淘宝物流MySQL slave复制数据丢失问题的个人整理

对于这几天微博上较火的关于淘宝物流MySQL slave复制数据丢失问题，我自己也比较关注，然后根据沃趣科技的一篇分析文章算是大概明白了其中的明细，现在再来根据我自己的理解理一下思路，顺便加深自己的理解。

简单的说这个问题的来由是这样的：主库的一些DML语句在从库上没执行。那么遇到这样问题，我们一般都是从这几个方面找问题，

• show slave status查看复制状态，SQL_THREAD,IO_THREAD是否正常/延迟多少
• 上面没有问题，再看事件在主库是否记录了binlog，是否传到了从库（从relay log中查看）
• 上面都没问题，那是否从库在这个事件的数据丢失之前就已经是M/S数据不一致了，导致DML没有有效的记录进行操作

淘宝的这个案例就比较有意思了，上面的情况都不符合。后来他们定位到问题是由于binlog（RBR）里的table_map_event事件中的table_id在内部执行过程中传递值溢出导致的。这个table_map_event和table_id是怎么回事呢？先简单看个RBL的binlog event：

#121031 16:25:45 server id 1 end_log_pos 3466 Table_map: `test`.`tf` mapped to number 40
#121031 16:25:45 server id 1 end_log_pos 3504 Write_rows: table id 40 flags: STMT_END_F


BINLOG '
ieCQUBMBAAAAKgAAAIoNAAAAACgAAAAAAAEABHRlc3QAAnRmAAIDAwAD
ieCQUBcBAAAAJgAAALANAAAAACgAAAAAAAEAAv/8bwAAAN0AAAA=
'/*!*/;
### INSERT INTO test.tf
### SET
### @1=111
### @2=221
# at 3650
#121031 16:25:45 server id 1 end_log_pos 3531 Xid = 71
COMMIT/*!*/;

红色标记部分显示了table_map_event和table_id，那么RBL为什么要这么做呢？在沃趣科技里面解释了这点(应该比较合理)：一个DML可能影响很多行，而RBL是对每行进行记录，那么就用一个table_map来记录这个表的相关信息比较合理，而不是每行都记录。那table_id的作用是用来干什么的呢，简单的说它最主要的作用是用来将某个表的信息hash到cache中做hash key的，将表信息hash到cache中有是用来干什么呢？因为RBL的一个更新可能影响很多行，每行在真正应用到slave上之前必然要经过一些检查，而这些检查必然是与它将要操作的表的信息做对比验证，如果我们不将这个表的信息放到内存中，并且快速的定位到它，那么当影响的行很多时效率估计就会下降比较厉害。其实这一步本身想法没什么问题，只是MySQL当初实现时用到了这样一个table_id。

接下来说引起这个案例的本质原因，binlog中table_id它是一个ulong类型（无符号长整形），在slave进行重做binlog events之前，它会先将这个ulong的table_id传给一个它内部维护的一个数据结构RPL_TABLE_LIST，这个里面有一个变量table_id用来存储binlog中的m_table_id（为了避免混淆，用m_table_id），好了问题出现：数据结构的变量table_id是一个uint（无符号整形），如果m_table_id超过uint的范围会发生截断。而MySQL内部在构造hash，从hash表中取值是这样的做法：set_table(table_id),get_table(m_table_id)，在两个阶段用到的key因为发生了数据截断所以必然也就不能取到预期的值，因为也就发生了slave端relay log的DML语句没有被执行这种情况。

那怎么可以避免这个问题呢？第一，不让m_table_id太大，实际上我相信对于绝大部分公司也不会太大，淘宝这个案例的背景是这个实例有4000+的表；第二，适当的增大table_open_cache这个参数，因为m_table_id并不是与每个表的元数据信息id（类似表空间的tablespace id），它是这个表被打开时内部分配的id，当表被关闭后再次打开，那么分配给他的这个id就会递增，table_open_cache正好是控制能最多cache被打开的表。所以适当增加这个参数可行。第三，将RPL_TABLE_LIST这个内部数据结构里面的table_id类型改为ulong（已经上报bug）。

最后一个小问题，这里为什么要用这个递增的m_table_id，而不用与表元数据的id（类似表空间的tablespace id）。因为完全可能出现这种情况，master上先DML一些数据-->然后执行了alter table-->然后继续DML，此时如果使用的与表相关的固定id， 那么第一次DML在slave上执行时就会将与之相关的表信息hash到cache中，然后alter table之后，这些cache中的数据并没有更新，当接在在DML的时候因为是用相同的id去get_table，得到不是最新的表数据信息，那么接下来真正对每行进行更新时就可能出问题了。而用了递增的m_table_id后，只要m_table_id发生了变化，那么是一定取不到之前非最新的表信息。

些许感悟，有时候只是表面上的安全，尤其使用开源产品；多谢淘宝这样的大公司，有这样的业务才能出这样的案例；做MySQL还真得懂点源码（一个团队有人懂差不多就行了，遇到这种问题不懂源码怎么解决问题？）

参考文章：

1. http://hickey.in/?p=146物理MySQL slave复制数据部分丢失问题
   
2. http://vdisk.weibo.com/s/guZ8J沃趣科技对此问题的详细分析
   
3. http://blog.chinaunix.net/uid-26896862-id-3329896.htmlCUer对binlog中table_id的源码分析