WPS Office 是一站式办公服务平台，全球范围内，每天有超过 5 亿个文件在 WPS Office 平台上被创建、编辑、和分享。本文分享了 WPS 在 TiDB 版本升级和双机房改造中的实践经验。
作者：曹鹏，WPS 云平台运维 Leader；肖尚武，WPS 云平台 DBA；庾俊，WPS 云文档研发。
背景
WPS 算是国内 TiDB 较早的一批用户，WPS 分享业务就是在 TiDB-v2.x 稳定运行了几年。直到 2020 远程办公爆发式增长，数据量巨大，为提高稳定性和性能，同时考虑到数据安全等方面因素，规避单机房故障导致的业务不可用风险，多机房建设及稳定性提升已然成为 WPS IT 建设中的重要指标。经过 TiDB 在近几年内的快速迭代，v2.x 已是很古老的版本，新版本的特性升级在建设双机房的过程中显得更加容易落地。
业务使用场景
在工作和生活中我们常需要传输各种各样的文件。普通的传输方式传输时间久低效，无权限控制不安全，而分享协作它会将文件以分享方式发送给他人，减少了因文件过大带来的传输时间。还可以设置好友编辑权限、有效期、自定义关闭文件的分享权限，大大提高了文件传输的安全性。WPS 分享业务在数据库结构上有个特殊的服务，它需要在单表上使用多个维度的索引，一个表需要分别通过多字段组合来查询，而且数据量巨大，目前单表最大规模约几十亿条数据。如果用传统的分库分表来设计，虽然也可以解决问题，但是会面临很多麻烦，比如代码逻辑复杂，数据冗余，数据不一致等问题，而使用 TiDB 分布式数据库就能轻松应对这些问题。
数据库对比选型的思考
TiDB 高度兼容 MySQL 协议，基本可以当成 MySQL 使用；天然的分布式存储与计算分离的架构的设计，让多副本保存数据无需考虑单点问题；同时能够动态在线扩容缩容，对应用透明不影响业务，操作也相对简单。除此之外，TiDB 官方社区活跃，文档很齐全，遇到问题时官方的响应也很及时。
环境现状
现有架构：
TiDB 版本：TiDB-v2.x
架构规模：7 台服务器，tikv 3 台高配[32C256G3TSSD]，montior 1 台低配 [8C64G500G] ，pd/db 3 台中配[32C128G3TSSD]
地区区域：IDC1 机房
双 IDC 架构：
TiDB 版本：TiDB-v4.x
架构规模：14 台服务器（7 台服务器，tikv 3 台高配[32C256G3TSSD]，montior 1 台低配[8C64G500G] ，pd/db 3 台中配[32C128G3TSSD]）*2
地区区域：IDC1（主） + IDC2（从）
硬件选型：
线上稳定运行一套数据库，硬件配置犹为重要。按官方推荐的配置，一套生产 TiDB 集群最低配置至少要 7 个节点[DB|PD 混部]，KV 存储设备官方建议使用 NVMe 协议的 SSD，不超过 2T，我们基于 QPS、数据量的增长及现有的资源，直接拉满配置，当 Region 过多产生热点问题也可在 KV 节点快速扩容，服务器、交换机均采用万兆网卡。
环境说明：
因为现有架构的 TiDB 版本是 2.x 版本 ，不支持 TiDB CDC 同步数据到另一个 IDC 集群，所以需要先升级版本；利用 TiDB 滚动开启 binlog，配置 Drainer 再增量同步到 TiDB-v4.x。
架构演变
同步架构：
1. TiDB-v2 开启 binlog，设置 gc-time 720h，Dumpling 全量备份;
2. Lightning 导入 TiDB-v4，配置 TiCDC 同步；
3. TiDB-v2 配置 Drainer 增量同步至 TiDB-v4;
双机房高可用架构：
1. 配置内部 DNS 域名指向 HAProxy 代理，两个 HAProxy 同时解析到 IDC1-TiDB 集群，当 IDC1 不可用，切至 IDC2-TiDB 集群；
2. 数据核验，包括定时核对，滚动核对；
3. 应用切换连接域名
实施步骤
流程简述：
1. TiDB-v2.x 滚动开启 binlog；
2. TiDB-v2.x 备份导出数据库，恢复到 IDC1-TiDB-v4.0 集群、IDC2-TiDB-v4.0 集群；配置 TiCDC，IDC1 增量同步数据到 IDC2-TiDB-v4.0 集群；
3. TiDB-v2.x 配置 Drainer 增量同步到 TiDB-v4.x；
4. 业务设置只读，检查数据一致性，指定时间核对表数据，sync-diff-inspector 滚动校验，停止 Drainer 同步，应用连接地址切换到域名："xxxx"；
5. 测试检验业务功能模块是否正常。
实施步骤：
- TiDB-v2.x 滚动开启 binlog
修改 tidb-ansible/inventory.ini 文件设置 enable_binlog = True，表示 TiDB 集群开启 binlog。
## binlog trigger
enable_binlog = True
## Binlog Part
[pump_servers]
pump1 ansible_host=ip1 deploy_dir=/disk/ssd/tidb/pump
pump2 ansible_host=ip2 deploy_dir=/disk/ssd/tidb/pump
pump3 ansible_host=ip3 deploy_dir=/disk/ssd/tidb/pump
部署 pump：
ansible-playbook deploy.yml --tags=pump -l ${pump1_ip},${pump2_ip},${pump3_ip}
启动 pump_servers：
ansible-playbook start.yml --tags=pump
更新并重启 TiDB_servers：
ansible-playbook rolling_update.yml --tags=tidb
更新监控信息 如果部署了 Drainer 监控无信息，需要再次更新监控信息：
ansible-playbook rolling_update_monitor.yml --tags=prometheus
查看 Pump 服务状态，登录到 TiDB 查看 ，结果 State 为 online 表示 Pump 启动成功。
show pump status;
- 备份导入
备份 TiDB 时限制内存的大小，并且指定导出的行数，防止 TiDB OOM：
./dumpling -h xxx.xxx.xxx.xxx -P 4000 -u root -pxxxxxx -r 200000 --tidb-mem-quota-query 536870912 -t 1 -F 128MB -B shared_link -o $bakdir
完成备份，以 local 模式分别导入 TiDB-v4.0 IDC1 IDC2 机房集群，修改 tidb-lightning.toml：
nohup /opt/tidb-toolkit-v4.x-linux-amd64/bin/tidb-lightning -config tidb-lightning.toml > nohup.out &
- TiDB-v2.x 配置 Drainer 增量同步到 TiDB-v4.x
initial_commit_ts 可以在导出目录中找到 metadata 文件，其中的 pos 字段值即全量备份的时间戳。
修改 tidb-ansible/inventory.ini 文件为 drainer_servers 主机组添加部署机器 IP：
[drainer_servers]
drainer_tidb ansible_host=ip1 initial_commit_ts="xxxx"
配置增量同步到下游 wq 集群 TiDB-v4.x：
cd /srv/tidb-ansible/conf
cp drainer.toml drainer_tidb_drainer.toml
detect-interval = 10
[syncer]
ignore-schemas = "INFORMATION_SCHEMA,PERFORMANCE_SCHEMA,mysql,test"
txn-batch = 20
worker-count = 16
disable-dispatch = false
safe-mode = false
db-type = "TiDB"
replicate-do-db = ["xxxx"] #只同步需要迁移的db
[syncer.to]
host = "xxx.xxx.xxx.xxx"
user = "root"
password = "xxxxxx"
port = 4000
部署 Drainer：
ansible-playbook deploy_drainer.yml
启动 Drainer：
ansible-playbook start_drainer.yml
更新监控信息,再次更新监控信息：
ansible-playbook rolling_update_monitor.yml --tags=prometheus
- 数据校验
数据同步配置好下一步就是核验数据的一致性，TiDB 不像 MySQL 可对比 binlog+pos 点确认数据一致性，对比两个 TiDB 集群的数据也没有太多的经验，开始我们采用比较原始的方法，写脚本对比表的数据量，业务空闲时定期去跑，指定 TSO 点去统计校验，也不好拿到一致性，从统计的数据看或多或少有些差异。后来换一种思路，TiDB 上游设置只读快速去核对，但翻了下官方文档没有找到；官网提供的 sync-diff-inspector 有些限制，不支持在线，滚动只支持表 range，具体参考：https://docs.pingcap.com/zh/tidb/stable/sync-diff-inspector-overview
切换的时候我们研发开发了应用可设置只读的方式，采用了核心表的范围校验 sync-diff-inspector + 脚本统计数据核对，这套组合下来没有问题，我们认为数据是一致性的。
TiDB-CDC 双机房实践
配置 CDC 同步
TiCDC 是一款通过拉取 TiKV 变更日志实现的 TiDB 增量数据同步工具，具有将数据还原到与上游任意 TSO 一致状态的能力，这边主要用于 IDC1-TiDB 集群实时同步数据至 IDC2-TiDB 集群：
tiup ctl cdc changefeed create --pd=http://ip1:2379 --sink-uri="TiDB://root:xxxxx@xxx.xxx.xxx.xxx:4000/?worker-count=16&max-txn-row=20000" --changefeed-id="simple-replication-task" #创建同步
tiup ctl cdc changefeed list --pd=http://ip1:2379 #查看同步ID
tiup ctl cdc changefeed query -s --pd=http://ip1:2379 --changefeed-id=simple-replication-task #查看同步状态
tiup ctl cdc changefeed query --pd=http://ip1:2379 --changefeed-id=simple-replication-task #查看详细配置
TiDB-CDC 测试场景
TiDB 4.0 开启 CDC 同步后，压测脚本持续写入数据到主节点
- cdc 重启
- 反复 kill cdc 进程
- 脚本持续写入更新 停 cdc 进程一小时，
- 重启 tidb follower
- tidb follower 停机一小时
- 重启 tidb master
- iptable 断网
结论：TiCDC 无大事务，数据同步的延迟基本在秒级别，同步结束后检查数据一致性。
HAProxy 代理
部署配置参考官方文档：https://pingcap.com/zh/blog/best-practice-haproxy。
下面简述下 HAProxy 冷切、热切的方式：
冷切：冷切换代理至 IDC2 机房 TiDB 集群，修改配置直接重启 HAProxy
unlink haproxy.cfg
ln -s hw-haproxy.cfg haproxy.cfg
重启 HAProxy
systemctl stop haproxy.service
systemctl start haproxy.service
热切：修改好配置文件先重启 IDC2 的 HAPoxry 热加载配置文件
1. 修改 HAProxy 的代理端口
2. 重启 IDC2 的 HAProxy 生效 pkill haproxy
haproxy -f /etc/haproxy/haproxy.cfg -p /var/run/haproxy.pid -sf $(cat /var/run/haproxy.pid)
3. 在 IDC1 节点 pkill haproxy ，修改配置文件一致性，再启动
总结
遇到的问题：
1. 导出大规模数据时的注意配置 TiDB GC，Dumpling 备份大表 TiDB OOM
处理方式：备份前设置 GC 时间：
update mysql.tidb set VARIABLE_VALUE = '720h' where VARIABLE_NAME = 'tikv_gc_life_time';
导入后同步数据追上，再修改回默认的 10m
Dumpling 导出大表强烈建议设置-r xxx -f xxx参数否则 TiDB OOM 的概率很高；参考：https://docs.pingcap.com/zh/tidb/stable/dumpling-overview/
Dumpling 设置 -r xxx -f xxx 参数 导出 MySQL 联合主键 [int,varchar] 类型大表很慢，长时间无法完成导出；反馈官方 PingCAP 老师，目前已经解决参考 PR：https://github.com/pingcap/tidb/issues/29386
2. TiDB-v2.x 开启 binlog，gc 导致磁盘空间占满，pump 卡住导致 TiDB 挂死
处理方式：binlog 配置 GC 时间，重启 TiDB 生效，不配置默认保留 7 天；开启，关闭 binlog 建议参考：https://asktug.com/t/topic/33170
3. DM 迁移 MySQL 表排序规则问题，MySQL 建表时没有显示指定 COLLATE=utf8_general_ci，因 MySQL 默认 Collation: utf8mb4_general_ci，TiDB 默认的 utf8mb4_bin，DM 也没有找到可设置下游的排序规则参数；这边业务也需保持排序规则一致。目前是这样处理的：在初始化 TiDB 集群先配置 new_collations_enabled_on_first_bootstrap 改为 true，然后在 TiDB 显示指定 COLLATE=utf8_general_ci 建表进行迁移；
其它小问题：
TiCDC 同步数据大事务容易夯住，处理方式：避免大事务操作，拆分小事务，批量导入数据等；
强烈建议不使用 MySQL 保留关键字，历史原因业务在 TiDB-v2.x 使用了 MySQL 保留关键字没报错，在升级到 TiDB-v4.x 时报错，建议规范还是得严格执行，否则出问题排查修复也需要时间；
TiDB 升级及双机房落地收益
按照线上业务监控的 QPS，相同的配置业务访问延时更低，在数据量不断增加性能不减，为分享业务提供高性能的服务。
新版本的 Dashboard 提供的图形化界面，可用于监控及诊断 TiDB 集群，快速定位 SQL 语句性能缓慢及发生性能抖动的原因。
最大收益还是双机房高可用，在成本允许的情况下，TiCDC 实现主机房向备机房同步数据，延迟小维护简单，在验收环节模拟机房灾难性断网演练，可快速切到备用机房，真正实现机房级别容灾。
感谢
WPS 分享业务得以顺利升级 TiDB-v4 版本、数据迁移、双机房落地实施，感谢 PingCAP 工程师们的帮助和支持，及时地响应解决我们测试过程中所遇到的问题，让 TiDB 在 WPS 业务组推广更顺畅，有更多的业务使用场景。