MongoDB集群卡死问题

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

一年前搭了个MongoDB集群，跑得还算不错，但是有几次遇到过服务卡死的问题。处理起来已经得心应手了，拿来跟大家分享一下：

故障现象：

业务查询缓慢，而且会有连接异常：

{ "serverUsed" : "/10.6.19.80:10013" , "errmsg" : "exception: could not run map command on all shards for ns tloc.fileprops and query { author: { $in: [ \"exception\" ] }, type: { $in: [ 0, 1 ] } } :: caused by :: socket exception [CONNECT_ERROR] for shard2/10.6.19.91:10016" , "code" : 11002 , "ok" : 0.0}

{ "serverUsed" : "/10.6.19.108:10013" , "ok" : 0.0 , "errmsg" : "MR post processing failed: { errmsg: \"exception: could not initialize cursor across all shards because : socket exception [SEND_ERROR] for 10.6.19.91:10016 @ shard2/10.6.19.91:10016\", code: 14827, ok: 0.0 }"}

当时各个Mongo分片、路由、配置服务器进程有在运行，而且查看路由服务的IO也不算高，内存、CPU也是可以接受的。但是业务查询却会卡死，导致服务不可用。

故障原因：

能通过本地连接上mongo，切到业务db，通过“db.currentOp()”查看到执行的操作，发现操作数已经开始积累，呈阻塞状态。而且通过观察可以发现一般操作累积的都是同一个分片下的任务，估计是这个分片出现了问题，有几种可能性：

1、磁盘IO异常

2、任务参数不合理，查询确实很慢

总之，不可能因为一个分片问题，导致整个集群不可用。

故障恢复：

如果是线上可用性，一般都会很急的，现在知道了原因，应立即恢复。这里有两种办法：

1、一个一个地用db.killOp("opid")去杀掉某个操作（mongo没有群杀，即使你重启了路由，那些操作还在配置服务器里存着），但是这个不大合理，因为它的增长阻塞很快，而且很可能你连mongo都登不上，整个服务都瘫痪掉了；

2、暴力重启分片，这个是目前我在使用的，也是比较快速有效的方法

具体重启服务，也不是所有服务器都要重启，只需要把引起阻塞的分片重启即可：

1、通过db.currentOp()或分片mongd日志确认可疑分片