关于集群节点timeline不一致的处理方式

原创高云龙云和恩墨技术服务团队 2022-05-07

3287

在PostgreSQL/MogDB/openGauss数据库日常维护过程中，如果多次对数据库进行角色切换，可能会出现timeline不一致的情况，导致备库不能正常加入到数据库集群，现在以PG为例对这些可能发生的情况进行复现，并进行整理。

timeline介绍

为了将基于时间点恢复后生成的WAL记录序列与初始数据库历史中产生的WAL记录序列区分开来，避免原来的wal文件被覆盖，同时也为了避免管理混乱，PostgreSQL数据库引入了“时间线”的概念，使其可以通过备份恢复到任何之前的状态，包括早先被放弃的时间线分支中的状态。

当一次归档恢复完成，一个新的时间线被创建来标识恢复之后生成的WAL记录序列。时间线ID号是WAL段文件名的一部分，因此一个新的时间线不会重写由之前的时间线生成的WAL数据。

场景一

--主库日志
ERROR:  requested starting point 0/8000000 on timeline 1 is not in this server's history
DETAIL:  This server's history forked from timeline 1 at 0/6018D98.
STATEMENT:  START_REPLICATION 0/8000000 TIMELINE 1

--备库日志
LOG:  new timeline 2 forked off current database system timeline 1 before current recovery point 0/80000A0
FATAL:  could not start WAL streaming: ERROR:  requested starting point 0/8000000 on timeline 1 is not in this server's history
DETAIL:  This server's history forked from timeline 1 at 0/6018D98.

发生场景

备库promote为主库，源主库以备库的方式重新加入集群
以备份的方式恢复为新主库，源主库以备库的方式加入集群

处理方式

重建备库，适用数据量较小的数据库
借助pg_rewind工具，推荐使用这种方式
pg_rewind会把所有的配置文件都覆盖，建议提前做好备份并在启动前添加recovery.conf 或 standby.signal文件

pg_rewind相关报错

pg_rewind: fatal: target server needs to use either data checksums or "wal_log_hints = on"
即使数据库已经开启了wal_log_hints = on，依然报这个错，这时需要以primary的形式重启一下数据库。

pg_rewind: source and target cluster are on the same timeline
pg_rewind: no rewind required
主备时间线一致，无法直接使用，这时需要让目标节点先以备库的方式运行，然后通过promote提升为主节点，增加timeline，再次执行pg_rewind

pg_rewind: fatal: could not find common ancestor of the source and target cluster's timelines
建议直接重建备库

$ ll
total 81924
-rw-------. 1 postgres postgres      332 May  5 20:52 000000010000000000000004.00000028.backup
-rw-------. 1 postgres postgres 16777216 May  6 09:37 000000010000000000000006
-rw-------. 1 postgres postgres 16777216 May  6 09:37 000000010000000000000007
-rw-------. 1 postgres postgres 16777216 May  6 08:54 000000010000000000000008
-rw-------. 1 postgres postgres 16777216 May  6 08:49 000000010000000000000009
-rw-------. 1 postgres postgres 16777216 May  6 08:54 00000001000000000000000A
drwx------. 2 postgres postgres       35 May  6 09:29 archive_status

$ pg_rewind -D /data/pgdata14 --source-server='host=172.16.3.90 port=11432 user=postgres  dbname=postgres' -P
pg_rewind: connected to server
pg_rewind: servers diverged at WAL location 0/6018D98 on timeline 1
pg_rewind: rewinding from last common checkpoint at 0/6000098 on timeline 1
pg_rewind: reading source file list
pg_rewind: reading target file list
pg_rewind: reading WAL in target
pg_rewind: need to copy 69 MB (total source directory size is 92 MB)
71445/71445 kB (100%) copied
pg_rewind: creating backup label and updating control file
pg_rewind: syncing target data directory
pg_rewind: Done!

$ ll
total 65540
-rw-------. 1 postgres postgres 16777216 May  6 09:38 000000010000000000000006
-rw-------. 1 postgres postgres 16777216 May  6 09:38 000000020000000000000006
-rw-------. 1 postgres postgres 16777216 May  6 09:38 000000020000000000000007
-rw-------. 1 postgres postgres 16777216 May  6 09:38 000000020000000000000008
-rw-------. 1 postgres postgres       32 May  6 09:38 00000002.history
drwx------. 2 postgres postgres       72 May  6 09:38 archive_status

场景二

--备库启动失败
LOG:  entering standby mode
FATAL:  requested timeline 2 is not a child of this server's history
DETAIL:  Latest checkpoint is at 0/8000028 on timeline 1, but in the history of the requested timeline, the server forked off from that timeline at 0/6018D98.
LOG:  startup process (PID 1059) exited with exit code 1

发生场景

在场景一中启动数据库，会将新主库的00000002.history传输到备库本地

[postgres@bogon pg_wal]$ ls -l
total 49160
-rw-------. 1 postgres postgres      332 May  5 20:52 000000010000000000000004.00000028.backup
-rw-------. 1 postgres postgres 16777216 May  6 08:54 000000010000000000000008
-rw-------. 1 postgres postgres 16777216 May  6 08:49 000000010000000000000009
-rw-------. 1 postgres postgres 16777216 May  6 08:54 00000001000000000000000A
-rw-------. 1 postgres postgres       32 May  6 08:58 00000002.history
drwx------. 2 postgres postgres       88 May  6 08:58 archive_status

处理方式

将pg_wal、archive_status 和归档目录 中的00000002.history删除即可

[postgres@bogon pg_wal]$ rm -f 00000002.history
[postgres@bogon pg_wal]$ cd archive_status/
[postgres@bogon archive_status]$ ls -l
total 0
-rw-------. 1 postgres postgres 0 May  5 20:52 000000010000000000000004.00000028.backup.done
-rw-------. 1 postgres postgres 0 May  6 08:58 00000002.history.done
[postgres@bogon archive_status]$ rm -rf *
[postgres@bogon archive_status]$

场景三

LOG:  started streaming WAL from primary at 0/7000000 on timeline 2
FATAL:  could not receive data from WAL stream: ERROR:  requested starting point 0/7000000 is ahead of the WAL flush position of this server 0/601A5D8
cp: cannot stat ‘/data/pgarchive/00000003.history’: No such file or directory
cp: cannot stat ‘/data/pgarchive/000000020000000000000007’: No such file or directory

发生场景

备库以单机（未加入集群，以primary的角色）的方式启动过，虽然时间线没变，但是wal文件已经不一致

处理方式
此时由于备库的需要从0/7000000开始进行重放，已经比主库的0/601A5D8提前，说明此时数据库已经不一致。
尝试过修改通过pg_resetwal修改timeline，也尝试过通过pg_switch_wal()切换wal文件，依然无法通过pg_rewind进行处理，原因是wal不连续，只能选择重建

--修改timeline
postgres=# SELECT timeline_id,redo_wal_file FROM pg_control_checkpoint();
 timeline_id |      redo_wal_file
-------------+--------------------------
           2 | 00000002000000000000000F
(1 row)

$pg_resetwal -l 000000030000000000000010 /data/pgdata14/
Write-ahead log reset

--修改时间线
postgres=# SELECT timeline_id,redo_wal_file FROM pg_control_checkpoint();
 timeline_id |      redo_wal_file
-------------+--------------------------
           3 | 000000030000000000000012
(1 row)

--切换wal
postgres=# select pg_switch_wal();
$ pg_ctl promote -D /data/pgdata14

总结

备库在运行过程中，以promote的方式提升为主，即使有数据写入，只要wal完整，也可以使用pg_rewind回退.
在pg_rewind完成后启动，注意修改参数文件、hba文件、清理归档日志及添加standby.signal/recovery.conf
备库在运行过程中，以主库的方式重启过，即使没有任何操作，也没有办法回退，只能重建
只要中间以主库运行过，wal就没有办法连续了