记一次troubleshooting（一）：奇慢的脚本

背景：

事情发生的时间是几年前，那时刚从windows server运维的部门调动过来，对linux和数据库还是处于一知半解的状态。

领导找过来说：前任遗留下来的问题你来调查一下，有个客户说他们的日次脚本跑的慢，以前都勉强在运行，现在快要突破允许时间的上限了。

我马上联系了客户，得知是一个mysql的脚本，测试机运行一个半小时左右，业务机却要运行2个半小时多，超过3个小时就会对业务产生影响了。

解决过程：

虽然当时技术方面不是很懂，但是凭大学时电脑城多年售后修电脑的经历，立马祭出了对比排查大法。

项目	业务机	测试机
硬件	4核16GB	2核4GB
脚本内容	SQL	SQL
数据库存放地点	NFS挂载盘	本地
架构	Heartbeat，AP/DB双机互为冗余	单机
Mysql配置文件	前任优化过了	默认配置
Mysql版本	5.5	5.6

1.硬件

看上去是业务机比测试机强很多，但要说服客户，得讲证据拿出数字来。

于是给两台机器上安装nmon，观察了2个脚本运行周期。

结论是测试机的硬件利用率很高，业务机即使在跑脚本的时候也只用了30%的CPU，50%左右的内存，硬盘IO也只在脚本块结束时才升高。硬件问题基本排除。

2.脚本内容

主要的内容是一条14000多字节的SQL文，直觉告诉我这条SQL文有优化的空间。

但是做过运维的同学都知道，运维—开发—客户这3方往往就是：出了问题客户找开发和运维，运维如果不拿出切实的证据证明是开发的问题开发是不会动的。而且这次开发有一条很好的理由："测试机脚本运行很快"。

作为测试，开启了mysql的slowquerylog，结果如下

业务机：Count: 1 Time=8947.41s

测试机：Count: 1 Time=3802.91s

虽然一条SQL文运行3800秒也不短，但是比业务机短多了，脚本就算没问题吧。

3.数据库存放地点

NFS因为是有校验机制的，速度肯定是比不过本地硬盘。但是根据nmon的磁盘IO数据，瓶颈肯定不是出在NFS上。但是客户一直在怀疑我们双击热备挂NFS的架构有问题，没办法只能测。

看了一下NFS的服务器，是台windowsstorage的服务器，有Iscsi的功能，于是先不管冗余，把NFS上的数据库文件备份后迁移到Iscsi挂载盘，脚本一跑，除了最后阶段IO有所上升外其他照旧，提升的时间以秒计算。

此路不通，回滚设置。

4.架构

上面说过架构也是客户吐槽点。这个测试简单，备份完数据库后进入crm >resource>move资源到同一台机器上。跑完脚本后问题照旧，客户终于认可了架构不是本次问题的原因。

5.Mysql配置

用MySQLTuner测了一下，配置说实话前任已经优化的差不多了，唯一剩下的一个有可能提升性能的就是innodb_file_per_table参数，试试看吧。

Mysqldump备份数据库，备份ibdata1，ib_logfile0，ib_logfile1文件后删除原文件。删除数据库，设置innodb_file_per_table参数，重启mysql，导入数据库。

一系列工作完成后，脚本一跑，老样子。

6.数据库版本

其实最开始看到数据库版本不一致的时候就想到升级数据库。但是由于工程比较麻烦，而且又没有直接的证据证明是数据库版本的问题，领导和客户都不愿意做。开发又一直觉得不是mysql的问题是硬件/架构/优化的问题。

但是所有怀疑的点都排除后，升级数据库就成了最后可能的手段，而且测试机的mysql5.6一直在运行，说明程序在mysql5.6上是没有问题的，怎样说服领导和客户就成了最大的问题。

于是去mysql官网，翻出了mysql5.6的release note，一页一页的看过去，终于发现了这样一段文字"Semi-Join最適化、FROM句のサブクエリの改善"（日语专精比英语等级高，所以看的日文文档），翻译过来就是"优化了Semi-Join，改善了From文中的子查询"。

马上去数据库测试，结果如下：

Mysql5.5带子查询

mysql> select count(*) from (select * from xxxxx limit 20000) a, (select * from xxxxx limit 20000) b where a.ITEM_CD=b.ITEM_CD;

+----------+    

     count(*)

+----------+    

    398624

+----------+    

1 row in set (2 min 38.51 sec)

Mysql5.6带子查询

mysql> select count(*) from (select * from xxxxx limit 20000) a, (select * from xxxxx limit 20000) b where a.ITEM_CD=b.ITEM_CD;    

+----------+    

     count(*)

+----------+    

    398624

+----------+    

1 row in set (1.43 sec)

Mysql5.5不带子查询

mysql> select count(*) from xxxxx;     

+----------+    

     count(*)

+----------+    

    2246654

+----------+    

1 row in set (1.15 sec)

Mysql5.6不带子查询

mysql> select count(*) from xxxxx;    

+----------+    

     count(*)

+----------+    

    2246654

+----------+    

1 row in set (1.32 sec)

可以看出，不带子查询的话明显硬件强的业务机（mysql5.5）要快，但是带子查询却是测试机（mysql5.6）要快几十倍，而我们可爱的日次脚本正是查询套子查询套子查询套子查询的结构。证据提出后，客户终于同意升级数据库。

于是跑到IDC，用clonezilla和Acronis启动盘做了两套离线整机备份。然后在休息室里远程备份数据库，打包原来的mysql程序文件扔到角落，源码安装mysql5.6，配置文件什么都已经提前写好，考贝进去开启mysql，导入数据库，跑脚本。

漫长的等待后，抽出slowquerylog一看

Count: 1 Time=1600.18s

终于解决了!业务机硬件发挥出了应该有的水平!虽然1600秒也很长，但这已经远远超出了客户的要求，而且不是运维能解决的事情了。

这个经历的教训和心得：

1. 技术是多样的，troubleshooting的方法是共通的
2. 永远不要奢望别的公司/部门能帮你扛下担子，可以信任的只有身边的同事和自己
3. 一个好的想法必须有数字和证据的支撑
4. 百度是个坑，找资料去谷歌