MySQL生产环境突发故障处理手册

http://www.mysqlops.com/2011/09/02/mysql-fault-manual.html#comment-492

1. LOAD飙高

一般导致MySQL服务器LOAD突然飙高，可能的五种情况：

1>.全表扫描的SQL语句；

2>.SELECT操作语句的执行计划走错；

3>.存在UPDATE/DELETE 语句没有索引可选择，而导致堵塞其他SQL语句的执行；

4>.存在修改表结构或OPTIMIZE 语句执行；

5>.大数据量的导入 或 导出，尤其数据库的逻辑备份操作；

 

6>.业务量大到超过服务器处理能力（我们大家都高度关注业务发展，以及公司业务特点，

   还有与开发和运营保持良好联系，很难出现未知的业务突然爆发性增长）；

要解决LOAD飙高，必须先找到造成飙高的真实原因，请登陆数据库服务器后，执行命令：

SHOW PROCESSLIST;（适合MySQL各种版本）

或

SELECT * FROM INFORMATION_SCHEMA.PROCESSLIST WHERE COMMAND <> ‘sleep’ AND TIME>100;（5.1.x系列及以上版本）

若一直处在执行状态，且执行时间比较久，可以分析下SQL语句执行计划：

EXPLAIN SQL-statement;

若执行计划不合理，则可以根据SQL类型选择是否与应用负责人联系。首先，查找造成服务器LOAD飙高的PID，特别是 DELETE 或UPDATE等会堵住其他SQL语句的PID，然后进入MySQL命令行工具中，对一些SQL先记录下来，再适情考虑执行：kill sql_pid;

1.1 统计信息更新

单表索引统计信息查看命令：SHOW INDEXES FROM tablename;

若发现其统计信息存在偏差，则可以执行：ANALYZE LOCALE TABLE tablename;

备注：请加上LOCALE 参数，从而使此语句执行时不需要登记到二进制文件中。

1.2 碎片整理和统计信息更新

OPTIMIZE 操作等于recreate + analyze 的组合操作，所以会堵塞更新类型SQL语句。对于备机上跑只读类型操作的业务，可以考虑使用此操作命令，对于主服务器不建议使用此命令，为此备机上执行 OPTIMIZE 语句，必须这样写：

OPTIMIZE LOCAL TABLE tablename;

备注：这样执行将不会记录到二进制日志文件中，从而不会复制到对其有复制关系的主机 上。

2. HA切换

2.1 启动备机Heartbeat

若要启动备机上的Heartbeat进程，则必须先保证备机上的mysqld服务已经停止掉，然后再启动备机上的 Heartbeat服务，最后再启动mysqld服务。

2.2 VIP服务快速漂移

直接关闭掉VIP所挂载的主服务器上的Heartbeat服务：service heartbeat stop，待切换之前的备机VIP服务挂载成功，再启动被关掉机器的Heartbeat服务，且确保mysqld服务已经处于停止状态，最后再启动 mysqld服务。

另外一种强制VIP飘移办 法：

crm_resource -M -r resource_name -H nodename

其中： resource_name 可以通过命令crm_resource  –L

进行强制VIP漂移后，还需要检查 failcount值，命令与设置值，如下：

crm_failcount –U nodename -r resource_name –G

如果failcount大于0，则进行下面的操 作：crm_resource -r resource_name -p is_managed -v false （设置资源为非受 控）crm_failcount -U nodename  -r resource_name -G –D （重新设置 failcount值)

crm_resource -H nodename  -r resource_name –C

crm_resource -r resource_name -d is_managed  (设置为受控）

3.复制中断

  复制突然中断的可能原因：

  1>. 备机无法连接到主服务器，可能是网络问题，也可能是主服务器的mysqld已停止；

  2>. 主键冲突；

  3>. 主从服务器数据不一致；

  4>. 其他原因；

  为使复制继续，我们可以进行如下处理：

  1>. Stop slave ;

  2> start slave;

  3> 检查服务是否正常：show slave status\G

 若是主健冲突或数据不一致的情况，则需要额外处理：

1>.stop slave;

2> start slave;

3> show slave status\G记录错误的信息，一般会有详细的SQL保存起来

4> stop slave;

5> SET GLOBAL sql_slave_skip_counter=1;

6> start slave ;

7> show slave status\G

8> 检查复制是否恢复正常，若没有循环1>…7>步骤（备注：有些场景，也可以考虑借助脚

本循环的方式解决）

 

4.MySQL假死

4.1 假死状态判断

MySQL假死状态一般只会响应对内存表、服务器状态和变量的操作，而且SHOW PROCESSLIST;可以看到很多连接线程处于命令解析或处理的各种状态，且SQL语句执行时间较长。此时，为校验是否真处于MysQL假死状态，那 么可以到库test中任意执行创建表或更新数据的语句，若回车键后没有响应，则一般可以断定MySQL 是否已经处于假死状态。

4.2 假死状态处理

若使用Heartbeat + Dual Master的数据库架构，VIP所在的数据库服务器出现假死状态，则应该直接关闭service heartbeat stop，从而迫使VIP服务转移到另外一台数据库服务器上。

其次，根据处理MySQL 假死状态的经验，使用mysqladmin –uroot –p shutdown命令关闭mysqld服务也是无法处理的，最快的办法是直接Kill进程：

ps -ef | grep mysql | grep -v grep | awk ‘{ print $2 }’| xargs kill -9

然后，把Heartbeat启动成功之后，再启动mysqld服务；对于没有Heartbeat服务的数据库服务器，则 直接启动mysqld 服务即可。

5.紧急事件处理的流程

  1>.突发紧急事情：

        首先，要保持头脑清醒，心态要放平，建议先深呼吸；

        其次，仔细检查相关状态、日志等信息，并且保存现场的状态信息，以便后续分析；

        最后，确认解决此问题的可行方案，以及判断此方案是否会引入新风险，是否需要其他同事协助；

  2>.处理步骤复杂或命令语句多的情况，必须先把相关命令，分步骤在文档中写好；

  3>.突发紧急事情的处理，会影响到前端应用服务的事情，应先跟团队领导沟通和确认处理方法，以及影响范围有多大，

         影响程度有多严重；

  4>.确定紧急处理过程或完毕后，需要那些应用方负责人检查应用是否正常，则应该先联系相关同事；

  5>.处理完毕且业务正常之后，优先分析问题和查找是否还有隐患；

  6>.发邮件描述整个故障发生、影响范围和程度 、处理过程，以及补填写紧急处理的 ITIL流程单；

  7>.回复报警邮件；

备注：

     突发事情的解决过程中，无关同事不得围观，需要配合的同事要迅速提供帮助和协调起来，对突发事情解决无帮助的主管及以上级别的人员，一律不得围观，否则以 罚款方式处理。

【编注】

     突然发现邮箱中竟然还有一份2年前写的东西，应该不是最新的版本，稍作整理分享出来，虽然内容不太丰富，也许对一些技术朋友有借鉴意义，大家也可以互相交 换下意见和提供行业案例而逐渐把此主题相关的内容丰富起来。