了解更多Greenplum技术干货，欢迎访问Greenplum中文社区网站
背景
最近来自中兴通讯的系统架构师、敏捷教练王爱军在工作过程中，遇到gp5.20通过 gprecoverseg -F做全量恢复失败的异常。master和primary的pg_log日志中打印internal error，然后primary crash。本文分享问题的定位过程以及涉及到相关概念，供大家学习参考。
一、问题现象
1.1 集群状态查看
[gpadmin@instance-eqmn04jr pg_log]$ gpstate -s
图1 Mirror Down
1.2 全量恢复
[gpadmin@instance-eqmn04jr pg_log]$ gprecoverseg -F
图2 gprecoverseg失败
1.3 master日志
图3 master pg_log
- 日志打印：QE执行command失败
could not execute command on QE (cdbdisp_query.c:550)","Unexpected internal error (cdbpersistentfilespace.c:1163)。
- QE：Query Executor对应primary segment。
- QD：Query Dispatcher对应master。
1.4 primary日志
图4 master pg_log
日志中线索：
- "cdbpersistentfilespace.c",1163行代码抛异常。
- PersistentFilespace_AddMirror 被调用
- gp_add_segment_persistent_entries被调用
二、源码分析
代码位置：src/backend/cdb/ cdbpersistentfilespace.c
2.1 函数入口
图5 函数入口
函数入参数说明：
- filespace：文件空间oid
- mirpath：mirror路径
- pridbid：primary dbid
- mirdbid：mirror dbid
2.2 抛错代码1163行
图6 抛错代码
代码分析可以得到：
- filespace对应的dbId1和dbId2 都不等于当前的pridbid，因而抛异常。
- PT表（gp_persistent_filespace_node ）数据可能出现不一致。
2.3 gp_persistent_filespace_node数据
i. utility方式查看filespace的PT信息
[gpadmin@instance-eqmn04jr cdb]$ PGOPTIONS='-c gp_session_role=utility' psql -dpostgres -p 25432
图7 PT filespace信息
ii. 查看segment信息
[gpadmin@instance-eqmn04jr cdb]$ psql -dpostgres
图8 segment信息
很明显gp_persistent_filespace_node中的db_id_1=21是一个不存在的dbid，在进行filespace状态同步匹配不到，从而抛错。正确的db_id_1应该为port=25432对应的dbid=2。
2.4 问题解决
i.更新PT（gp_persistent_filespace_node表）为正确值。
示例：
图9 更新PT表
（注：i.catalog表修改非常危险不要随意操作）
ii.重启集群，然后再次全量同步恢复mirror。
iii.PT表的修复需要在原厂专业人员指导下操作，否则可能会导致整个集群启动失败。
2.5 问题回顾
PT表的信息错误，遇到的非常偶然，该故障的定位和修复过程非常曲折，如不修复对整个集群有很大风险。
该故障应该是gp5.20的版本bug，已反馈给原厂研发人员，但由于故障难以复现，修复可能需要一些时间。很可能是数据库负荷过重，在做gprecoverseg增量恢复的时候primary segment crash，进而导致的状态同步信息没有正确的更新到对应的PT表中。
图10 release notes
三、概念说明
3.1 PT 表
PT(persistent table)的包含如下四张表，使用场景为通过gprecoverseg进行segment恢复，跟踪对象恢复的状态。
表1 PT表
3.2 实体对应的层次关系
图11 实体层次关系
为了提升IO能力，文件空间filespace可以指向高速存储，如ssd。表空间建立在对应的filespace，表建立在相应的tablespace上。创建文件空间的命令可以参考gpfilespace用法。PT表和filespace概念适用于gp5.x版本，gp6.x 取消了filespace以及PT表。
四、总结
本文总结了通过pg_log日志和源代码相结合，进行全量恢复失败的问题定位和解决过程。通过该方式可以洞悉问题的本源，对更好的运维Greenplum数据库提供帮助。
五、参考信息
https://github.com/greenplum-...
https://docs.greenplum.org
https://cn.greenplum.org
作者简介
王爱军，中兴通讯系统架构师&敏捷教练
20年来一直工作在一线的老码农，目前就职于中兴通讯。主要工作方向为5G网络管理系统架构，近期在使用和研究Greenplum。
