你好，我是悟空。

本文主要內容如下：

目錄

一、現象

最近項目的測試環境遇到一個主備同步的問題：

備庫的同步線程停止了，無法同步主庫的數據更改。

備庫報錯如下：

從庫同步報錯信息

完整的錯誤信息：

Relay log read failure: Could not parse relay log event entry. The possible reasons are: the master's binary log is corrupted (you can check this by running 'mysqlbinlog' on the binary log), the slave's relay log is corrupted (you can check this by running 'mysqlbinlog' on the relay log), a network problem, or a bug in the master's or slave's MySQL code. If you want to check the master's binary log or slave's relay log, you will be able to know their names by issuing 'SHOW SLAVE STATUS' on this slave.

上面的報錯信息是什么意思呢？

翻譯一下就是主庫的 binlog 或者從庫的 relay log 損壞了，造成這個問題的原因：

• 可能是網絡問題。
• 也可能是主庫或備庫的代碼 bug。

首先我們還是得復習下主從同步的原理才能更好地分析原因。

二、主從同步的原理

主從同步的原理

• 從庫會生成兩個線程，一個 I/O 線程，名字叫做 Slave_IO_Running，另外一個是 SQL 線程，名字叫做 Slave_SQL_Running;
• 從庫的 I/O 線程會去請求主庫的 binlog 日志文件，并將得到的 binlog 日志文件寫到本地的 relay log (中繼日志)文件中;
• 主庫會生成一個 dump 線程，用來給從庫 I/O 線程傳 binlog;
• 從庫 SQL 線程，會讀取 relay log 文件中的日志，并解析成 SQL 語句逐一執行。

三、排查思路

3.1 分析從庫的同步狀態

我們可以打印下從庫的同步狀態，看到如下幾個關鍵信息：

分析從庫的同步狀態

Master_Log_File: mysql-bin.000956，代表從庫讀到的主庫的 binlog file，

Read_Master_Log_Pos: 528071913，代表從庫讀到的主庫的 binlog file 的日志偏移量

Relay_Log_File: relay-bin.000094，代表從庫執行到了哪一個 relay log

Relay_Log_Pos: 123408769，代表從庫執行的 relay log file 的日志偏移量

Relay_Master_Log_File: mysql-bin.000955，代表從庫已經重放到了主庫的哪個 binlog file。

Exec_Master_Log_Pos: 123408556，代表從庫已經重放到了主庫 binlog file 的偏移量。

Slave_IO_Running: Yes，說明 I/O 線程正在運行，可以正常獲取 binlog 并生成 relay log。

Slave_SQL_Running: No，說明 SQL 線程已經停止運行，不能正常解析 relay log，也就不能執行主庫上已經執行的命令。

Master_Log_File? 和 Read_Master_Log_Pos 這兩個參數合起來表示的是讀到的主庫的最新位點。

Relay_Master_Log_File? 和 Exec_Master_Log_Pos，這兩個參數合起來表示的是從庫執行的最新位點。

如果紅色框起來的兩個參數：Master_Log_File? 和 Relay_Master_Log_File 相等，則說明從庫讀到的最新文件和主庫上生成的文件相同，這里前者是 mysql-bin.000956，后者是 mysql-bin.000955，說明兩者不相同，存在主從不同步。

如果藍色框起來的兩個參數 Read_Master_Log_Pos? 和 Exec_Master_Log_Pos 相等，則說明從庫讀到的日志文件的位置和從庫上執行日志文件的位置相同，這里不相等，說明主從不同步。

當上面兩組參數都相等時，則說明主從同步正常，且沒有延遲。只要有任意一組不相等，則說明主從不同步，可能是從庫停止同步了，或者從庫存在同步延遲。由于上面的 SQL 線程已經停止了，說明是從庫同步出現問題了。

從庫同步出現的問題在最開始的報錯信息里面已經提到了，可能是網絡問題導致，還有可能是 binlog 或 relay log 損壞。

3.2 重啟萬能大法

先通過重啟來恢復從庫的 SQL 線程試試看？重啟方式就是兩種：

• 方式一：從庫重新開啟同步。就是執行 stop slave; 和 start slave; 命令。
• 方式二：重啟從庫實例。就是重啟 mysql 實例或 mysql 容器。

這兩種方式試了后，都不能恢復從庫的 SQL 線程。

3.3 查看 binlog

再來看下 binlog 是否有損壞，在主庫上通過這個命令打開 mysql-bin.000955 文件。

mysqlbinlog /var/lib/mysql/log/mysql-bin.000955

沒有報錯信息，如下圖所示：

binlog 日志

3.4 查看 relay log

看到從庫同步的 Relay_Log_File 到 relay-bin.00094 就停止同步了，如下圖所示，可能是這個文件損壞了。

relay log 日志

在從庫上通過 mysqlbinlog 命令打開這個文件

mysqlbinlog /var/lib/mysql/log/relay-bin.000094

可以看到有個報錯信息：

ERROR: Error in Log_event::read_log_event(): 'read error', data_len: 7644, event_type: 31
ERROR: Could not read entry at offset 243899899: Error in log format or read error.

這段文字翻譯過來就是讀取錯誤，數據長度 7644，在讀取偏移量為 243899899 的日志時發生了錯誤，可能是日志文件格式錯誤或是讀取文件錯誤。

relay log 報錯信息

3.5 找原因

3.5.1 猜測事務日志太大

根據這個報錯信息可以知道這個事務日志數據太長了，data_len: 7644，而導致讀取錯誤。

而且上面還有很多 Update_rows 的操作。

猜測：會不會是主庫執行了一個大事務，造成該事務生成的一條 binlog 日志太大了，從庫生成的對應的一條 relay log 日志也很大， SQL 線程去解析這條 relay log 日志解析報錯。

3.5.2 驗證

到主庫上查看下 binlog 日志里面有沒有在那個時間點做特殊操作。

感覺快找到原因了。執行以下命令來查看

mysqlbinlog File --stop-datetime=T --start-datetime=T

stop-datetime 指定為讀取 relay log 報錯的時刻 2023-04-04 16:47:16，

start-datetime 指定為讀取 relay log 報錯的時刻 2023-04-04 16:47:30。

發現并沒有找到 Update_rows 的操作。繼續把時間往后加一點，經過多次嘗試，把時間鎖定在了 2023-04-04 17:00:30~17:00:31。這 1s 內能找到 2023-04-04 16:47:16 的操作日志。

日志如下，這個命令會打印 N 多日志，直接把屏幕打滿了！！

難道真的 binlog 對應的這條事務日志太大了嗎？？？

存疑： 2023-04-04 16:47:16 時刻對數據庫中的表做了某個大事務的操作，造成該事務對應的這條 binlog 日志很大很大。生成的 relay log 也很大，SQL 線程解析 relay log 報錯。

3.6 這是真相嗎？

問了下熟悉這張表的同事，有沒有在這個時刻做什么大事務操作。

同事看了下代碼，發現有個批量插入的操作，一次執行 400 條，難道是 400 條太多了？？？這不應該是真正的原因，400 條也不多。

不經意間問了下這張表的數據量有多大，該同事在 4月4號 16:45:25 做了一個手動備份 xx_dance 表的操作，這張表有 25 萬條數據。

備份表 xx_dance_0404 的信息

這個備份操作是在一個事務里面執行的，生成的一條 binlog 日志很大。

這里只是一個猜測，還未得到驗證，文末會說明真正的原因。

如果真的是這樣，那我可以先恢復從庫的同步，備份表的操作在從庫上其實不需要。

3.7 GTID

不知道細心的你是否有發現上面的 binlog 里面有一個GTID，

'c5d74746-d7ec-11ec-bf8f-0242ac110002:8634832

binlog 中  GTID

記住 GTID 中的數字 8634832，后面恢復從庫同步時要用到。

我們再來看下從庫的狀態，發現也有一個 GTID，如下圖所示，值為 8634831，正好相差 1，感覺這兩個 GTID 值之間有不可告人的秘密。

從庫的狀態，GTID 集合

那么從庫 SQL 線程停止運行的原因就是卡在 8634832 這里了，我們可否跳過這個 GTID 呢？這里就需要了解 GTID 的原理了。

你可能對 GTID 的原理很感興趣，可以查看之前悟空寫的一篇文章：

MySQL 主從模式采用 GTID 的實踐

四、GTID 同步方式的原理

這里還是把主從同步采用 GTID 方式的流程拿出來看下，幫助大家快速回顧下，熟悉的同學可以跳過本節內容。

GTID 方案：主庫計算主庫 GTID 集合和從庫 GTID 的集合的差集，然后主庫推送差集 binlog 給從庫。

當從庫設置完同步參數后，假定主庫 A 的GTID 集合記為集合 x，從庫 B 的 GTID 集合記為 y。

從庫同步的邏輯如下：

GTID 同步方式的原理

• 從庫 B 指定主庫 A，基于主備協議簡歷連接。
• 從庫 B 把集合 y 發給主庫 A。
• 主庫 A 計算出集合 x 和集合 y 的差集，也就是集合 x 中存在，集合 y 中不存在的 GTID 集合。比如集合 x 是 1~100，集合 y 是 1~90，那么這個差集就是 91~100。這里會判斷集合 x 是不是包含有集合 y 的所有 GTID，如果不是則說明主庫 A 刪除了從庫 B 需要的 binlog，主庫 A 直接返回錯誤。
• 主庫 A 從自己的 binlog 文件里面，找到第一個不在集合 y 中的事務 GTID，也就是找到了 91。
• 主庫 A 從 GTID = 91 的事務開始，往后讀 binlog 文件，按順序取 binlog，然后發給 B。
• 從庫 B 的 I/O 線程讀取 binlog 文件生成 relay log，SQL 線程解析 relay log，然后執行 SQL 語句。

GTID 同步方案和位點同步的方案區別是：

• 位點同步方案是通過人工在從庫上指定哪個位點，主庫就發哪個位點，不做日志的完整性判斷。
• 而 GTID 方案是通過主庫來自動計算位點的，不需要人工去設置位點，對運維人員友好。

五、恢復從庫的同步

5.1 查看從庫執行 GTID 的進度

在從庫上執行 show slave status \G來查看 GTID 集合。

Retrieved_Gtid_Set 表示從庫收到的所有日志的 GTID 集合。

Executed_Gtid_Set 表示從庫已經執行完成的 GTID 集合。

如果 Executed_Gtid_Set 集合是包含 Retrieved_Gtid_Set，則表示從庫接收到的日志已經同步完成。

這里 Executed_Gtid_Set 的集合為 1-8634831，而 Retrieved_Gtid_Set 為 1-9101426，說明從庫有些 GTID 是沒有執行的。從庫已經執行到了 8634831，下一個要執行的 GTID 為 8634832。

因為我們采用的同步方式是 GTID 方式，所以只要讓從庫跳過這個 GTID ，從下一個 GTID 開始同步就行。

帶來的問題就是這個 GTID 對應的事務沒有執行。因為報錯的操作是從庫備份一張大表，所以從庫跳過這個備份操作也是可以接受的。

5.2 手動設置 GTID

來，手動設置一把 GTID 試下。

5.2.1 重置從庫進度

首先重置下從庫同步的進度 reset slave，這條命令會把所有的 relog 給清理掉，重新啟用一個新的 relay log文件。

stop slave;
reset slave;

重新開啟同步后，主庫會計算主庫 GTID 集合和從庫 GTID 的集合的差集，然后主庫推送差集 binlog 給從庫。

5.2.1 設置 GTID 為一個值

執行以下命令設置 GTID 為下一個值。

set gtid_next='c5d74746-d7ec-11ec-bf8f-0242ac110002:8634832';
begin;
commit;
set gtid_next=automatic;
start slave;

gtid_next 表示設置下一個 GTID = 8634832，這個值是在原來的 8634831 加 1。后面的 begin 和 commit 是提交了一個空事務，把這個 GTID 加到從庫的 GTID 集合中。那么從庫的 GTID 集合就變成了

'c5d74746-d7ec-11ec-bf8f-0242ac110002:1-8634832';

5.2.2 查看當前 GTID 集合

我們可以通過 show master status\G 命令來查看從庫的 GTID 集合。下方截圖是執行上述命令之前的。GTID集合為 1-8634831。另外 GTID 集合 為 1 和 GTID 集合為 1-4 的可以忽略，因為它們前面的 Master_UUID 不是當前主庫的 uuid。

show master status\G 的結果

也可以通過 show slave status\G 命令來查看 GTID 集合，結果也是一樣的。

5.3 開啟從庫同步

再次啟動從庫的同步（start slave 命令)，I/O 線程和 SQL 線程的狀態都為 YES，說明啟動成功了。

而且查看從庫的同步狀態時，觀察到從庫的同步是存在延遲的。通過觀察這個字段 Seconds_Behind_Master 在不斷減小，說明主從同步的延遲越來越小了。

兩個線程都是正常運行，主從同步延遲越來越小

過一段時間后，執行的 GTID 等于收到的 GTID 集合，Seconds_Behind_Master = 0，說明主從完全同步了。

六、原因

上面的推測：備份大表造成 binlog 的一條日志太大，relay log 也跟著變大，SQL 線程無法正常解析。

但這是真相嗎？

雖然從庫重新開啟了同步，且跳過了這條日志，但帶來的是從庫上就不會出現這個備用表 xx_dance_0404 。

但出現了兩個奇怪的問題：

問題 1：從庫開啟同步后，居然出現了這個備份表 xx_dance_0404。不是跳過這個備份操作了嗎？目前沒想到原因。

問題 2：為了重現這個問題，我到主庫上做了一個備份表的操作，表名為 xx_dance_0412，從庫也同步了這個新的備份表 xx_dance_0412。而且 binlog 出現的日志現象也是一樣的，對應的這條 binlog 日志也很大，但是從庫同步正常。我又備份了一張 300 萬的大表，依然沒重現。

通過問題 2 可以說明上面的推測是錯誤的，備份大表并不會影響主從同步。

那么 relay log 報錯的原因是什么？

只有一個原因了，relay log 文件真的是損壞的，從庫的狀態上也說明了原因，relay log is corrupted（損壞）。SQL 線程去解析 relay log 時報錯了，導致 SQL 線程停止，從庫不能正常執行同步。

小結：relay log 損壞了，導致從庫的 SQL 線程解析 relay log 時出現異常。從庫恢復方式是通過手動設置當時出錯的 GTID 的下一個值，讓從庫不從主庫同步這個 GTID，最后從庫就能正常同步這個 GTID 之后的 binlog 了，后續 SQL 線程也能正常解析 relay log 了。

關于我

InfoQ 簽約作者、藍橋簽約作者、阿里云專家博主、51CTO 紅人。