一、背景

同事发来一个图片，说是日志显示，一个服务推送数据到opentsdb得到了http 500返回码。
经过排查，确实如此，而且还不少。

二、现象

排查现象，有波动，怀疑是跟并发量有关系。

但是，查询昨日正常与异常数据，前者2万左右，后者几百。不像是并发量问题。

三、猜测

（1）内存问题

之前CDH集群报内存不足，赶紧进行了内存扩容。
但是，问题依旧。

四、定位

研发仔细分析日志，并通过本地调试opentsdb接口，发现是某一个id出现了问题。遇到了opentsdb的三字节问题。

• 什么是三字节问题
  其实“三字节问题”是 OpenTSDB 中一个具体的实现细节。在 OpenTSDB 中，每一个唯一的时间序列都会有一个与之对应的 ID，这个 ID 是由一个特定的编码算法生成的，长度为 3 字节。因此，对于每一个唯一的度量/标签组合，OpenTSDB 只能生成最多 2^24（即约 1677 万）个不同的 ID。如果你的时间序列数量超过了这个上限，OpenTSDB 就无法再生成新的 ID，你将无法添加新的时间序列。 换句话说，OpenTSDB 的“三字节问题”指的是对每一个度量/标签的组合，OpenTSDB 只能处理最多约 1677 万个唯一的时间序列。这是一个极端的情况，一般不会出现。然而，对于一些大规模、长期的数据收集任务，可能会达到这个上限。 如果你遇到了这个问题，如我前面提到的，你可能需要清理一部分数据，或者调整你的数据存储策略和时间序列设计。在不改动 OpenTSDB 代码的情况下，这些可能是目前解决这个问题的可行方案。如果有更多疑问，可以继续提问。
• 如果删除了三年前的数据，那么ID会有么？

删除数据并不会直接释放其对应的时间序列 ID，因为 ID 一旦生成会被保留，以保证时间序列的唯一性。即使对应的数据点被删除，但在 OpenTSDB 中，这个 ID 依然会被保留，因此删除数据并不能解决时间序列 ID 耗尽的问题。 在 OpenTSDB 的设计中，没有直接的办法来重新生成或复用已使用过的时间序列 ID。这是为了保证每一个时间序列的唯一性和一致性。因此，“三字节问题”实际上是 OpenTSDB 的一个设计限制。 如果你遇到了这个问题，可能需要考虑采用其他策略进行优化，比如重新考虑和设计你的标签和度量的组织方式；或者利用 OpenTSDB 提供的数据预处理功能，将某些数据进行整合，从而减少时间序列的数量。 这是一个复杂的问题，需要根据你具体的应用场景和需求来进行解决。如果有更多的疑问或需要更深入的讨论，请随时提问。

五、解决（2024年4月19日）

当时间来到4月中旬，客户着急使用，可是已经没有了uid分配。

（1）测试环境测试

• 查看当前\x00的tagv的值

  hbase shell
  scan 'tsdb-uid', {LIMIT => 3, REVERSED => false}
  

• 删除\x00的tagv
  \x00的tagv消失

  deleteall 'tsdb-uid',"\x00",'id:tagv'
  scan 'tsdb-uid', {LIMIT => 3, REVERSED => false}

• 新建一个tagv用于打数据。出现了\x00的tagv

但是写入数据错误 （should never happen！！！）。估计是新数据需要新增tagv uid的时候，当前tsdb-uid表中tagv uid已经分配了出去。所以本次分配失败，返回给客户端500。
下次客户端继续发送put请求，继续请求分配tagv，tsdb继续将tagv的uid增长+1。

• 写一个脚本，一直写数据

虽然仍然报“should never happen！！！”，但是tsdb-uid表中的tagv uid的值在一直增长。使用如下程序继续。这个程序会打到一个之前没有的uid，

#!/bin/bash

while true
do
    current_time=$(date +%s)
    current_time_ms=$((current_time * 1000))
    current_second=$(date +%S)

    data=$(cat <<EOF
[
    {
        "metric": "jacky",
        "value": "$current_second",
        "timestamp": "$current_time_ms",
        "tags": {
            "dvid": "109",
            "type": "1",
            "did": "123456789012345609"
        }
    }
]
EOF
)

    echo "Sending data to OpenTSDB..."
    response=$(curl -X POST http://192.168.124.194:4242/api/put --header "Content-Type: application/json" -d "$data" -w "%{http_code}" -s)
    status_code=$(echo "$response" | tail -n1)
    response_body=$(echo "$response" | sed '$d')

    if [[ "$status_code" -eq 200 || "$status_code" -eq 204 ]]; then
        echo "Data sent successfully. Server responded with status code: $status_code"
    else
        echo "Failed to send data. Server responded with status code: $status_code"
        echo "Response body: $response_body"
    fi

    sleep 1
done

• 随着上面程序的运行，tagv这个地方的value一直在增加。等到删除tagv \x00之前的值。也许当该值增加到之前的\0C\D4M应该就可以了 。

• 到了D4M的下一个D4N，数值停止了。

• we are in !
  
• 开始正常写入数据
  

（2）处理线上

• 查看uid使用情况

  [root@cdhslave3 ~]# tsdb uid grep tagv . | wc -l
  16776889
  [root@cdhslave3 ~]# tsdb uid grep metrics . | wc -l
  334181
  [root@cdhslave3 ~]# tsdb uid grep tagk . | wc -l
  7
  

• 分析tagv 数量16776889的组成

# 大于等于4小于14字节的一共是16487127
data.tagv.less_than_14_bytes.txt 15488132
data.tagv.less_than_7_bytes.txt 998995

# 应该是正常的数量
data.tagv.less_than_4_bytes.txt 1000
data.tagv.非数字.txt 5445
data.tagv.more_than_14_bytes.txt 283317

• 分析出来tagv的值后，组成命令

tsdb uid delete tagv 2357129 ;echo deleted!;
tsdb uid delete tagv 23571293 ;echo deleted!;
tsdb uid delete tagv 23571305 ;echo deleted!;
tsdb uid delete tagv 2357131 ;echo deleted!;
tsdb uid delete tagv 23571311 ;echo deleted!;
tsdb uid delete tagv 2357132 ;echo deleted!;
tsdb uid delete tagv 23571329 ;echo deleted!;
tsdb uid delete tagv 23571337 ;echo deleted!;
tsdb uid delete tagv 235713378 ;echo deleted!;
tsdb uid delete tagv 23571344 ;echo deleted!;

• 因为命令比较长，所以实用split分离成15个文件，每个服务器跑3个。

（3）加急处理

按照每天60万的速度，删除1600多万的数据需要一个月左右。但是，用户等不及。

那就再想想办法，删除最近的10万数据先。

• 下载所有tsdb-uid表的数据。

cd /tmp
cat <<'EOF'>commands.txt
scan 'tsdb-uid', {REVERSED => false}
exit
EOF

hbase shell commands.txt > data.all.txt

• 分离出来tagv

cat data.all.txt | grep tagv > data.all.tagv.txt

• 刷新，找到大约30~40多万行，第一个有问题的数据的位置。
  
• 找到这行数据

└─$ cat data.all.tagv.txt| grep -n "value=319338$"
219835: \x03Z\xBD column=name:tagv, timestamp=1689656981443, value=319338

• 从上面这行开始，往后看10万行

sed -n '219835,319835p' data.all.tagv.txt | awk '{print $(NF)}' | awk -F\= '{print $2}' | sort -n > data.all.tagv.result.txt

• 修改成删除命令

vi data.all.tagv.result.txt

sed -i 's:^:tsdb uid delete tagv :g'
sed -i 's:$:;echo deleted!'

然后放到线上去执行。

• 删除\x00 tagv的值

当研发把异常代码注释掉之后，开始删除\x00。随着新数据metric+tags到达，将申请uid，然后促使\x00的tagv value开始递增变化。

hbase shell
deleteall 'tsdb-uid',"\x00",'id:tagv'
scan 'tsdb-uid', {LIMIT => 3, REVERSED => false}

• 第二天一大早查看删除情况
  
• 查看uid情况
  
• 模拟数据打入，居然成功了。
  可能是opentsdb内部机制，实现了uid回收。
  

（4）剩余的异常uid删除

现在1600多万的异常uid还在以每天60左右的速度删除。当删除之后，基本上opentsdb数据库中基于tagv的value异常值将得到极大缓解。