SQL Server数据库损坏、检测以及简单的修复办法 -数据库-火龙果软件工程

分享到

用Hadoop，还是不用Hadoop？(1)

作者 CareySon，火龙果软件发布于 2014-01-20

简介

在一个理想的世界中，不会存在任何数据库的损坏，就像我们不会将一些严重意外情况列入我们生活中的日常一样，而一旦这类事情发生，一定会对我们的生活造成非常显著的影响，在SQL Server中也同样如此，或许几年内您没有遇见过数据库中出现这类情况，而一旦遇见这类情况，往往伴随着数据的丢失，宕机，严重甚至您本身的职业生涯也会受到影响。因此对于这类情况，我们需要了解数据库损坏方面的知识，以便我们能够事前准备，事后能够处理。本篇文章会对数据库损坏的原因、现象、事前和事后的一些处理方法以及简单的修复方法进行探讨。

数据库为什么会损坏？

在了解数据库损坏之前，首先我们要了解SQL Server是如何将数据保存到数据文件（MDF、NDF等）。无论更新还是插入数据，数据都需要首先在内存中的Buffer Pool驻留，然后通过CheckPoint和Lazy Writer等过程将内存中的数据持久化到磁盘。在这个过程中，数据脏页由内存写入持久化的IO子系统，在此期间，按照IO子系统的不同，数据可能经过这几层：

1、Windows(写数据一定调用的是WINDOWS API)

2、Windows底层的中间层（杀毒软件，磁盘加密系统）

3、网卡、路由器、交换机、光钎、网线等（如果IO子系统不是直连的话）

4、SAN控制器（如果使用了SAN）

6、RAID控制器（IO子系统做了RAID）

7、磁盘或SSD等持久化存储器

因此，数据页被写入持久化存储期间，可能经过上述列表中的几项。在经历上述过程中，硬件环境会受到很多方面的影响，比如说电压是否稳定、断电、温度过高或过低、潮湿程度等，而软件方面，由于软件都是人写的，因此就可能存在BUG，这些都可能导致数据页在传输过程中出现错误。

此外，影响磁盘的因素也包括电压是否稳定、灰尘等因素，这些也有可能引起磁盘坏道或整体损坏。

上面提到的所有因素都可以被归结为IO子系统。因此，造成数据损坏的情况绝大部分是由IO子系统引起的，还有非常非常小的概率内存芯片也会导致数据页损坏，但这部分情况微乎其微，因此不在本文的讨论之列。

上面提到的这些导致数据损坏的原因都属于天灾，还有一些人祸。比如说通过编辑器等手动编辑数据文件、数据库中还有需要Redo和Undo的事务时（也就是没有Clean Shutdown）删除了日志文件（通常会导致数据库质疑）。

发现数据库损坏

在我们知道可能造成数据库的损坏原因之后，接下来我们来看SQL Server是如何监测数据库页损坏的。

在SQL Server的数据库级别，可以设置页保护类型，一共有三个选项：None，CheckSum，Torn_Page_Detection，如图1所示：

图1.页保护的三种选项

关于这三种选项，首先，请无视None，请不要在任何场景下选择该选项，该选项意味着SQL Server不对页进行保护。

其次是TORN_PAGE_DETECTION，在SQL Server中，数据的最小单位是页，每一页是8K，但是对应磁盘上往往是16个512字节的扇区，如果一个页在写入持久化存储的过程中，只写了一半的页，这就是所谓的TORN_PAGE_DETECTION，SQL Server通过每个扇区提512字节中前2位作为元数据，总共16个扇区32位4字节的元数据（页头中标识为:m_tornBits），通过该元数据来检测是否存在部分写的TORN_PAGE，但该类型的页验证无法检测出页中的写入错误，因此在SQL Server 2005及以上版本，尽量选择CheckSum。

在SQL Server 2005及以上版本，引入了CheckSum，CheckSum可以理解为校验和，当数据页被写入持久化存储时，会根据页的值计算出一个4字节的CheckSum存于页头（页头中标识同为:m_tornBits），和数据在同一页中一起保存在数据库中。当数据从IO子系统被读取到内存中时，SQL Server会根据页内的值再次计算CheckSum，用该重新计算的CheckSum和页头中存储的CheckSum进行比对，如果比对失败，则SQL Server就会认为该页被损坏。

由CheckSum的过程可以看出，只有在页被写入SQL Server的过程中才会计算CheckSum，因此如果仅仅改变数据库选项的话，则页头中的该元数据并不会随之改变。

与IO相关的三种错误

通过上述CheckSum的原理可以看出，SQL Server可以检测出页损坏，此时，具体的表现形式可能为下述三种错误的一种：

823错误，也就是所谓的硬IO错误，可以理解为SQL Server希望读取页，而Windows告诉SQL Server，无法读取到该页。

824错误，也就是所谓的软IO错误，可以理解为SQL Server已经读取到该页，但通过计算CheckSum等值发现不匹配，因此SQL Server认为该页已经被损坏。

825错误，也就是所谓Retry错误。

其中，上述823和824错误都是错误等级为24的严重错误，因此会被记录在Windows应用程序日志和SQL Server的错误日志中，而引起该错误的页会被记录在msdb.dbo.suspect_pages中。SQL Server错误日志中也会记录到出错页的编号，如图2所示。

图2.824错误在SQL Server错误记录中的描述

因此，如果我们存在完善的备份的话，我们可以通过备份进行页还原（在此再次强调一下对于DBA来说，有”备”无患），一个简单的页还原代码如代码清单1所示。

USE [master]
 RESTORE DATABASE [Corrupt_DB] PAGE='1:155' 
 FROM  DISK = N'C:\xxx.bak' 
 WITH  FILE = 1,  NORECOVERY,  NOUNLOAD,  STATS = 5

代码清单1.一个简单的页还原代码，从备份中还原文件ID1中的第155页

记得我们前面说的，在读取页计算校验和时出错，这既可能是被写入持久化存储的页本身出错，也可能是在页被读取的过程中出错，此时SQL Server会尝试从IO子系统中再次读取该页，最多可能是4次尝试，如果在4次尝试过程中校验和通过，则会是825错误，否则是824错误。这里要注意，与823和824错误不同的是，825错误是一个等级仅为10的信息。

因此，由于有固定的错误编号，因此可以在SQL Server Agent中对823和824设置警报。

备份CheckSum

上述页CheckSum只有在页被使用时才会被校验页的正确性。在备份数据库时，可以指定CheckSum选项来使得备份读取的页也计算校验和，从而保证了被备份的数据库是没有损坏的。在图3的备份选项我们可以注意到这两条：

图3.CheckSum和Continue_After_Error选项

如果启用了CheckSum，当备份过程中发现了页校验和错误时，就会终止备份，而启用了Continue_After_Error选项的话，在检测到校验和错误时，仍然继续从而使得备份成功。

备份如果启用了CheckSum选项，除去检测每一页的校验和之外，还会在备份完成后，对整个备份计算校验和并存储于备份头中。

此外，对于备份，我们还可以通过Restore Verifyonly with CheckSum来验证备份，来保证备份的数据没有被损坏。

DBCC CheckDB

前面提到SQL Server发现错误的方法有两种，分别为在读取页时和在备份时（本质上也是读取页）。但如果我们希望对于数据一致性的检查更加的激进，那我们应该定期使用CheckDB来检查数据的一致性，而不至于在生产时间数据被读取时才能发现错误。

CheckDB命令会对整个数据库做所有的一致性检查。当检查对象是Master数据库时，CheckDB还会检查ResourceDB。

CheckDB最简单的用法如代码清单2所示，在当前数据库上下文中直接执行CheckDB，将会检查当前数据库中所有的一切。

DBCC CHECKDB

代码清单2.CheckDB最简单的用法

CheckDB命令在企业版中会使用多线程来进行，会对整个数据库进行一致性检查，在该过程中，使用了内建数据库快照的方式进行，因此不会造成阻塞，但CheckDB会消耗大量的CPU、内存和IO。因此CheckDB要选择在维护窗口时间或是系统闲时进行。

默认情况下，CheckDB命令会将输出所有的信息，但通常我们并不关心这些信息，而是只关心错误信息，因此实际中通常给DBCC指定不显式信息的参数，如代码清单3所示。

DBCC CHECKDB WITH NO_INFOMSGS;

代码清单3.CheckDB通常搭配No_InfoMsgs参数

实际上，CheckDB是一套命令的汇总，CheckDB会依次检查下述内容：

1.初次检查系统表

2.分配单元检查（DBCC CHECKALLOC）

3.完整检查系统表

4.对所有表进行一致性逻辑检查（DBCC CHECKTABLE）

5.元数据检查（DBCC CHECKCATALOG）

6.SSB检查

7.索引视图、XML索引等检查

首先，当发现系统表损坏时，只能通过备份进行恢复（这也是为什么备份除TempDB之外的系统表非常重要）。其次，在一个大数据库中，做一次CheckDB时间会非常长，维护窗口时间或系统闲时的时间可能无法Cover这段时间，那么我们可以将CheckDB的任务分散到CHECKALLOC、DBCC CHECKTABLE、DBCC CHECKCATALOG这三个命令中。

更多关于CheckDB的详细信息，请参阅：http://technet.microsoft.com/en-us/library/ms176064.aspx。

数据库损坏的修复

数据库损坏最行之有效的办法就是存在冗余数据，使用冗余数据进行恢复。所谓的冗余数据包括热备、冷备、和暖备。

使用镜像或可用性组作为热备，当检测到错误时，可以自动进行页修复（镜像要求2008以上，可用性组是2012的功能）。镜像当主体服务器遭遇824错误时，会向镜像服务器发送请求，将损坏的页由镜像复制到主体解决该问题。对于可用性组，如果数据页是在主副本上发现的，则主副本将会向所有辅助副本发送广播，并由第一个响应的辅助副本的页来修复页错误，如果错误出现在只读辅助副本，则会向主副本请求对应的页来修复错误。在这里有一点值得注意的是，无论是哪一种高可用性技术，都不会将页错误散播到冗余数据中，因为SQL Server中所有的高可用性技术都是基于日志，而不是数据页。

其次是使用暖备或冷备来还原页，我已经在代码清单1中给出了详细的代码，这里就不细说了。

如果没有合适的备份存在，如果损坏的数据页是存在于非聚集索引上，那么你很幸运，只需要将索引禁用后重建即可。

如果存在基准的完整备份，并且日志链没有断裂（包括差异备份可以Cover日志缺失的部分），则可以通过备份尾端日之后还原数据库来进行修复。

最后，如果基础工作做的并不好，您可能就需要通过损失数据的方式来换回数据库的一致性，我们可以通过DBCC CheckDB命令的REPAIR_ALLOW_DATA_LOSS来修复数据库。使用该方法可能导致数据损失，也可能不会导致数据损失，但大部分情况都会通过删除数据来修复一致性。使用REPAIR_ALLOW_DATA_LOSS需要将数据库设置为单用户模式，这意味着宕机时间。

无论是哪种情况修复数据库，都要考虑是否满足SLA，如果出现了问题之后，发现无论用哪种方式都无法满足SLA的话，那只能检讨之前的准备工作并祈祷你不会因此丢了工作。