破案了...._石臻臻的杂货铺

直接跳到末尾：读者福利 赠4本书籍!

🔥《Kafka运维管控平台》🔥 ✏️更强大的管控能力✏️ 🎾更高效的问题定位能力🎾 🌅更便捷的集群运维能力🌅 🎼更专业的资源治理🎼 🌞更友好的运维生态🌞

有人报案

最近技术群里面有几个同学碰到了 删除Topic的问题, 怎么样也删除不掉,然后我协助排查之后,就做个记录,写篇文章,大家在碰到这类型的问题的时候应该怎么去排查

收集线索

1. 报not retrying deletion 异常
2. 版本:kafka_2.11-2.0.0
3. 删除前在执行重分配,但是失败了,强制停止数据迁移,手动删除了节点/admin/reassign_partitions
4. 再次重新删除提示异常Topic test is already marked for deletion
5. 所有Broker均在线
6. delete.topic.enable=true
7. 检查了每个Broker都没有副本被删除,甚至也没有被标记为--delete

调查线索

从我们收集到的线索来看,有两个突破口

1. not retrying deletion
2. Topic test is already marked for deletion

我们先看,第2个突破口,打开kafka_2.11-2.0.0源码,全局搜索关键字is already marked for deletion

这个表示,你已经标记了这个topic删除了, 在zk上写入了节点/amin/delete_topics/{topicName}
上面收集线索时候我们知道是它重新执行删除的时候抛出的异常,说明zk节点已经写入了,已经准备删除了;
这里没有什么问题

问题在于为什么没有执行删除呢？
所以下一个突破口就在于

Not retrying deletion of topic ....

通过源码我们可以看到,出现了这个异常表示的是：当前这个topic不符合重试删除的条件

怎么样才符合重试删除条件？

1. 在删除队列topicsToBeDeleted里面；这个队列是从zk节点/amin/delete_topics获取的数据
2. 当前还未开始对该Topic进题删除; 判定条件是没有副本处于开始删除的状态「ReplicaDeletionStarted」(当然如果delete.topic.enable=false这条肯定满足)
3. 主题没有被标记为不符合删除条件; 不符合删除条件的都保存在topicsIneligibleForDeletion

抽丝剥茧,接近真相

上面的3个条件,通过对方了解到

1. /amin/delete_topics 节点下面有数据, 线索排除

2. 让对方查询了Deletion started for replicas这个日志,日志表示的是哪些副本状态变更成「开始删除」 ,日志有查询到如下
   然后让查询Dead Replicas (%s) found for topic %s (这个表示的是哪些副本离线了) 也查询到如下
   
   从日志,和源码我们可以得出,Not retrying deletion of topic 的原因是: 删除流程已经开始,但是存在离线的或不可用的副本 ，哪些副本异常,从上面的Dead Replicas (%s) found for topic %s 的日志可以得知, 既然知道了原因,那么解决方案：聚焦副本为何离线了,让副本恢复正常就行了 不过这里我们还有再重点说一下第3种情况

3. 前面2个说完了,接着说一下topicsIneligibleForDeletion到底是什么,什么情况下才会放到这里面来呢？

不符合Topic删除的条件是什么？

Controller初始化的时候判断条件

kafka_2.11-2.0.0 没有这个步骤

1. 数据正在迁移中
   判断数据是否在迁移中是通过判断topic的是否存在要新增或者删除的副本, 查询/brokers/topics/{topicName}节点中有没有这两个属性值
   
2. topic副本所在Broker有宕机导致的副本不在线
3. 副本所在的数据目录log.dirs存在脱机磁盘

运行中判断条件

1. 发起的StopReplica 请求返回异常,加入不符合删除条件
2. 删除的过程中,发现该Topic 有副本重分配的操作 则加入不符合删除条件
3. 删除的过程,有副本下线了,则加入不符合删除条件
4. 开始执行副本重分配的操作, 则加入不符合删除条件

结案

经过深入源码排查走访,我们基本上确定了问题的根源

副本离线,导致的删除流程不能完成; 通过查询日志,也锁定了那些个嫌疑犯,好家伙还是团伙作案

最后的解决方案也很粗暴,找到副本不正常的那几台Broker, 重启 …之后副本疯狂同步(其他一些topic数据同步);最终topic正常删除了

排查手册

为了以后出现同样类似的问题,我总结了一下问题的排查手段,给大家指明一条思路; 快速破案

1. 确保 delete.topic.enable=true ;配置文件查询
2. 确保当前该topic没有进行 「副本重分配」 , 查询zk节点/admin/reassign_partitions的值是否有该topic、或者 节点/brokers/topics/{topicName}节点里面的属性adding_replicas、removing_replicas有没有值
3. 确保所有副本所属Broker均在线
4. 确保副本均在线, (Broker在线并且log.dirs没有脱机), 搜日志"Dead Replicas " 关键字查询到哪些副本异常

解放方案
根据上面的排查顺序,对应不同的解决方案;
如果正在进行 「副本重分配」 那么等待分配完成就可以正常删除了
如果是副本不在线,那么就去解决为啥不在线,该重启就重启

幕后黑手

这就完了吗？

「log.dir为什么会脱机呢?」 「脱机跟数据迁移有关系吗?」

根据以往的问题,好像数据迁移总是会伴随着一些删除上的问题
导致数据目录脱机的原因的最终BOSS是 「副本重分配」吗？

留下悬念, 下期再见!

---

交个朋友,再赠4本,欢度每周五

---

从上周五开始决定送书到现在,已经送出去 「 7 」本书了, 有很多朋友说没有抢到,为了回应大家的积极性,和感谢读者朋友的支持，今天决定再次免费送 「 4 」本; 为此我特意自费从当当网买了 「 4 」 本 《海量数据处理与大数据技术实战》 , 免费赠送 给大家 (侧边栏也有联系方式)

参与方式:

1. 给本文「 「一键三连」 支持博主
2. 扫描下面二维码后添加博主「v*x」
3. 本周五我会在 「朋友圈」公布赠送方式
4. 「如果条件允许,我会尽量每周五都送」

---

这本书,从原理到实战，在保证高并发、高可用、高可扩展性和高可维护性的基础上，教你从零开始构建基于海量数据处理的离线批处理平台和在线实时计算平台等大数据系统;