在维护SolrCloud 集群过程中,最害怕的重启SolrCloud 集群,因为这需要等待很长的时间。
至于为啥要等待这么长的时间,到了今天我才花了点时间弄明白了。了解原理之后我也找到了快速重启集群的方法。
首先我们要说明的是,SolrCloud 集群在重启过程中步骤。
1.启动core实例,加载配置,replay log。这个不是本文所讲述的重点,暂时不去探讨。
2.Recover 、Sync恢复和同步。
整个事件就花费在recover和sync上面。
那么这个过程到底做了什么?
通过对比日志和代码,solr会把第一个启动实例作为集群中的leader,这个leader在启动的时候,首先做recover和sync,
Leader在做同步和恢复的时候的日志
27771 [coreLoadExecutor-4-thread-23] INFO org.apache.solr.cloud.SyncStrategy – Sync replicas to http://192.168.1.166:9080/solr/testcore_r1/
27771 [coreLoadExecutor-4-thread-23] INFO org.apache.solr.update.PeerSync – PeerSync: core=testcore_r1 url=http://192.168.1.166:9080/solr START replicas=[http://192.168.1.165:9080/solr/testcore/] nUpdates=100
27903 [coreLoadExecutor-4-thread-43] INFO org.apache.solr.cloud.ShardLeaderElectionContext – Enough replicas found to continue.
27903 [coreLoadExecutor-4-thread-43] INFO org.apache.solr.cloud.ShardLeaderElectionContext – I may be the new leader - try and sync
从日志可以看出:作为leader的实例会发送http请求要求其他replica来向他自身进行recover和sync,但是此时由于leader和replica的web容器都还未启动好,所以发送请求是不成功,也就是会超时,这个超时恰好就是30秒,该timeout时间是在
SyncStrategy.requestRecovery():
server.setConnectionTimeout(30000);
server.setSoTimeout(120000);
这段代码到处可见。
所以在30秒时候就会出现超时,此时solr就会将这种情况是为自己已经准备好。
57406 [coreLoadExecutor-4-thread-14] WARN org.apache.solr.update.PeerSync – PeerSync: core=testcore_r1 url=http://192.168.1.166:9080/solr couldn't connect to http://192.168.1.165:9080/solr/testcore/, counting as success
57407 [coreLoadExecutor-4-thread-14] INFO org.apache.solr.update.PeerSync – PeerSync: core=testcore_r1 url=http://192.168.1.166:9080/solr DONE. sync succeeded
一旦solr的leader实例将自己的同步状态视为成功。此时他就再一次会去向replica发送同步命令。同样此时leader和replica的实例都没有准备好。
57408 [coreLoadExecutor-4-thread-14] INFO org.apache.solr.cloud.SyncStrategy – http://192.168.1.166:9080/solr/testcore_r1/: try and ask http://192.168.1.165:9080/solr/testcore/ to sync
Replica日志如下:
24149 [RecoveryThread] INFO org.apache.solr.cloud.RecoveryStrategy – ###### startupVersions=[]
24149 [RecoveryThread] INFO org.apache.solr.cloud.ZkController – publishing core=defaultcore1 state=recovering
24149 [RecoveryThread] INFO org.apache.solr.cloud.ZkController – numShards not found on descriptor - reading it from system property
25629 [localhost-startStop-1-EventThread] INFO org.apache.solr.common.cloud.ZkStateReader – A cluster state change: WatchedEvent state:SyncConnected type:NodeDataChanged path:/clusterstate.json, has occurred - updating... (live nodes size: 2)
。。。
从replica的日志上看你觉得他正在做recovery,但是我认为,由于web容器根本还没有启动好,根本不能接受和响应http请求,所以在SyncStrategy 中,到这里,我觉得http线程会timeout的。
这时你只有等待,等待,solr完成同步和恢复。于是你就等啊等啊,5分钟,10分钟,15分钟。。还没好。。
奇迹发生在780秒以后(是第18分钟),780秒之后,随着一大对异常的抛出,你集群好像活了,至少leader活了,并且replica上面的一些core活了。此时你要做的是将replica节点重新启动一遍,这一次,你发现replica启动非常快。
但是为什么需要等待18分钟?答案是solr这么固定了这个时间,SolrCloud的lead选举中设置了780(600+180)秒来作为leader选举的超时时间。至于代码么,就在org.apache.solr.cloud.ZkController.getLeaderProps中:
String leaderUrl = getLeader(cloudDesc, leaderVoteWait + 600000);
这里的leaderVoteWait 时间ConfigSolr.DEFAULT_LEADER_VOTE_WAIT=180
以上代码就解释了为啥要等待18秒。
由于在web 容器启动过程中,阻塞了http的请求,所以lead向replica发送出来的请求都会超时,超时时长如前面所述:30秒。
所以总共要等待的时间是30+780=810秒,也就是说重启集群你至少需要810秒。
实际上在leader完成自身的同步之后,并没有能讲集群的leader信息写入到zk上面,而replica就是需要依赖在zk上面元数据,这样就会出现了死锁,只能利用超时来强行关闭replica上面的core。
那么如何要加快这个过程呢,答案是在集群重启之后,replica和leader都启动了,让leader尽快知道replica死了,也就是发送的http返回connection异常,而不是一直等待。
当leader发现replica死了之后,他就跳过等待replica的步骤,直接向zk上面写元数据。
当zk上面的有关集群的描述的元数据好了之后,再去启动replica就会,replica启动就会很快。
-----------------------------------------------------------------------------------------------------------------------------------------
当一个leader挂掉后,其中的几个replica 要重新选一个leader出来,但默认的是要等待3分钟,这个时间也太长了。对于开始在测试solrCloud功能来说,等待这么长时间,有可能觉得重新选举失败的挫败感。
这里4.1之后已解决了这个bug:https://issues.apache.org/jira/browse/SOLR-3940默认情况下可以看到,当某个leader挂彩了时候,日志打印如下:
INFO: Waiting until we see more replicas up: total=3 found=1 timeoutin=171467
Dec 19, 2012 10:14:40 AM org.apache.solr.cloud.ShardLeaderElectionContext waitForReplicasToComeUp
INFO: Waiting until we see more replicas up: total=3 found=1 timeoutin=170965
Dec 19, 2012 10:14:41 AM org.apache.solr.cloud.ShardLeaderElectionContext waitForReplicasToComeUp
INFO: Waiting until we see more replicas up: total=3 found=1 timeoutin=170463
Dec 19, 2012 10:14:41 AM org.apache.solr.cloud.ShardLeaderElectionContext waitForReplicasToComeUp
INFO: Waiting until we see more replicas up: total=3 found=1 timeoutin=169961
你可以只接受3分钟的等待,您也可以降低等待3分钟(如10秒或0秒)
配置选举等待时间:
在solr.xml上配置:
leaderVoteWait="${leaderVoteWait:20000}"
<?xml version="1.0" encoding="UTF-8" ?>
<solr persistent="true">
<cores defaultCoreName="video_shard1" adminPath="/admin/cores" zkClientTimeout="${zkClientTimeout:1500}" hostPort="${jetty.port:}" hostContext="solr" leaderVoteWait="${leaderVoteWait:20000}">
</cores>
</solr>