作者简介

谭峰

网名francs，PostgreSQL中文社区委员，《PostgreSQL实战》作者之一，《PostgreSQL 9 Administration Cookbook》译者之一，致力于PostgreSQL技术分享，博客 https://postgres.fun，三墩IT人。

故障现象

前几天一位社区朋友咨询一个PostgreSQL的WAL文件膨胀案例，有个生产库最近几天pg_wal目录的WAL文件爆涨到了7万多个，把硬盘空间撑满，造成数据库故障。

为了快速恢复，这位朋友删除了pg_wal目录下10天前的WAL文件，将硬盘空间使用率降下来，使得数据库恢复，但pg_wal目录下的WAL文件依然涨得很快。

数据库环境信息如下:

数据库版本: PostgreSQL 11.2
数据库大小: 大于1TB
操作系统: CentOS 7.4
硬件环境: HPE DL560 gen10 + 全闪存(3par 8440)
其它信息: 单实例，配置了逻辑复制

排查过程

首先，pg_wal目录下的wal文件为在线WAL日志，不能删除，删除后数据库大概率会故障，这位朋友删除了pg_wal目录10天前的WAL文件,数据库居然还活着，我表示非常吃惊。

既然数据库还活着，已提醒他做好数据库备份，以防万一。

关于WAL文件膨胀，我们的排查步骤如下:

1、首先排查数据库pg_log日志文件，没有发现有价值的信息。

2、查看数据库活动会话，排查是否有长事务和慢查询，没有发现长事务和慢查询。

3、查看数据库主机性能，CPU、内存使用率正常，数据库负载正常。

4、查看数据库归档情况，发现数据库归档正常，归档相关参数如下:

archive_mode = on    # enables archiving; off, on, or always
# (change requires restart)
archive_command = 'cp --backup %p  /log/archive_log/%f'    # command to use to archive a logfile segment

5、查看WAL相关参数设置，如下:

wal_keep_segments = 0  # in logfile segments; 0 disables
checkpoint_timeout = 5min    # range 30s-1d

发现 wal_keep_segments 没有设置，并且checkpoint_timeout设置过小。于是建议将wal_keep_segments调整为2048，checkpoint_timeout调整为30分钟。

这两个参数设置后只需执行 pg_ctl reload生效，不需要重启数据库，操作前做好数据库备份。

当晚重设了这两个参数并执行checkpoint操作，pg_wal目录下的wal文件依然没有下降，还在上涨。

6、由于部署了逻辑复制，查看复制槽情况，查询 pg_replication_slot 视图，如下:

发现有两个逻辑复制槽的active状态为f，并且active_pid为空，这位朋友怀疑与这两个复制槽有关，开始时我不确认是这个问题（事实证明我这个是很大的误判）。

当天晚上，朋友申请了维护窗口，删除了这两个复制槽，大概半小时后，发现pg_wal目录下的文件数降下来了，从原来的7万多下降到了3052个，果然是由这两个复制槽引起！

困扰了我俩几天的问题终于解决了，很是高兴，在这个故障的处理上我出现了很大的误判，逻辑复制的生产运维经验还需积累。

接下来计划在测试环境模拟这个故障现象，加深理解。

模拟WAL目录膨胀

为了演示方便，在笔记本上的两台虚机上演示，数据库版本为 PostgreSQL 13 Beta1，生产库版本为 PostgreSQL 11.2，尽管版本不同，但并不影响这个模拟测试。

思路如下:

1、部署一套逻辑复制环境，同时把源库的wal_keep_segments参数设置得足够低。

2、将目标库的订阅DISABLE。

3、对源库上的逻辑复制表进行压力测试，观察源库上pg_wal目录下的WAL文件是否会膨胀。

环境规划

环境规划，如下:

环境准备

源库创建测试表并插入测试数据，如下:

mydb=> CREATE TABLE user1 (userid int4, username character varying(32),regtime timestamp without time zone);
CREATE TABLE
​
mydb=> INSERT INTO user1 (userid,username,regtime) SELECT n, 'user' || n, now() FROM generate_series(1,10000000) n;
INSERT 0 10000000
​
mydb=> ALTER TABLE user1 ADD PRIMARY KEY(userid);
ALTER TABLE

源库设置wal_keep_segments参数值为4，如下:

mydb=> show wal_keep_segments ;
 wal_keep_segments
-------------------
 4
(1 row)

查看pg_wal目录下的WAL文件数量，如下:

[pg13@ydtf01 pg_wal]$ ls $PGDATA/pg_wal | wc -l
57

目标库上创建表结构，如下:

mydb=> CREATE TABLE user1 (userid int4, username character varying(32),regtime timestamp without time zone);
CREATE TABLE
​
mydb=> ALTER TABLE user1 ADD PRIMARY KEY(userid);
ALTER TABLE

源库上创建发布，如下:

mydb=> CREATE PUBLICATION pub_user1 FOR TABLE user1 ;
CREATE PUBLICATION

目标库上创建订阅，如下:

CREATE SUBSCRIPTION sub_user1 CONNECTION 'host=192.168.2.11 port=1922 dbname=mydb user=repuser' PUBLICATION pub_user1;

注意配置好源库的pg_hba.conf和.pgpass文件，否则创建订阅会报相关的连接不上错误，发现user1表数据已同步到目标库。

源库压力测试

对源库进行压力测试，并将目标库的sub_user1订阅DISABLE掉，看看是否能模拟源库WAL膨胀。

源库查询逻辑复制槽 sub_user1 的初始状态，如下:

postgres=# select *from pg_replication_slots WHERE slot_name='sub_user1';
-[ RECORD 1 ]-------+-----------
slot_name           | sub_user1
plugin              | pgoutput
slot_type           | logical
datoid              | 16386
database            | mydb
temporary           | f
active              | t
active_pid          | 84420
xmin                |
catalog_xmin        | 549020
restart_lsn         | 1/17E06270
confirmed_flush_lsn | 1/17E062A8
wal_status          | normal
min_safe_lsn        |

注意 active=t, active_pid=84420。

目标库上将 sub_user1 订阅DISABLE，如下:

mydb=# ALTER SUBSCRIPTION sub_user1 DISABLE;
ALTER SUBSCRIPTION

再次在源库上查询 pg_replication_slots 视图，验证下:

postgres=# select *from pg_replication_slots WHERE slot_name='sub_user1';
-[ RECORD 1 ]-------+-----------
slot_name           | sub_user1
plugin              | pgoutput
slot_type           | logical
datoid              | 16386
database            | mydb
temporary           | f
active              | f
active_pid          |
xmin                |
catalog_xmin        | 549020
restart_lsn         | 1/17E06270
confirmed_flush_lsn | 1/17E062A8
wal_status          | normal
min_safe_lsn        |

此时active=f,active_pid为空。

在源库上编写 tran1.sql 脚本，如下:

\set v_id random(1,10000000)
​
UPDATE user1 SET username='updated'||:v_id  WHERE userid=:v_id

执行pgbench压力测试前，查看pg_wal目录下的WAL文件数量，如下:

[pg13@ydtf01 pg_wal]$ ls $PGDATA/pg_wal | wc -l
57

在源库上进行 pgbench 压力测试，如下:

pgbench -n -Mprepared -c 4 -j 2 -T 120 -U pguser mydb -f tran1.sql > tran1.out 2>&1 &

源库监控 pg_wal目录WAL文件情况，如下:

[pg13@ydtf01 ~]$ ls $PGDATA/pg_wal| wc -l
57
[pg13@ydtf01 ~]$ ls $PGDATA/pg_wal| wc -l
57
[pg13@ydtf01 ~]$ ls $PGDATA/pg_wal| wc -l
69
[pg13@ydtf01 ~]$ ls $PGDATA/pg_wal| wc -l
69
[pg13@ydtf01 ~]$ ls $PGDATA/pg_wal| wc -l
73
[pg13@ydtf01 ~]$ ls $PGDATA/pg_wal| wc -l
80
[pg13@ydtf01 ~]$ ls $PGDATA/pg_wal| wc -l
81
[pg13@ydtf01 ~]$ ls $PGDATA/pg_wal| wc -l
86
[pg13@ydtf01 ~]$ ls $PGDATA/pg_wal| wc -l
88
[pg13@ydtf01 ~]$ ls $PGDATA/pg_wal| wc -l
91
[pg13@ydtf01 ~]$ ls $PGDATA/pg_wal| wc -l
91
[pg13@ydtf01 ~]$ ls $PGDATA/pg_wal| wc -l
95
[pg13@ydtf01 ~]$ ls $PGDATA/pg_wal| wc -l
96
[pg13@ydtf01 ~]$ ls $PGDATA/pg_wal| wc -l

pgbench执行过程中WAL文件一直在增长，pgbench停止后WAL文件不再增长，可以预见当目标库的订阅DISABLE掉后，若不干预，主库上的WAL文件将会一直增长下去。

以上成功模拟了故障现象。

应对措施

1 、生产库上如果启用了逻辑复制或复制槽，需监控源库的复制槽运行状态，可监控源库的 pg_replication_slots视图，若出现active=f的复制槽需人工介入。

2、监控生产库上 pg_wal目录的WAL文件增长情况，若短时间内增长较快，需人工介入，进行原因分析。

3、监控生产库上的长事务和慢查询，通过查询pg_stat_activity视图获取。

4、最重要的一条: 任何时候不要删除$PGDATA/pg_wal目录下的WAL日志文件。

阅读原文

https://postgres.fun/20200628070600.html