HBase修复｜HBase2.0的修复工具HBCK2

1. 背景

在了解HBCK2之前，建议先了解一下啥是HBCK。HBCK是HBase1.x中的命令，到了HBase2.x中，HBCK命令不适用，且它的写功能（ -fix ）已删除，它虽然还可以报告HBase2.x集群的状态，但是由于它不了解HBase2.x集群内部的工作原理，因此其评估将不准确。因此，如果你正在使用HBase2.x，那么对HBCK2应该需要了解一些，即使你不经常用到。

2. 获取HBCK2

HBCK2已经被剥离出HBase成为了一个单独的项目，如果你想要使用这个工具，需要根据自己HBase的版本，编译源码。其GitHub地址为：https://github.com/apache/hbase-operator-tools.git

默认HBase的版本是 2.1.6 ，可以在父pom.xml文件里修改成你需要的版本，我们线上集群的版本是 cdh-6.3.1-hbase2.1.0 ，与默认版本接近，因此我就使用默认的版本。

项目根目录下运行打包命令：

mvn clean install -DskipTests

编译成功后的截图：

Base-hbck2的target目录下可以找到我们最后需要的jar

把该jar包上传到集群随便一个目录下。

3. 测试命令是否可以正常使用

开始使用HBCK2的命令，最直接的使用方式：

./bin/hbase hbck -j <jar包地址> <命令>

使用HBCK2禁用启用测试表。

运行禁用表命令：

hbase hbck -j hbase-hbck2-1.1.0-SNAPSHOT.jar setTableState leo_test DISABLED

• hbase hbck -j hbase-hbck2-1.1.0-SNAPSHOT.jar 指定jar包的方式使用HBCK2命令

• setTableState 改变表状态的命令

• leo_test 表名

• DISABLED 禁用状态

看图，表的状态已经被更改为DISABLED

运行启用表命令：

hbase hbck -j hbase-hbck2-1.1.0-SNAPSHOT.jar setTableState leo_test ENABLED

看图，表的状态已经被更改为ENABLED

有个疑问就是，表状态被更改为DISABLED，这张表的region依然是online状态，表依然可以被正常查询。

以上操作顺利执行，就可以证明我们的HBCK2命令被安装成功了。

4. Procedure简介

HBase2集群几乎所有的操作都是通过procedure进行的，因此，HBCK2的工作实际就是修复各种不正常的procedure。

一个procedure是由一系列的操作组成，一旦完成，要么成功，要么失败（ROLL BACK），不存在中间状态，所以，procedure是支持事物的。

procedure执行的每一步都会以log的形式持久化在HBase的MasterProcWals目录下，这样master重启时也能通过日志来恢复之前的状态且继续执行。

对于运维而言最重要的一点就是procedure在执行过程中会拿好几把锁, 这个在处理问题时是很重要的，因为一旦锁没有释放，再做任何操作也只能是卡住等锁。

• IdLock：procedure级别的锁，保证一个procedure不会被多个线程同时执行。

• 资源锁：对HBase的内部资源进行加锁，不同的procedure加锁的粒度不同，目前有region/table/namespace/region server级别的锁。

举例来说，假设我assign一个region,那么procedure在执行的时候就需要对这个region进行加锁，这样如果有别的人想要unassign这个region,或者drop这个region所在的table,都需要等最早的assignment结束后释放锁了才能执行。这样防止有不一致的情况出现。

5. HBCK2核心功能介绍

5.1 bypass [OPTIONS] …

bypass可以将一个或多个卡住的procedure进行释放。

原理是，在procedure的类里有一个bypass的flag，每次执行时会检查这个flag是否为true，如果为true则直接返回null，这样procedure就会被认为执行成功。

而bypass就是把这个procedure对象中的这个flag设为true。这样stuck的procedure就能够不再执行，后续的修复才能继续。

返回值为true则是成功，false是失败。

参数解析：

-o,--overide

在执行bypass之前先会尝试去拿idLock，如果procedure还在运行就会超时返回null，但是设置了这个参数，即使拿不到idLock也会去将procedure的bypass flag设为true。

-r, --recursive

在bypass一个procedure时也会将这个procedure的所有子procedure进行递归bypass时。例如我们bypass一个对table schema修改的procedure，就需要加上-r参数，才能把这个操作的所有子procedure都bypass掉。

-w, --lockWait

上面提到的等到idLock的超时时间配置，默认为1ms。

5.2 assigns [OPTIONS]…

将一个或多个region再次随机assign到别的机器上，返回值时创建的pid则为成功，-1则为失败。

参数解析：

-o, --override

这里的override跟bypass的override不同，因为assign本身就会创建一个新的procedure，所以肯定是不涉及到拿idLock的，但是这里涉及到资源锁的问题。因为之前卡住的资源锁即使在bypass后也不会释放（用于fence, 防止更多未知的错误操作），所以需要加一个-o去手动释放这个资源锁。

下面，我们实际运行一下这个命令，感受其作用。

 hbase hbck -j hbase-hbck2-1.1.0-SNAPSHOT.jar assigns -o leo_test,,1588902855503.596a8c918380a9fb55ed64ecf716ecd6.

• leo_test,,1588902855503.596a8c918380a9fb55ed64ecf716ecd6. 这个是我测试表，leo_test的一个region的encoded_name

命令执行的结果是：

返回值为-1，说明命令运行失败。

十有八九是我的region name指定错了，重新运行如下命令。

hbase hbck -j hbase-hbck2-1.1.0-SNAPSHOT.jar assigns -o 596a8c918380a9fb55ed64ecf716ecd6

命令执行的结果是：

可以看到，成功返回了此次procedure的ID，观察HBase自带的监控界面。

HBCK2的命令提交成功后，监控界面会显示此次操作的记录，里面可以查看命令运行的详细状态。

查看表的监控界面，发现我们操作的region依然在72那台机器上，看起来好像没有任何变化。不知道是不是由于我们测试的表只有一个region的缘故，于是，我又测试了一张有17个region的表。

除了master有这样的日志之外，还是没有任何效果。

暂时实在搞不明白这条命令的具体效果，以后再慢慢研究吧，接着来看下一个核心功能。

5.3 unassigns [OPTIONS]…

将一个或多个region unassign，返回值是创建的pid则为成功，-1则为失败。

参数解析：

-o,--override，与assigns的一致

5.5 serverCrashProcedures …

手动schedule一个或多个serverCrashProcedure, 如果有serverCrashProcedure没有执行成功，但是procedure log已经丢失了，那么可以利用这个命令进行修复。返回值为创建的pid则为成功，-1则为失败。

patch在HBASE-21393[3]，目前这个功能在release版本还没有。

image-20200527181148089

看样子应该能用，可现在就是不知道咋用。

6. 利用HBCK2来查找集群的问题

6.1 canary tool

hbase canary -f false -t 6000000

nohup hbase canary -f false -t 6000000 > /data/leo_jie/hbase.log 2>&1 &

 cat /data/leo_jie/hbase.log | grep ERROR

6.2 页面状态

其实大部分的信息都会在master的页面上展示出来，我们来详细的介绍一下：

image-20200527181721474

可以检查当前所有没有执行完的procedure以及所有资源锁，当我们想要assign或者unassign一个region时，需要先去检查下是有别的procedure已经占有了这个资源锁，如果是的话需要先将那个procedure bypass掉，或者等待那个procedure释放锁。

image

可以看到EXCLUSIVE的lock只有region级别的，图中红框圈出来的就是占有这个锁的procedure id以及它的parent procedure id, 由此我们知道如果想要重新assign/unassign这个region,那么一定要bypass这个procedure。

同理，当Locks这块没有任何EXLUSIVE锁时，我们可以放心的去执行操作而不用担心被卡住。

以上内容节选自，HBase指南 | HBase 2.0之修复工具HBCK2运维指南，因为我在本地测试的时候，没有重现这种锁占用的情况。

6.3 OPENING/CLOSING region的查找

branch-2.0 上最容易出现的问题就是region卡在了OPENNING/CLOSING状态，一般处于这两种状态的region都会在rit的队列中，可以通过点击页面上的链接拿到所有的region以及对应的procedure id。

image

可以看到现在有17个region处在transition中，我们可以点击红框圈住的这个链接，会展示所有的region。

image

因为我们最后是希望通过HBCK2来进行处理，那么最好是可以复制粘贴需要处理的region或者procedure, 所以可以点击圈出的这两个按钮，会以text形式展示所有region或者所有procedure。

image

以上内容依旧是节选，因为没遇到RIT的情况，同时，我们也不希望遇见。:smile:

6.4 Master的日志

WARN [ProcExecTimeout] org.apache.hadoop.hbase.master.assignment.AssignmentManager: STUCK Region-In-Transition rit=OPENING, location=c4-hadoop-tst-st99.bj,42900,1542148656901, table=test_modify, region=8d81f74b324d0503c3fc87f34e9a17cb

7.解决问题

定位到问题之后，我们需要解决问题。

7.1 解决region卡在OPENING/CLOSING 状态

7.2 对table的修改有问题如何回退

7.3 Master起不来

WARN org.apache.hadoop.hbase.master.HMaster: hbase:meta,,1.1588230740 is NOT online; state={1588230740 state=CLOSING, ts=1538456302300, server=ve1017.example.org,22101,1538449648131}; ServerCrashProcedures=true. Master startup cannot progress, in holding-pattern until region onlined.

7.4 table卡在disabling状态

8. 总体的解决思路

9. 参考链接