Greenplum数据库故障分析——版本升级后gpstart -a为何返回失败

案例背景

现场项目进行Greenplum数据库小版本升级时，升级脚本报错，提示数据库启动失败。但是我们从跳板机进入数据库节点使用gpstart交互模式启动集群时，集群是能够启动的，standby master是不可用的。什么原因造成了使用gpstart -a启动失败，使用gpstart启动就能成功呢？作为团队入职两年的小开发一枚，秉承通过故障分析才能快速切入学习数据库路径的原则，接下了这个活，难免需要加个班处理一下。

分析过程

首先我们发现gpstart和gpstart -a除了交互外，会尝试对standby master进行启动，如果不能启动则跳过。我们的排除方向也应该是这边，首先复现场景后，使用gpstart -m只拉起master节点，utility模式登陆进master节点，执行select * from gp_segment_configuration where content = -1;查找master和standby master对应的记录。这里发现standby master在系统表中标记为正常，但是我们在standby master节点的gpseg-1目录下发现其数据文件并不是很全，比如就没有postgresql.conf。因此判定肯定是gpinitstandby脚本运行出错，查看日志如下所示：

gpinitstandby:xxx:gpadmin-[ERROR]:-Error initializing standby master: Standby master not configured
gpinitstandby:xxx:gpadmin-[ERROR]:-Request mode to remove warm master standby, but no standby located.
gpinitstandby:xxx:gpadmin-[ERROR]:-Error removing standby master: no standby configured
gpinitstandby:xxx:gpadmin-[INFO]:-Validating environment and parameters for standby initialization...
gpinitstandby:xxx:gpadmin-[INFO]:-------------------------------------------
gpinitstandby:xxx:gpadmin-[INFO]:Greenplum standby master initialization parameters
gpinitstandby:xxx:gpadmin-[INFO]:-------------------------------------------
gpinitstandby:xxx:gpadmin-[INFO]:-Greenplum master hostname					= xxx
gpinitstandby:xxx:gpadmin-[INFO]:-Greenplum master data directory			= /home/gpadmin/data/master/default/gpseg-1
gpinitstandby:xxx:gpadmin-[INFO]:-Greenplum master port						= 5432
gpinitstandby:xxx:gpadmin-[INFO]:-Greenplum standby master hostname			= xxx
gpinitstandby:xxx:gpadmin-[INFO]:-Greenplum standby master port				= 5432
gpinitstandby:xxx:gpadmin-[INFO]:-Greenplum standby master data directory	= /home/gpadmin/data/master/default/gpseg-1
gpinitstandby:xxx:gpadmin-[INFO]:-Greenplum update system catalog			= On
gpinitstandby:xxx:gpadmin-[INFO]:-Syncing Greenplum Database extensions to standby
gpinitstandby:xxx:gpadmin-[INFO]:-The packages on xxx are consistent
gpinitstandby:xxx:gpadmin-[INFO]:-Adding standby master to catalog...
gpinitstandby:xxx:gpadmin-[INFO]:-Database catalog updated successfully.
gpinitstandby:xxx:gpadmin-[INFO]:-Updating pg_hba.conf file...
gpinitstandby:xxx:gpadmin-[INFO]:-pg_hba.conf files updated successfully.
gpinitstandby:xxx:gpadmin-[ERROR]:-Failed to copy data directory from master to standby.
gpinitstandby:xxx:gpadmin-[ERROR]:-Failed to create standby
gpinitstandby:xxx:gpadmin-[WARNING]-Trying to rollback changes that have been made...
gpinitstandby:xxx:gpadmin-[INFO]:-Rolling back catalog change...
gpinitstandby:xxx:gpadmin-[ERROR]:-Failed to remove standby from master catalog.
gpinitstandby:xxx:gpadmin-[INFO]:-Restoring pg_hba.conf file...
gpinitstandby:xxx:gpadmin-[INFO]:-Cleaning up pg_hba.conf backup files...
gpinitstandby:xxx:gpadmin-[INFO]:-Backup files of pg_hba.conf cleaned up successfully.

从上面日志可以看出在升级前HA组件在修复standby master，gpinitstandby运行到从master数据目录拷贝数据到standby master时，升级脚本关闭了greenplum集群，导致的失败。由于greenplum集群关闭了，回滚gp_segment_configuration中的standby记录失败。因此使用gpstart -a启动时，脚本认为standby master是正常的，就尝试去启动，当然会失败啦。

产生原因

在升级前HA组件在修复standby master，gpinitstandby运行到从master数据目录拷贝数据到standby master时，升级脚本关闭了greenplum集群，导致的失败。由于greenplum集群关闭了，回滚gp_segment_configuration中的standby记录失败。

解决方案

考虑三种方案：

1. gpstart -am启动master节点；执行PGOPTIONS="-c gp_session_role=utility" psql -d postgres -c "select gp_remove_master_standby()"；执行gpstop -ar
2. gpstart -am启动master节点；执行PGOPTIONS="-c gp_session_role=utility" psql -d postgres -c "set allow_system_table_modes=true; update gp_segment_configuration set status = 'd' where content = -1 an role = 'm'; "；执行gpstop -ar
3. gpstart -aS。加上大写的S参数会直接跳过standby master启动
   采用第3中方案，升级后由HA来处理standby master的修复启动问题。