日均万条数据丢失，一个隐式骚操作导致的奇葩事故！

数据库环境，如下图：

问题描述

某天，主库10.0.0.1的CPU使用率突然升高，均值达到80%+，导致Keepalived的VIP漂移至从库10.0.0.2。理论上丢失的是切换过程中的几秒钟数据，业务侧对丢失的这几秒数据表示没关系，那么这个事件到此应该就结束了。

然而当天晚上，业务打电话过来说：丢失了部分用户信息，导致用户登入不了，要求帮忙恢复数据并查找数据丢失的原因。本文对数据恢复这块就不具体展开了，稍微提一下，这边因为新主10.0.0.2已经有数据写入，只能对比用户表数据把新主少的数据导入进去。

初步排查

对于主从复制丢失数据，解决方法没有捷径，只能老老实实地跟踪数据复制过程，查看是哪里出了问题。

选择丢失数据中时间比较近的，时间为2017-06-09 13:36:01，ID为849791这条数据，来跟踪整个复制过程，因为日志只保留14天的。

分析主库binlog日志，binlog日志中是有这条记录的。

分析从库日志：因为数据库配置了relay_log_purge与log-slave-updates，所以中继日志已经找不到这个时间点了，只能查看从库binlog日志。然而在从库的binlog日志中并未找到这条记录，说明这条数据是未执行，排除后期人为删除的，那么数据为何不被执行呢？或者说数据是在执行过程中丢失的？

数据分析

无可用的中继日志怎么办？难道没办法查了？于是我决定观察和对比一下丢失的数据，看看其中是否含有什么规律，是不定时丢失数据，还是会在某些特定时刻丢失数据。

整理了一下某表丢失的数据，通过观察、分析丢失数据的属性（下图是我截取的部分列，最后一列的时间是创建时间，也就是写表时间）：

从图中可以看出，丢失的数据的插表时间都是在每分钟的前两秒。这不由地让人思考，为何丢失的数据是每分钟前2秒的呢？而且数据丢失的时间间隔也不是很长，基本隔几天就肯定有数据丢失。经过这样分析，事情似乎就变得简单了。

深入调查

首先，关闭log-slave-updates、relay_log_purge等一切影响判断的额外参数设置，等待一段时间后，再来对比某表新数据丢失情况。

可以看到又有新数据丢失，根据这些丢失数据再来排查问题。

首先先查主库，查看主库的binlog日志状体信息状态。

就以2017-6-17 15:17:02最新丢失的这条数据来跟踪，查看主库10.0.0.2上的binlog日志中是否存在这条数据：

结果显示主库是存在这条数据的。

在登入从库查看relay-log日志情况，发现relay-log日志生成太频繁，每分钟生成1个relay-log日志，而且有些文件大小又不一致。那么这套主从集群，业务肯定部署过分割relay-log日志的脚本，而且应该是flush来强制刷新的。如图：

我们先来看从库relay-log日志中是否存在这条数据，查找17分生成的relay日志，提取前两秒能匹配的插入情况。

发现并没有这条insert操作，难道数据未写入relay日志，刷新日志时导致事务丢失？ 把查询时间拉长至50秒。

发现也没有这条数据，并且数据跟前面两秒的一致，那么其它数据呢？会不会在下一个日志中？赶紧去18分生成的relay日志查看，发现这条数据在15:18分这个relay日志中的第一个事务的位置。

那么是没有执行，还是执行过程丢失？仔细观察主库binlog与从relay-log日志的记录，也没能看出什么名堂，从事务开始到commit，都一样。

问题定位

如果一条数据无法比较，那就再随机拿出几条丢失的数据来跟踪。发现情况都一样，数据都已经复制到relay日志中，而且内容根本看不出为何不能执行。

唯一有疑点的是这些事务都在日志的第一个事务中。顿时，我有种想法，会不会强制刷新relay日志，造成日志的第一个事务有时不执行，或执行过程中丢失？如果是脚本引起的，那么除去这些事务未执行外，肯定还有其它事务也未执行。

那么，我就随机选择几个relay-log日志，找到第一个事务。

具体分析如下：

再登入从库查询结果：

可以看出从库数据并未更新。

随后，随机分析了几个relay日志，发现第一个事务都未被执行。而且操作的表都是有不同的，操作也是有不同，有insert、update等等。顿时感觉，事情大条了。如果每个日志的第一个事务都未执行，那么从库要缺少多少条数据？不敢想象，现在业务还在上升期，不久业务量会是现在的几倍，甚至更多，到那时就不是用户投诉那么简单了。

又抓取了部分relay日志情况，第一个事务也都未被执行。我可以肯定了，是所有relay日志的第一个事务都未被执行。

这个问题也可以是由于分割relay日志的脚本造成的。一般强制刷新日志是用flush命令来操作的，flush命令一般不会造成数据丢失，当然像他们这样频繁的操作，我是不知道会不会造成Bug，导致丢数据。还有在flush relay logs的时候有没有用到其他的什么操作呢？

我决定抓一把数据库中操作过的命令。

抓取命令，问题解决

想到就做，登上从库主机、登入数据库，开启general_log日志。

坐等5分钟，打开日志，寻找每分钟前几秒的记录。

哇！

哇！

哇！

你们猜我看到了什么？ 我从未见过如此骚的操作！

上图，以表我的震惊。

为什么要跳过事务？你用stop slave与Start slave来刷新relay日志，已经刷新了我的三观，那，有必要跳过事务？这就解释得通了，为何relay日志第一个事务全都丢失。

至此！问题已经清晰，是由于开发设置的分割relay日志的脚本，使用了非常规命令及sql_slave_skip_counter跳过事务命令来分隔relay-log日志，导致事务大量丢失。

所以，创新是好事，但要打好基本功，别搞些骚操作。

文章来自微信公众号：DBAplus社群