HBase实践 | HBase疑难杂症诊治

hbase2.0处理rit状态记录

日期

版本号

类别

描述

2019-07-05

1.0.0

A

排查hbase2.0的rit问题

问题说明

由于使用HDP3.0，HDP3.0使用的是hbase2.0.0版本，hbase的ui页面发现很多表出现了rit，删除表过程中，region的状态卡在了opening。先尝试使用hbck2工具进行修复，发现在hbase2.0的master的rpc方法中没有hbck2中的bypass，assign方法，通过源码发现，hbck2的rpc方法是在hbase2.0.2中才增加的，所以只能尝试手动处理：

一.hdfs上已经没有对应目录，meta里没有对应表状态信息，存在有对应的分区信息

1. 检查表状态

get 'hbase:meta','KYLIN_0054K9NLSU','table:state'

结果为空

2. 通过源码发现表状态

ENABLED,对应meta表里的值\x80\x00
DISABLED, 对应meta表里的值\x80\x01
DISABLING, 对应meta表里的值\x80\x02
ENABLING, 对应meta表里的值\x80\x03

3. 查找分区信息

scan 'hbase:meta',{FILTER => org.apache.hadoop.hbase.filter.PrefixFilter.new(org.apache.hadoop.hbase.util.Bytes.toBytes('KYLIN_0054K9NLSU'))}

发现存在有分区记录

4. 手动修改表状态或者删除分区信息

put 'hbase:meta','KYLIN_0054K9NLSU','table:state','\x80\x01'

或者deleteall 表对应的分区信息，修改后重启hbase，发现rit状态消失

二.hdfs上已经有对应目录，meta里有对应表状态信息和分区信息

1. 确认一下表的信息和数据

hbase hbck -summary TableName

2. 检查表状态

get 'hbase:meta','KYLIN_0354K9NLSU','table:state'

meta表里的值\x80\x02，表的状态为DISABLING

3. 找出异常的region

echo "scan 'hbase:meta',{FILTER => org.apache.hadoop.hbase.filter.PrefixFilter.new(org.apache.hadoop.hbase.util.Bytes.toBytes('KYLIN_0354K9NLSU'))}"|hbase shell -n|grep OPENING

找出异常的region

4. 将region信息更新为CLOSED状态

put 'hbase:meta','KYLIN_0354K9NLSU,,1561953520536.30b7d24eaa3209c6e5e8de764ad04855.','info:state','CLOSED',1562117738678

………

5. 将表状态更新为disable

put 'hbase:meta','KYLIN_0354K9NLSU','table:state',"\x08\x01",1562120793251

重启hbase后rit消失

存在问题

• rit是删除表的时候出现，所以表中的数据可以忽略，上述操作也是表中没有数据时操作

• 如果是生成集群，已经存在的数据比较多，不建议直接重启，可以通过切换master的方式

• 可以使用HDP3.1.1，里面hbase版本是2.0.2，可以使用hbck2操作

• 使用hbck2的方法的话，修改meta状态后还会同步改zookeeper状态，能避免状态不一致

HBase2.x之RIT问题解决

问题描述

Region-In-Trasition机制： 从字面意思来看，Region-In-Transition说的是Region变迁机制，实际上是指在一次特定操作行为中Region状态的变迁，例如merge、split、assign、unssign等操作。RIT问题指的是在RIT过程中出现异常情况，然后导致region的状态一直保持在RIT，使得HBase出现异常。

解决方案

方案一

检查hdfs的健康度，是否有hbase的文件丢失或损坏，运行命令hadoop fsck /，结果如下：

排除hdfs丢失block的问题。如果出现hdfs的block损坏或丢失的情况，可以通过hdfs的修复命令进行修复。

方案二

在HBase1.x系列中RIT问题通常可以通过hbase  hbck –repair操作完成修复。但是在HBase2.x系列中，该命令还没有支持，所以暂时无法通过这种命令完成修复。结果如下：

第一次执行发现没有权限，root用户不是hdfs的超级用户，安装提示需要以hbase用户去执行该命令。修改如下：

su hbase -s /bin/sh -c "hbase hbck -repair"

提示为hbase有其他线程正在执行hbck fix命令，但是其实没有这种命令，其实从这里就可以看出HBase2.x对于-repair的支持是不够的。我按照提示删除了hdfs(/hbase/.tmp/)上的hbase-hbck.lock文件，重新运行命令如下：

方案三

根据RIT状态执行assign或者unassign命令，状态信息如下：

经过查询资料，解决方案如下：

hbase shell多次执行unassign '20acfcbd68fd624a78bb34c88f9382d1'和unassign '20acfcbd68fd624a78bb34c88f9382d1' , true都超时结束，通过修改rpc和zk的超时时间都无法完成(正常超时时间为60000ms，修改为600000ms)。

方案四

经过多次试验，最终都无法使得HBase回复正常，最终决定删除进行测试。

Zookeeper节点删除：

通过hbase zkcli命令进入Zookeeper命令行界面：

我想删除节点 /hbase-unsecure/region-in-transition，但是发现并没有该节点，经过资料查询了解到HBase2.x的RIT状态并不像HBase1.x系列存储在Zookeeper上。经过测试删除/hbase节点重启hbase并不能解决RIT问题。

HBase表删除：

hbase shell>disable M_TDY_PT_LCZZ

disable失败，所以正常删除表操作无法执行。需要进行暴力删除，暴力删除指的是从元数据进行删除。

先停掉HBase

删除hdfs表目录(记得先备份，等下恢复用)

hdfs dfs -cp /hbase/data/hospital/P_TDY_DASC_DE02_01_039_63 /
hdfs dfs -cp /hbase/data/hospital/M_TDY_PT_LCZZ /
hdfs dfs -rm -r -skipTrash /hbase/data/hospital/P_TDY_DASC_DE02_01_039_63
hdfs dfs -rm -r -skipTrash /hbase/data/hospital/ M_TDY_PT_LCZZ
delete 'hbase:meta','rowkey', 'column'

Rowkey信息可以通过hbase的UI看到：

然后重启HBase，但是发现问题没有解决。

hbase shell查询数据看到hbase的meta删除失败了，原本的meta信息还在：

然后重新删除(delete命令换成deleteall命令)：

再删除Zookeeper中的/hbase节点，重启HBase发现RIT问题已经解决了。

后续就是重建表，然后恢复数据。

Phoenix故障处理笔记

1. Timeline

• 06-26 16:00 Phoenix使用方反馈慢；

• 06-26 16:02 同事通过监控看到Phoenix HBase集群一个对应的RegionServer，QueueSize过高，此bug基本是Butch Put Lock在高并发写入的问题，我们已在下个版本中增加信息日志定位此问题；

• 06-26 16:05 同事重启该队列过高的RegionServer；

• 06-26 16:10 同事跟我说，好多Phoenix的Region处于RIT状态；

• 06-26 17:00 暂停该Phoenix集群所有的写入；

• 06-26 20:00 跟业务沟通，可能会正常影响一段时间，经同意。至此各种hbck，各种重启 RegionServer &Master不怎么管用，RIT数量升至550个；

• 06-27 12:00 尝试修复；

• 06-27 15:00 问题修复。

2. 处理流程

2.1 异常现象

1. 大量 Region 无法上线(NotServingRegionException)

2. Phoenix的SYSTEM.CATALOG系统表也无法上线。

2.2 处理流程

1. 手动assign SYSTEM.CATALOG 表的Region上线，并且跟踪Master&对应RegionServer的日志。整个offline&open流程都正常。但是中间会由于各种其他的表不在线failover后close掉；

2. 打印jstack, 感觉这几个线程有问题，都在waiting；

   

• 通过上面的信息看，open region确实有问题。查看 Phoenix I ndexer Observer源码就会知道是在根据Recover WAL Entry构建索引；

• 修改hbase.regionserver.executor.openregion.threads数,此配置是负责open region的handler数：

  <property>
      <name>hbase.regionserver.executor.openregion.threads</name>
      <value>50</value>
  </property>
  

  默认 3， 我们这边的hbase版本(1.0.0-cdh5.4.4)

• 重启RegionServer ；

• assign SYSTEM.CATAOG 表的Region，上线成功；

• 修修补补，fixMeta fixAssignments就ok了。

3. 原理分析

1. 重启RegionServer， 会造成该RegionServer上面的Region下线，并且被重新Balance到新的RegionServer中。

2. Region在新的RegionServer中open过程会找到该Region下的recover.edits 文件，进行replay；

3.Phoenix表使用HBase的协处理类型之Observer，具体使用查看示例

org.apache.phoenix.hbase.index.Indexer，此用作根据WAL构建索引的，具体参考 Phoenix 的相关材料。

4. 在SYSTEM.CATALOG 的打开过程中，会查询其他的里面表，其他的表也处于RIT未恢复。然而 其他的表Region在open的过程也需要构建Index，尚且有一部分在openregion的队列里面。最终SYSTEM.CATALOG无法上线(此处不准确，纯属囫囵吞枣似的查看源码推测)。

5. 增加open region handler数之后，重启 RegionServer 后，需要进行一些hbck -fixMeta -fixAssginment 将一些未上线的Region上线, 就ok了。

6. 如果出现个别的Region还是上线失败，那就手动解决吧！个人认为比hbck -repair暴力修复靠谱。

大家工作学习遇到HBase技术问题，把问题发布到HBase技术社区论坛http://hbase.group，欢迎大家论坛上面提问留言讨论。想了解更多HBase技术关注HBase技术社区公众号(微信号:hbasegroup)，非常欢迎大家积极投稿。

本群为HBase+Spark技术交流讨论，整合最优质的专家资源和技术资料会定期开展线下技术沙龙，专家技术直播，专家答疑活动

点击链接钉钉入群：

https://dwz.cn/Fvqv066s 或扫码进群

本群为Cassandra技术交流讨论，整合最优质的专家资源和技术资料会定期开展线下技术沙龙，专家技术直播，专家答疑活动

Cassandra 社区钉钉大群：

https://c.tb.cn/F3.ZRTY0o

Cassandra 技术社区微信公众号：