【实战】kafka删除Topic常见异常排查思路及解决方案

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!