zookeeper运维问题总结

tangbinde

　　工作中遇到以下问题：
1、一台zk节点失联后，重启一直无法加入zk集群中，导致无法对外提供服务
2、zk的log和快照占大量空间
3、客户端连接有失败有成功
4、zk客户端偶尔会有失败连接
5、报错：smaller server identifier,so dropping
　　以上问题生产环境中经常会遇到

1. zk无法加入zk集群
　　现象: 使用zkCli.sh无法连接成功该zk节点
日志: 首先想到的是将该节点restart, 但问题依旧, 故查看zk的log, 有大量的如下日志

2018-07-18 17:31:12,015 - INFO  [WorkerReceiver Thread:FastLeaderElection@496] - Notification: 1 (n.leader), 77309411648 (n.zxid), 1 (n.round), LOOKING (n.state), 1 (n.sid), LOOKING (my state)
2018-07-18 17:31:12,016 - INFO  [WorkerReceiver Thread:FastLeaderElection@496] - Notification: 3 (n.leader), 73014444480 (n.zxid), 831 (n.round), LEADING (n.state), 3 (n.sid), LOOKING (my state)
2018-07-18 17:31:12,017 - INFO  [WorkerReceiver Thread:FastLeaderElection@496] - Notification: 3 (n.leader), 77309411648 (n.zxid), 832 (n.round), FOLLOWING (n.state), 2 (n.sid), LOOKING (my state)
2018-07-18 17:31:15,219 - INFO  [QuorumPeer:/0.0.0.0:2181:FastLeaderElection@697] - Notification time out: 6400
　　解决办法：
这个是在3.3.4版本中的一个bug，在新版本中3.5已经修复了，建议使用最新版本
如果你使用的是这个版本，那你只能通过重启leader来解决了

2. zk的log和快照占大量空间
　　现象：zk的datadir下的version-2下有很多快照，日志目录下有大日志文件（单个文件太大），有些东西是没有用的，所以建议定期清除
解决办法：在zk的配置文件中添加自动清理日志和快照的开关autopurge.purgeInterval=1,当然也可以中过个年autopurge.snapRetainCount来设置需要保留的snapshot文件个数，默认是3个。

3. 客户端连接有失败有成功
　　现象：客户端的连接有的可以连，有的连接失败
日志：
Too many connection from 127.0.0.1 -max is 60
解决办法：
更改zk配置的连接数maxClientCnxns 加大这个值，默认是60，不建议设置的太大，防止DDOS×××

4. zk客户端偶尔会有失败连接
　　现象：有时客户端偶尔会连不上zk
原因：
　　这种情况比较复杂，跟代码及逻辑有关系了，以及当前的业务量有关系，比如zk处理大量的短连接请求时，SYN QUEUE的accept queue有时候被打满，这就尴尬了，直接导致连接失败。
详细可以查看这篇文章
https://blog.csdn.net/varyall/article/details/79681562
解决办法：
syn队列的大小是系统用来限制网络的高并发的，具体参数如下：
net.ipv4.tcp_max_syn_backlog和net.core.somaxconn，这两值设置为一样即可
如果太小了，会导致这种问题，需要按量提高，不要太高了。
生产环境中最终的解决办法是最好降低和zk的短连接数量，这样就基本不会出这种问题。

5. 报错：smaller server identifier,so dropping
　　现象：使用客户端连接没法连上，查看zk日志，发现很多报错报错：smaller server identifier,so dropping
解决办法：
按zk的myid的大小从小到大一次重启zk服务器，首先保证有问题的zk不重启。
分析原因：zk是需要集群中所有机器两两建立连接的, 其中配置中的3555端口是用来进行选举时机器直接建立通讯的端口, 大id的server才会去连接小id的server，避免连接浪费.如果是最后重启myid最小的实例,该实例将不能加入到集群中, 因为不能和其他集群建立连接