1.背景
SequoiaDB 巨杉数据库是一款金融级分布式数据库，包括了分布式 NewSQL、分布式文件系统与对象存储、与高性能 NoSQL 三种存储模式，分别对应分布式在线交易、非结构化数据和内容管理、以及海量数据管理和高性能访问场景。
集群一般会使用三副本方式以确保数据安全。假若集群发生因硬件故障等原因导致的节点故障或集群异常，数据库管理员应进行系统的分析和诊断，以确保集群正常工作，不会影响用户的正常使用。本文将与大家分享一下基本的 SequoiaDB 数据库诊断方法。
2. 数据库集群诊断
1）确定 SequoiaDB 的安装路径
如果用户刚接触全新的 SequoiaDB 环境，可以通过 cat /etc/default/sequoiadb 命令查看数据库安装路径。
# cat tc/default/sequoiadb
NAME=sdbcm
SDBADMIN_USER=sdbadmin
INSTALL_DIR=/opt/sequoiadb
INSTALL_DIR即 SequoiaDB 的安装路径。
2）列出集群节点信息
【检查办法】
切换到数据库安装用户（默认为sdbadmin用户），查看节点信息和全部节点。
$ sdblist -l
$ sdblist -t all
从左到右依次为SvcName（节点名称）、Role（角色名称分为：编目节点、协调节点和数节点）、PID（进程号）、GID、NID、PRY（是否为主节点）、GroupName（组名）、StartTime（启动时间）、DBPath（安装路径）等信息，这些信息对于分析定位问题有很大的帮助。
【异常情况】
检查发现节点未启动、节点启动报错和节点无法启动等问题。
【处理办法】
假如数据节点11820节点未启动首先应尝试重新启动该节点，使用 sdbstart -p 11820 命令重新启动该节点。在节点安装目录下找到日志信息，日志信息为 ${DBPath}/diaglog/ sdbdiag.log。
【案例分析】
执行 sdbstart -p 11820 启动节点报错。
$ sdbstart -p 11820
11820: 69 bytes out==>
db role: data_test error
Failed resolving arguments(error=-6), exit
<==
Error: Start [/opt/sequoiadb/bin/../conf/local/11820] failed, rc: 127(Invalid Argument)
Total: 1; Succeed: 0; Failed: 1
通过报错信息 error 为-6参数错误，且报出 ../conf/local/11820 配置信息错误，查询节点的配置信息，节点的配置信息在安装目录下的 conf 目录中。
$ vi /opt/sequoiadb/conf/local/11820/sdb.conf
svcname=11820
dbpath=/opt/sequoiadb/database/data/11820
logfilesz=64
weight=10
sortbuf=256
sharingbreak=180000
role=data_test
catalogaddr=sdb1:11803,sdb2:11803,sdb3:11803
对比正常的节点配置信息发现role角色名称有误，导致节点启动失败，修改正确后启动成功。
3）检查集群节点是否正常
【检查办法】
在集群环境下通过协调节点获取数据库快照，可以通过监测 ErrNodes 判断出是否存在节点不可用的情况。
>cd /opt/sequoiadb/bin/
$ sdb 'db = new Sdb("localhost",11810,"username","password")'
$ sdb 'db.snapshot(SDB_SNAP_DATABASE)'
{
"TotalNumConnects": 0,
"TotalDataRead": 787373,
"TotalIndexRead": 0,
……
"ErrNodes": [
{
"NodeName": "sdb1:11820",
"Flag": -129
},
{
"NodeName": "sdb2:11820",
"Flag": -129
}
]
}
Return 1 row(s).
Takes 0.27826s.
NodeName 是出故障节点的hostname与端口号，Flag 则是尝试连接时所得到的错误码。在本例中，-129代表该节点处于全量同步状态。
如果 ErrNodes 数组为空，则意味着集群中所有节点状态正常：
$ sdb 'db.snapshot(SDB_SNAP_DATABASE)'
{
"TotalNumConnects": 1,
……
"ErrNodes": []
}
【异常情况】
如上所示出现 -129 的错误信息，在 SequoiaDB 集群中，由于分布式环境在运行过程中，不可避免会遇到突发状况，例如：某个数据节点被管理员意外杀掉，机器突然掉电重启等，这些操作都有可能触发SequoiaDB相关节点的全量同步状态。
用户可以直连到问题数据节点，然后查看 SDB_SNAP_DATABASE 快照信息：
$ sdb 'data = new Sdb("sdb2",11820)'
$ sdb ' data.snapshot(SDB_SNAP_DATABASE)'
{
"NodeName": "sdb2:11820",
"HostName": "sdb2",
"ServiceName": "11820",
"GroupName": "dg1",
"IsPrimary": false,
"ServiceStatus": false,
"Status": "FullSync",
......
快照信息显示此节点当前正在做全量同步，不能对外提供服务。
如果想知道某个数据节点过去是否进行过全量同步，可以检查此节点目录下的 diaglog/sdbdiag.log 文件，看看是否有如下内容：
2019-11-08-21.38.26.332510 Level:EVENT
PID:3151 TID:3208
Function:_onAttach Line:217
File:SequoiaDB/engine/cls/clsReplSession.cpp
Message:
Session[Type:Sync-Dest,NodeID:1008,TID:1]: The db data is abnormal, need to synchronize full data
2019-11-08-21.38.26.333890 Level:EVENT
PID:3151 TID:3208
Function:_fullSync Line:722
File:SequoiaDB/engine/cls/clsReplSession.cpp
Message:
Session[Type:Sync-Dest,NodeID:1008,TID:1]: Start the synchronization of full
显示结果表明此节点曾进行过全量同步。
【解决办法】
等待全量同步自动完成，完成后节点会自动恢复；停止全量同步节点，拷贝主节点的数据文件到需要全量的节点中，然后重新启动此节点即可。但是此方法需要业务无数据写入，如果业务不能停止则需要等待节点自动进行全量同步。
SequoiaDB 的全量同步，其实是节点在集群环境中自动恢复的一种正常状态。因为在X86服务平台上运行，机器的稳定性远远没有过去大小型机的问题，并且 SequoiaDB 的数据是存储在本地 SATA 或者 SAS 磁盘中，如果机器突然掉电，或者是节点突然被强杀，那样部分数据可能没有真正写入到磁盘中，节点就已经挂掉了。所以 SequoiaDB 为了数据正确性，会在节点启动时，去检测该节点上次停止时是否按照正常流程停止，如果不是，则认为当前存储的数据是不可靠的，需要向相同数据组的其它节点请求同步全量的数据，以保证该节点的数据正确性。
logfilesz 默认为64M，将 logfilesz 参数设置大一点可避免全量同步，建议设置为1024M。
4）检查集群是否可用
【检查办法】
连接到 SequoiaDB 使用 insert 和 find 命令检查集群是否可用，如果集群正常则能够正常返回。
$cd /opt/sequoiadb/bin/
$ sdb 'db = new Sdb("localhost",11810)'
$ sdb 'db.sample.employee.insert({"code":1,"name":"test1"})'
$ sdb 'db.sample.employee.find()'
$ sdb 'db.sample.employee.count()'
【异常情况】
查询 sample.employee 这个集合报错-5。
$ sdb 'db.sample.employee. find ()'
sdb.js:505 uncaught exception: -5
File Exist
-5表示文件已经存在，打开协调节点所在的服务器，打开协调节点日志文件并定位-5错误所发生的位置，查看到如下信息：
$ vi /opt/sequoiadb/database/coord/11810/diaglog/sdbdiag.log
2019-11-08-21.38.26.971524 Level:ERROR
PID:89651 TID:90037
Function:_queryOrDoOnCL Line:1076
File:SequoiaDB/engine/coord/coordQueryOperator.cpp
Message:
Query failed on node[{ GroupID:1000, NodeID:1002, ServiceID:2(SHARD) }], rc: -5
2019-11-08-21.38.26.971661 Level:ERROR
PID:89651 TID:90037
Function:execute Line:491
File:SequoiaDB/engine/coord/coordQueryOperator.cpp
Message:
Query failed, rc: -5
2019-11-08-21.38.26.971679 Level:ERROR
PID:89651 TID:90037
Function:_onQueryReqMsg Line:1850
File:SequoiaDB/engine/pmd/pmdProcessor.cpp
Message:
Execute operator[Query] failed, rc: -5
日志中可以看到，“Query failed on node[{ GroupID:1000, NodeID:1002, ServiceID:2(SHARD) }], rc: -5”错误信息代表着真正的错误来自数据节点：分区组1000，节点ID1000，ServiceID:2错误码-5。接着在命令行使用 db.listReplicaGroups() 可以得到复制组信息：
$ sdb 'db.listReplicaGroups()'
{
……
{
"HostName": "sdb3",
"Status": 1,
"dbpath": "/opt/sequoiadb/database/data/11820/",
"Service": [
{
"Type": 0,
"Name": "11820"
},
{
"Type": 1,
"Name": "11821"
},
{
"Type": 2,
"Name": "11822"
}
],
"NodeID": 1002
},
],
"GroupID": 1000,
"GroupName": "dg1",
"PrimaryNode": 1002,
"Role": 0,
"SecretID": 1969965962,
"Status": 1,
"Version": 7,
"_id": {
"$oid": "5d843fd23e28e361958a76bc"
}
}
通过遍历分区组信息，可以发现组ID1000，节点ID1002所对应的机器为sdb3的11820这个节点，数据库路径为 /opt/sequoiadb/database/data/11820，查看节点日志：
vi /opt/sequoiadb/database/data/11820/diaglog/sdbdiag.log
2019-11-08-21.38.26.584673 Level:ERROR
PID:4347 TID:4370
Function:open Line:66
File:SequoiaDB/engine/oss/ossMmap.cpp
Message:
Failed to open file, rc: -5
2019-11-08-21.38.26.584698 Level:ERROR
PID:4347 TID:4370
Function:openStorage Line:700
File:SequoiaDB/engine/dms/dmsStorageBase.cpp
Message:
Failed to open /opt/sequoiadb/database/data/11820/sample.1.data, rc=-5
2019-11-08-21.38.26.584721 Level:ERROR
PID:4347 TID:4370
Function:open Line:1172
File:SequoiaDB/engine/dms/dmsStorageUnit.cpp
Message:
Open storage data su failed, rc: -5
2019-11-08-21.38.26.584756 Level:ERROR
PID:4347 TID:4370
Function:rtnCreateCollectionSpaceCommand Line:1160
File:SequoiaDB/engine/rtn/rtnCommandImpl.cpp
Message:
Failed to create collection space sample at /opt/sequoiadb/database/data/11820/, rc: -5
通过日志文件可以发现-5的错误不存在的错误，是因为sdb3机器中的11820节点下的sample.1.data 文件存在异常。因此接下来进入数据节点所在路径检查集合空间文件，发现 sample 这个集合文件已经被损坏。
[sdbadmin@sdb3 11820]$ ll
total 1233564
drwxrwxrwx. 2 sdbadmin sdbadmin_group 4096 Sep 19 19:56 archivelog
drwxrwxrwx. 2 sdbadmin sdbadmin_group 4096 Sep 19 19:56 bakfile
drwxrwxrwx. 2 sdbadmin sdbadmin_group 4096 Nov 8 06:11 diaglog
-rw-r-----. 1 sdbadmin sdbadmin_group 0 Nov 8 05:27 sample.1.data
-rw-r-----. 1 sdbadmin sdbadmin_group 0 Nov 8 05:27 sample.1.idx
……
drwxrwxrwx. 2 sdbadmin sdbadmin_group 4096 Sep 19 19:56 tmp
将其他机器的 sample.1.data 和 sample.1.idx 这两个文件拷贝到 sdb3 的11820中：
$ scp -r sdbadmin@sdb2:/opt/sequoiadb/database/data/11820/sample.1.* .
$ sdb 'var dg = db.getRG("dg1")'
$ sdb 'dg.stop()'
$ sdb 'dg.start()'
重新查询集合正常：
$ sdb 'db.sample.employee.find()'
{
"_id": {
"$oid": "5dc5755ec73f4486ee4efe40"
},
"a": 1
}
Return 1 row(s)
3.总结
本文介绍了巨杉数据库SequoiaDB集群诊断基本方法，帮助用户系统地分析和诊断集群出现的问题并尽快解决。
来源：oschina
链接：https://my.oschina.net/wangzhonnew/blog/3137422