 false 是为了不在遇到第一个错误时退出，-t 则是这个命令的超时时间，我们设成了6000 秒。在执行完成以后可以通过 grep ERROR 来找到那些有问题的 region。

需要注意的是因为是模拟客户端发送的 get 请求，最好将 HBase 的客户端超时时间和超时次数配的小一些，否则会很慢。

PS: canary 本身也很适合用来作为集群可用性的监控，有兴趣的同学可以去了解一下。

5.2 页面状态

其实大部分的信息都会在 master 的页面上展示出来，我们来详细的介绍一下：

Procedures & Locks:

可以检查当前所有没有执行完的 procedure 以及所有资源锁，当我们想要 assign 或者 unassign 一个 region 时，需要先去检查下是由有别的 procedure 已经占有了这个资源锁，如果是的话需要现将那个 procedure bypass 掉，或者等待那个

procedure 释放锁。

以看到 EXCLUSIVE 的 lock 只有 region 级别的，图中红框圈出来的就是占有这个锁的 procedure id 以及它的 parent procedure id, 由此我们知道如果想要重新assign/unassign 这个 region,那么一定要 bypass 这个 procedure。

同理，当 Locks 这块没有任何 EXLUSIVE 锁时，我们可以放心的去执行操作而不用担心被卡住。

5.3 OPENING/CLOSING region 的查找

branch-2.0 上最容易出现的问题就是 region 卡在了 OPENNING/CLOSING 状态，一般处于这两种状态的 region 都会在 rit 的队列中，可以通过点击页面上的链接拿到所有的 region 以及对应的 procedure id。

可以看到现在有 17 个 region 处在 transition 中，我们可以点击红框圈住的这个链接，会展示所有的 region。

因为我们最后是希望通过 HBCK2 来进行处理，那么最好是可以复制粘贴需要处理的 region 或者 procedure, 所以可以点击圈出的这两个按钮，会以 text 形式展示所有 region 或者所有 procedure。

5.4 Master 日志

stuck 的 region 会打印以下日志：

WARN [ProcExecTimeout] org.apache.hadoop.hbase.master.assignment.Assignment Manager: STUCK Region-In-Transition rit=OPENING, location=c4-hadoop-tst-st99.bj,42900,1542148656901, table=test_modify, region=8d81f74b324d0503c3fc87f34e9a17cb

6. Case 解决

6.1 region 卡在 OPENING/CLOSING 状态

首先找到这些 region 对应的 pid, 然后执行 bypass, 检查是否锁都释放了，如果释放了就再 assign 一遍，如果需要 close，就再 unassign 一次

6.2 对 table 的修改有问题如何回退

找到这个修改的 root procedure, bypass -or 来 bypass 所有相关的 procedure, 利用 table unset 来重置 meta，因为 bypass 之后资源锁还是没有释放，所以需要手动加上 override 参数再去全部 assigns 一遍

6.3 Master 起不起来

日志里一般会有这个:

WARN  org.apache.hadoop.hbase.master.HMaster:  hbase:meta,,1.1588230740  is  NOT  online;  state={1588230740  state=CLOSING,  ts=1538456302300,  server=ve1017.example.org,22101,1538449648131};  ServerCrashProcedures=true.  Master  startup  cannot  progress,  in  holding-pattern  until  region  onlined.

手动去 assign 一下 meta 表即可，hbase:meta 表的 encoded name 是一个时间戳，比如上面日志的 encoded name 就是 1588230740手动去 assign 一下 meta 表即可，hbase:meta 表的 encoded name 是一个时间

另外 hbase:namespace 表没有 online 也会造成这个问题，同样需要我们去手动assign 一下

6.4 table 卡在 disabling 状态

因为要求是所有 region 都 disabled, 那么解决办法可以是手动把没有 closed 的region 根据 case1 来解决。如果所有 region 都已经是 closed 状态了，那么我可以利用 setTableState 手动将表的状态设为 DISABLED。之后再 drop 都是安全的了。