TiDB 集群故障诊断

当试用 TiDB 遇到问题时，请先参考本篇文档。如果问题未解决，请按文档要求收集必要的信息通过 Github 提供给 TiDB 开发者。

如何给 TiDB 开发者报告错误

当使用 TiDB 遇到问题并且通过后面所列信息无法解决时，请收集以下信息并创建新 Issue:

• 具体的出错信息以及正在执行的操作
• 当前所有组件的状态
• 出问题组件 log 中的 error/fatal/panic 信息
• 机器配置以及部署拓扑
• dmesg 中 TiDB 组件相关的问题

数据库连接不上

首先请确认集群的各项服务是否已经启动，包括 tidb-server、pd-server、tikv-server。请用 ps 命令查看所有进程是否在。如果某个组件的进程已经不在了，请参考对应的章节排查错误。

如果所有的进程都在，请查看 tidb-server 的日志，看是否有报错？常见的错误包括：

• InformationSchema is out of date

  无法连接 tikv-server，请检查 pd-server 以及 tikv-server 的状态和日志。

• panic

  程序有错误，请将具体的 panic log 提供给 TiDB 开发者。

  如果是清空数据并重新部署服务，请确认以下信息：

• pd-server、tikv-server 数据都已清空

  tikv-server 存储具体的数据，pd-server 存储 tikv-server 中数据的的元信息。如果只清空 pd-server 或只清空 tikv-server 的数据，会导致两边数据不匹配。

• 清空 pd-server 和 tikv-server 的数据并重启后，也需要重启 tidb-server

  集群 ID 是由 pd-server 在集群初始化时随机分配，所以重新部署集群后，集群 ID 会发生变化。tidb-server 业务需要重启以获取新的集群 ID。

tidb-server 启动报错

tidb-server 无法启动的常见情况包括：

• 启动参数错误

  请参考TiDB 命令行参数

• 端口被占用：lsof -i:port

  请确保 tidb-server 启动所需要的端口未被占用。

• 无法连接 pd-server

  首先检查 pd-server 的进程状态和日志，确保 pd-server 成功启动，对应端口已打开：lsof -i:port。

  若 pd-server 正常，则需要检查 tidb-server 机器和 pd-server 对应端口之间的连通性， 确保网段连通且对应服务端口已添加到防火墙白名单中，可通过 nc 或 curl 工具检查。

  例如，假设 tidb 服务位于 192.168.1.100，无法连接的 pd 位于 192.168.1.101，且 2379 为其 client port， 则可以在 tidb 机器上执行 nc -v -z 192.168.1.101 2379，测试是否可以访问端口。 或使用 curl -v 192.168.1.101:2379/pd/api/v1/leader 直接检查 pd 是否正常服务。

tikv-server 启动报错

• 启动参数错误

  请参考TiKV 启动参数文档。

• 端口被占用：lsof -i:port

  请确保 tikv-server 启动所需要的端口未被占用： lsof -i:port。

• 无法连接 pd-server

  首先检查 pd-server 的进程状态和日志。确保 pd-server 成功启动，对应端口已打开：lsof -i:port。

  若 pd-server 正常，则需要检查 tikv-server 机器和 pd-server 对应端口之间的连通性， 确保网段连通且对应服务端口已添加到防火墙白名单中，可通过 nc 或 curl 工具检查。具体命令参考上一节。

• 文件被占用

  不要在一个数据库文件目录上打开两个 tikv。

pd-server 启动报错

• 启动参数错误

  请参考PD 命令行参数文档。

• 端口被占用：lsof -i:port

  请确保 pd-server 启动所需要的端口未被占用： lsof -i:port。

TiDB/TiKV/PD 进程异常退出

• 进程是否是启动在前台

  当前终端退出给其所有子进程发送 HUP 信号，从而导致进程退出。

• 是否是在命令行用过 nohup+& 方式直接运行

  这样依然可能导致进程因终端连接突然中断，作为终端 SHELL 的子进程被杀掉。 推荐将启动命令写在脚本中，通过脚本运行（相当于二次 fork 启动）。

TiKV 进程异常重启

• 检查 dmesg 或者 syslog 里面是否有 OOM 信息

  如果有 OOM 信息并且杀掉的进程为 TiKV，请减少 TiKV 的 RocksDB 的各个 CF 的 block-cache-size 值。

• 检查 TiKV 日志是否有 panic 的 log

  提交 Issue 并附上 panic 的 log。

TiDB panic

请提供 panic 的 log

连接被拒绝

• 请确保操作系统的网络参数正确，包括但不限于
  • 连接字符串中的端口和 tidb-server 启动的端口需要一致
  • 请保证防火墙的配置正确

Too many open files

在启动进程之前，请确保 ulimit -n 的结果足够大，推荐设为 unlimited 或者是大于 1000000。

数据库访问超时，系统负载高

首先检查 SLOW-QUERY 日志，判断是否是因为某条 SQL 语句导致。如果未能解决，请提供如下信息：

• 部署的拓扑结构
  • tidb-server/pd-server/tikv-server 部署了几个实例
  • 这些实例在机器上是如何分布的
• 机器的硬件配置
  • CPU 核数
  • 内存大小
  • 硬盘类型（SSD 还是机械硬盘）
  • 是实体机还是虚拟机
• 机器上除了 TiDB 集群之外是否还有其他服务
• pd-server 和 tikv-server 是否分开部署
• 目前正在进行什么操作
• 用 top -H 命令查看当前占用 CPU 的线程名
• 最近一段时间的网络/IO 监控数据是否有异常