【Redis】记录一次K8S存储故障导致Redis集群拓扑异常的修复过程

背景

集群部署在K8S环境内，存储使用的localpv，有一台K8S主机节点磁盘故障，导致在该节点上的redis节点均出现故障，主要表现为持久化失败、集群拓扑异常，持久化失败可以临时关闭RDB和AOF持久化、等挂载好新的硬盘后，重新创建pvc进行恢复，经过观察，这些redis节点恢复后，operator并不能完成集群自愈，需要手动干预，主要表现为：集群拓扑异常：故障的节点没有被清理掉、新的节点没有以正常的角色加入到集群中。

集群是一个3主3从的规模，3个master，每个master一个slave，这个集群中故障的Pod，在创建pvc后，进行过重启操作，导致现在的拓扑，有4个正常的master，一个无效的节点，原因是恢复的节点没有以slave的角色加入到集群，且集群没有forget掉之前故障的节点

处理新节点

从新的节点上看，没有无效的节点

处理新节点比较简单，只需要对比下哪个master没有slave，将该节点设置为这个master的从节点即可：

执行完命令之后，其他的节点上能看到该节点的角色变了

监控中的拓扑也正常了，现在这种情况，集群是可以正常工作的，但是强迫症，必须要清除掉这个无效的节点。

遗忘旧节点

如果逐台执行cluster forget来遗忘这个无效的节点，由于集群之间会进行通信，同步拓扑信息，如果不是很快同事执行该操作，最后是无法保证成功的，所以写了个脚本，来模拟同时执行：

bath-forget-nodes.sh

#!/bin/bash

set -e

# 查出所有正常的节点（排除状态为fail的），需要在这些节点上执行forget操作 
nodes_addrs=$(redis-cli -a $3 -h $1 -p $2 cluster nodes|grep -v fail| awk '{print $2}')
echo " -------------normal cluster nodes -----------------"
echo " $nodes_addrs "  
echo " --------------------------------------------"  
for addr in ${nodes_addrs[@]}; do
    host=${addr%:*}
    port=${addr#*:}
    # 查出所有需要forget的节点
    del_nodeids=$(redis-cli -a $3 -h $host -p $port cluster nodes|grep -E 'handshake|fail'| awk '{print $1}')
    for nodeid in ${del_nodeids[@]}; do
        echo " -------------delete nodes info -----------------------"  
        echo "delete from host: $host $port, delete node id: $nodeid "
        echo " ------------------------------------------------------"   
        # 执行forget            
        redis-cli -a $3 -h $host -p $port cluster forget $nodeid
    done
done

一共是需要3个参数，IP、port、密码，最好先把执行forget的一行注释掉，看看输出是否符合预期。

执行完之后，每个节点的拓扑都恢复正常了：

大公告成，虽然是比较简单的操作，还是记录一下，好记性不如烂笔头。