新年上班第一天生产环境分布式文件系统崩了！

作者：冰河 2021-02-23 07:08:04

开发

前端

分布式 今天，就和小伙伴们分享下，这次生产环境分布式文件系统出现的问题，以及我是如何10分钟排查问题和解决问题的。另外，本文不是基于生产环境事故写的，而是事后，我在我本机虚拟机上模拟的环境。解决问题的思路和方法都是一样的。

[[383073]]

作者个人研发的在高并发场景下，提供的简单、稳定、可扩展的延迟消息队列框架，具有精准的定时任务和延迟队列处理功能。自开源半年多以来，已成功为十几家中小型企业提供了精准定时调度方案，经受住了生产环境的考验。为使更多童鞋受益，现给出开源框架地址：

https://github.com/sunshinelyz/mykit-delay

写在前面

说来也怪，早不崩晚不崩，偏偏在上班第一天的时候，生产环境分布式文件系统崩了。我才刚来到我的工位坐下，“叮铃铃”电话响了，是运营打来的，“喂，冰河，快点看看，生产环境的图片和视频都无法上传了，系统崩溃了，快点看看啊!”。你说我一个不是做运维的，直接打来电话让我看生产环境的事故?原来是运维那哥们还没上班，额，好吧，我接受了，于是我迅速整理好工位，摆出电脑，登录服务器，一顿操作猛如虎，10分钟搞定了，剩下的就是异步复制图片和视频了。

今天，就和小伙伴们分享下，这次生产环境分布式文件系统出现的问题，以及我是如何10分钟排查问题和解决问题的。另外，本文不是基于生产环境事故写的，而是事后，我在我本机虚拟机上模拟的环境。解决问题的思路和方法都是一样的。

额，估计运维要被3.25了!!

文章已收录到：

https://github.com/sunshinelyz/technology-binghe

https://gitee.com/binghe001/technology-binghe

问题定位

通过登录服务器查看系统的访问日志，发现日志文件中输出了如下异常信息。

org.csource.common.MyException: getStoreStorage fail, errno code: 28 
 at org.csource.fastdfs.StorageClient.newWritableStorageConnection(StorageClient.java:1629) 
 at org.csource.fastdfs.StorageClient.do_upload_file(StorageClient.java:639) 
 at org.csource.fastdfs.StorageClient.upload_file(StorageClient.java:162) 
 at org.csource.fastdfs.StorageClient.upload_file(StorageClient.java:180) 

很明显，是系统无法上传文件导致的问题，这个日志信息很重要，对问题的排查起到了至关重要的作用。

分析原因

既然是上传文件出现了问题，那我先试试能不能访问以前上传的文件呢?经过验证，以前上传的文件是可以访问的，再次验证了是上传文件的问题。

既然生产环境是使用的分布式文件系统，一般情况下是没啥问题的，上传文件出现了问题，大概率的事件是服务器磁盘空间不足了。那我就来顺着这个思路排查下问题。

于是乎，我使用df -h 查看服务器的存储空间使用率，已经达到91%了。

嗯，磁盘空间有可能是引起问题的原因。接下来，再来进一步确认下是否是磁盘空间造成的问题。

于是，我再打开/etc/fdfs/目录下的tracker.conf的配置，看到预留的存储空间为10%(注：这里的分布式文件系统使用的是FastDFS)。

看到这里，可以确定就是磁盘空间不足造成的无法上传文件的问题。

总体原因就是：服务器磁盘空间已使用91%，而在分布式文件系统的配置中预留的磁盘空间为10%，实际在上传文件的时候，系统已经检测到当前服务器剩余的磁盘空间不足10%，抛出异常，拒绝上传文件。

到此，问题出现的原因已经确定了，接下来就是要解决问题了。

解决问题

首先，有两种方式可以解决这个问题，一种就是删除不需要的文件;另一种就是扩容磁盘空间。

删除不需要的文件

这种方式慎用，这里，我也简单的介绍下这种方式。我给小伙伴们提供了几种递归删除的方式。

递归删除.pyc格式的文件。

find . -name '*.pyc' -exec rm -rf {} \; 

打印当前文件夹下指定大小的文件

find . -name "*" -size 145800c -print 

递归删除指定大小的文件(145800)

find . -name "*" -size 145800c -exec rm -rf {} \; 

递归删除指定大小的文件，并打印出来

find . -name "*" -size 145800c -print -exec rm -rf {} \; 

下面是对上述命令的一些简要说明。

• “.” 表示从当前目录开始递归查找
• “ -name ‘*.exe’ “根据名称来查找，要查找所有以.exe结尾的文件夹或者文件
• ” -type f “查找的类型为文件
• “-print” 输出查找的文件目录名
• -size 145800c 指定文件的大小
• -exec rm -rf {} \; 递归删除(前面查询出来的结果)

扩容磁盘空间

这里，冰河推荐使用这种方式，我修复生产环境的故障也是使用的这种方式。

通过查看服务器的磁盘空间发现，/data目录下的空间足足有5TB，呵呵，运维哥们为啥不把文件系统的数据存储目录指向/data目录呢。于是乎，我开始将文件系统的数据存储目录迁移到/data目录下，整个过程如下所示。

注意：这里，我就简单的模拟将 /opt/fastdfs_storage_data下的数据迁移至/data下。

(1)拷贝文件，迁移数据

cp -r /opt/fastdfs_storage_data  /data 
cp -r  /opt/fastdfs_storage  /data 
cp -r /opt/fastdfs_tracker /data  

(2)修改路径

这里需要修改文件系统的 /etc/fdfs/storage.conf ,mod_fastdfs.conf ,client.conf,tracker.conf文件。

• /etc/fdfs/storage.conf

store_path0=/data/fastdfs_storage_data  
base_path=/data/fastdfs_storage 

• /etc/fdfs/mod_fastdfs.conf

store_path0=/data/fastdfs_storage_data  (有两处) 
base_path=/data/fastdfs_storage  

• /etc/fdfs/client.conf

base_path=/data/fastdfs_tracker 

• /etc/fdfs/tracker.conf

base_path=/data/fastdfs_tracker 

重新建立 M00 至存储目录的符号连接：ln -s /data/fastdfs_storage_data/data /data/fastdfs_storage_data/data/M00

(3)杀掉进程, 重启存储服务 (追踪器和存储器)

依次执行以下命令

pkill -9 fdfs 
 service fdfs_trackerd start 
 service fdfs_storaged start 

(4)修改文件的读取路径 nginx配置

location ~/group1/M00{ 
 root /data/fastdfs_storage_data/data; 
} 

(5)重启nginx

cd /opt/nginx/sbin 
./nginx -s reload 

好了，问题搞定，运营可以正常上传图片和视频了。

本文转载自微信公众号「 冰河技术」，可以通过以下二维码关注。转载本文请联系 冰河技术公众号。