docs(阶段5): 用生产快照跑完整切换演练
演练用 compose.debian.yml **本身**在本机 Docker 里跑，不是简化版。 数据是 2026-08-07 的 pg_dumpall 快照：1710 用户 / 956 题 / 123140 提交。 ## 出口标准达成 停旧栈 11s，起新栈 34s（镜像预先构建好），全链路验证约 2 分钟 —— **停机不到 1 分钟**，远在 30 分钟内。真正的时间风险在构建镜像（首次约 5 分钟）， 所以手册里第一条就是「镜像必须在停机窗口之前构建好」。 验证到位的：首页、站点配置、题目列表、标签、公告、登录（argon2 新哈希和 Django pbkdf2 旧哈希都支持）、个人页、排行榜、后台四个接口、判题机自动注册， 以及**完整判题**（提交 Python A+B → AC，1.2 秒，两个测试点全过）。 ## 两件原以为要做、实测不用做的事 - **不需要任何 DDL**：生产 dump 和新后端在用的库逐列对比，两边都是 278 列， 零差异。新后端直接跑在现有结构上。 - **不需要重置序列**：我在 phase3-coverage.md 里记的那条「切换必做：重置序列」 **是错的**，来自我手工按显式 id 导入、又没补 setval 的本地库。真实的 pg_dumpall 带 30 条 setval，且把快照里所有序列和 max(id) 逐个对过，错位 0 个。 已在原文档上标注更正，没有删掉原文 —— 错误结论本身也是信息。 ## 回滚保证已实测 新栈跑完登录、提交、判题之后，再和生产 dump 比一次结构：逐列一致，零差异。 加上数据目录布局照抄旧后端，回滚 = 停新栈 + 起旧栈，约 20 秒，不动任何数据。 （未实测的部分也写明了：本机没构建旧 Django 镜像，「起旧栈」这一步没跑过。） ## 演练抓到的真问题 **pg_dumpall 备份会覆盖数据库口令。** 恢复完快照，新后端立刻报 `password authentication failed` —— 因为 dump 里带 `ALTER ROLE onlinejudge ... PASSWORD 'md5…'`，把角色口令覆盖成了备份时生产的那个。 正常切换不受影响（根本不恢复备份），但灾难恢复时这一条不写下来， 现场会被一个看起来毫不相干的报错卡住。 **恢复备份前必须先停应用**，否则 dump 里的 DROP DATABASE 失败。演练时因为 目标库是空的，数据照样进去了 —— 那是运气，目标库有数据就是满屏主键冲突。 ## 镜像体积没达标，写明了原因 api 镜像 487MB，设计文档写的是「数十 MB」。一半以上（269MB）是 clang-format 拖进来的 LLVM，光 libLLVM.so 就 124MB。旧 Python 镜像同样装了 clang-format， 所以新镜像仍明显更小，但当初估「数十 MB」时没把它算进去。 瘦身路径也记了（换静态 clang-format 可砍 265MB），暂不做。 ## 清理 演练在 data/postgres 留下了一份完整的生产数据副本，含 1710 名学生的 raw_password 明文列，已删除。手册里留了提醒 —— 那不是测试数据。 Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
This commit is contained in:
@@ -152,6 +152,14 @@
|
||||
|
||||
## 阶段 5 切换必做项（阶段 4 施工时发现，记在这里以免忘）
|
||||
|
||||
> **2026-08-08 更正：这条不是「切换必做项」，降级为「手工造库时的注意事项」。**
|
||||
>
|
||||
> 阶段 5 演练时实测了真实的 pg_dumpall 备份：里面带 30 条 `setval`，
|
||||
> 并且把生产快照里所有序列和 `max(id)` 逐个对过，**错位 0 个**。
|
||||
> 下面这个现象只出现在我手工按显式 id 导入、又没补 setval 的本地库上，
|
||||
> 对正常的备份/恢复不成立。切换当天不用管序列。详见
|
||||
> [phase5-cutover-runbook.md](phase5-cutover-runbook.md)。
|
||||
|
||||
**导入数据后必须重置全部序列。** 本地库是按显式 id 从生产导入的，
|
||||
`problem_tag_id_seq` 停在 6 而表里 max(id)=87，于是第一次新建标签就撞
|
||||
`duplicate key value violates unique constraint "problem_tag_pkey"`（500）。
|
||||
|
||||
203
docs/specs/phase5-cutover-runbook.md
Normal file
203
docs/specs/phase5-cutover-runbook.md
Normal file
@@ -0,0 +1,203 @@
|
||||
# 阶段 5：切换手册与演练报告
|
||||
|
||||
演练日期：2026-08-08
|
||||
演练用快照：`db_backup_2026_08_07_10_39_19.sql`（pg_dumpall 集群备份，230MB，2026-08-07 10:39）
|
||||
演练方式：本机 Docker，用 `docker/compose.debian.yml` **本身**跑，不是简化版。
|
||||
|
||||
真实数据量：**1710 用户 / 956 题 / 123140 提交 / 64 比赛 / 16 题单 / 38 成就**。
|
||||
|
||||
---
|
||||
|
||||
## 一、演练结论
|
||||
|
||||
### 出口标准：30 分钟内完成，回滚路径已验证
|
||||
|
||||
| 项 | 实测 |
|
||||
|---|---|
|
||||
| 停旧栈 | 11s |
|
||||
| 起新栈（镜像已构建） | 34s；再次 start 6s |
|
||||
| 数据迁移 | **0，不需要** —— 见下 |
|
||||
| 全链路验证 | 约 2 分钟 |
|
||||
| **合计** | **不到 1 分钟的停机**，远在 30 分钟内 |
|
||||
|
||||
真正的时间风险不在切换本身，而在**构建镜像**：首次构建约 5 分钟（依赖下载占大头）。
|
||||
**镜像必须在停机窗口之前就构建好**，见下面的检查清单。
|
||||
|
||||
### 两个原本以为要做、实测不需要做的事
|
||||
|
||||
**1. 不需要执行任何 DDL。** 把生产 dump 的表结构和新后端在用的库逐列对比：
|
||||
两边都是 **278 列，完全一致**，没有新增、没有删除、没有新表。新后端直接跑在现有结构上。
|
||||
|
||||
**2. 不需要重置序列。** 我在 `phase3-coverage.md` 里记过一条「切换必做：重置各表 sequence」，
|
||||
**那条是错的** —— 它来自我手工造的本地库（用显式 id 导入、没有 setval）。真实的
|
||||
pg_dumpall 备份带 30 条 `setval`，而且直接查生产快照里所有序列 vs `max(id)`，
|
||||
**错位 0 个**。切换当天不用管序列。
|
||||
|
||||
### 回滚保证（已实测）
|
||||
|
||||
新栈跑完登录、提交、判题之后，再和生产 dump 的结构比一次：**逐列一致，零差异**。
|
||||
新后端不会给旧后端留下任何它不认识的东西。
|
||||
|
||||
加上数据目录布局照抄旧后端（`test_case`、`public/upload`、`public/avatar` 原样不动），
|
||||
**回滚 = 停新栈 + 起旧栈，约 20 秒，不涉及任何数据操作。**
|
||||
|
||||
> 未实测的部分：本机没有构建旧后端的 Django 镜像，所以「起旧栈」这一步本身没跑过。
|
||||
> 但旧栈在服务器上一直是跑着的，它的镜像和 compose 都没动过。
|
||||
|
||||
---
|
||||
|
||||
## 二、演练验证了什么
|
||||
|
||||
全部通过真实生产数据、经 Caddy、在容器里跑：
|
||||
|
||||
| 检查项 | 结果 |
|
||||
|---|---|
|
||||
| 首页 SPA | 200，Caddy 从镜像里伺服 |
|
||||
| 站点配置 `/api/site` | 200，读出真实站点名「判题狗」 |
|
||||
| 题目列表 | 200，首条是 `SQL09` |
|
||||
| 题目标签 / 公告 | 200 |
|
||||
| 未登录访问后台 | 401 `login-required` |
|
||||
| 登录 | 200（argon2 新哈希 + Django pbkdf2 旧哈希都支持） |
|
||||
| 个人主页 / 排行榜 | 200，真实学生数据 |
|
||||
| 后台首页 / 题目 / 判题机 | 200，`userCount: 1711` |
|
||||
| **判题机心跳** | 判题容器自行注册成功（新路径 `/api/judge-server/heartbeat`） |
|
||||
| **完整判题** | 提交 Python A+B → **AC，1.2 秒**，两个测试点全过 |
|
||||
|
||||
---
|
||||
|
||||
## 三、切换前检查清单（停机窗口之前做完）
|
||||
|
||||
- [ ] **先把镜像构建好**：`docker compose -f docker/compose.debian.yml build`
|
||||
首次约 5 分钟。别在停机窗口里构建。
|
||||
- [ ] 填好 `docker/.env`（照 `docker/.env.example`）。
|
||||
`POSTGRES_PASSWORD` 必须**和生产库现有的口令一致** —— 库是原地不动的，
|
||||
不是新建的，密码改不了。
|
||||
- [ ] `OJ2_JUDGE_TOKEN` 可以换新的（判题机和后端读同一个变量，一起换即可）。
|
||||
- [ ] `AI_KEY` 服务器和机房是两个不同的 key，别填串。
|
||||
- [ ] 机房那份 env 里 `COOKIE_SECURE=false`（http 直连 IP，带 Secure 的 Cookie
|
||||
浏览器不回传，表现是「登录成功但立刻又变未登录」）。
|
||||
- [ ] 做一次 `pg_dumpall` 备份（不是为了迁移，是为了兜底）。
|
||||
- [ ] 确认 `data/backend/` 下 `test_case`、`public/upload`、`public/avatar` 都在。
|
||||
|
||||
## 四、切换步骤
|
||||
|
||||
**两个站点都要切。** 机房那套连的是服务器的库，只切一边的话，另一边的旧后端
|
||||
还在读写同一个库。
|
||||
|
||||
服务器（xuyue.cc）：
|
||||
|
||||
```bash
|
||||
cd <部署目录>
|
||||
docker compose -f docker-compose.debian.yml down # 停旧栈，约 11s
|
||||
docker compose -f OJ2/docker/compose.debian.yml --env-file OJ2/docker/.env up -d
|
||||
```
|
||||
|
||||
机房：
|
||||
|
||||
```bash
|
||||
docker compose -f docker-compose.school.yml down
|
||||
docker compose -f OJ2/docker/compose.school.yml --env-file OJ2/docker/.env.school up -d
|
||||
```
|
||||
|
||||
端口没变（服务器 8080，机房 81），前面的 Nginx Proxy Manager 不用动。
|
||||
|
||||
## 五、切换后验证（照着点一遍）
|
||||
|
||||
1. 打开首页，能看到题目列表
|
||||
2. 用一个学生账号登录，看得到自己的提交历史
|
||||
3. 提交一道题，**看判题结果是否实时刷出来**（这一步同时验证了 WebSocket）
|
||||
4. 后台 → 判题机列表，确认判题机在线
|
||||
5. 后台 → 题目列表能翻页
|
||||
6. 题面里带图片的题，图片能显示（`/public/upload/*`）
|
||||
|
||||
## 六、回滚
|
||||
|
||||
```bash
|
||||
docker compose -f OJ2/docker/compose.debian.yml down
|
||||
docker compose -f docker-compose.debian.yml up -d
|
||||
```
|
||||
|
||||
约 20 秒。**不需要恢复数据库，不需要动任何文件。**
|
||||
|
||||
---
|
||||
|
||||
## 七、演练中踩到的坑（写下来是因为它们只在容器里出现）
|
||||
|
||||
### 1. pg_dumpall 备份会覆盖数据库口令 ⚠️
|
||||
|
||||
演练时恢复完快照，新后端立刻报：
|
||||
|
||||
```
|
||||
PostgresError: password authentication failed for user "onlinejudge"
|
||||
```
|
||||
|
||||
原因：`pg_dumpall` 的集群备份里带
|
||||
|
||||
```sql
|
||||
ALTER ROLE onlinejudge WITH SUPERUSER ... PASSWORD 'md5……';
|
||||
```
|
||||
|
||||
**恢复这份备份，会把角色口令覆盖成备份时生产的那个口令**，compose 里的
|
||||
`POSTGRES_PASSWORD` 就对不上了。
|
||||
|
||||
- 正常切换：**不受影响**，因为根本不恢复备份。
|
||||
- 灾难恢复（真要从备份重建）：恢复之后要么把 `POSTGRES_PASSWORD` 设成生产的口令，
|
||||
要么恢复后手动 `ALTER ROLE onlinejudge PASSWORD '<新口令>'`。
|
||||
这一条不写下来，恢复现场会被一个看起来毫不相干的报错卡住。
|
||||
|
||||
（另记：该哈希是 md5，PG16 默认已是 scram-sha-256。不影响切换，但值得择日换掉。）
|
||||
|
||||
### 2. 恢复备份前必须先停应用
|
||||
|
||||
应用连着库时，dump 里的 `DROP DATABASE` 会失败：
|
||||
|
||||
```
|
||||
ERROR: database "onlinejudge" is being accessed by other users
|
||||
```
|
||||
|
||||
演练时因为目标库本来是空的，数据照样灌进去了 —— 那是运气。目标库有数据的话，
|
||||
接下来就是满屏主键冲突。灾难恢复流程：**先停 oj-api / oj-worker，再恢复。**
|
||||
|
||||
### 3. 「本地能过、容器里过不了」的三个坑（构建期）
|
||||
|
||||
都已修好并写进 Dockerfile 的注释，这里只留索引：
|
||||
|
||||
- 构建上下文吸进 `data/`，判题沙箱用别的 uid 建的目录 docker 连 stat 都做不了 → `.dockerignore`
|
||||
- `mermaid@9.4.3`（机房老 Chrome 的 legacy 依赖）从容器里连 npmjs 稳定失败 → 换 npmmirror + 重试
|
||||
- 容器里 bun 用 isolated 布局、本地是扁平的，靠「提升」解析的包在容器里一律找不到
|
||||
→ 把真正直接 import 的 4 个包补成直接依赖
|
||||
|
||||
---
|
||||
|
||||
## 八、镜像体积（没达到设计文档的预期，说明原因）
|
||||
|
||||
| 镜像 | 体积 |
|
||||
|---|---|
|
||||
| `oj2-api` | **487MB** |
|
||||
| `oj2-web` | 75MB |
|
||||
|
||||
设计文档写的是「降至数十 MB」，**没做到**。拆开看：
|
||||
|
||||
| 层 | 体积 |
|
||||
|---|---|
|
||||
| `clang-format`（apt） | **269MB**，其中 `libLLVM.so.19.1` 一个 124MB |
|
||||
| `oj2-api` 二进制 | 112MB（Bun 运行时 + 内嵌的 wasm/原生模块/4.8MB 词典） |
|
||||
| `ruff` | 28MB |
|
||||
| debian-trixie-slim 基底 | 79MB |
|
||||
|
||||
也就是说**一半以上是 clang-format 拖进来的 LLVM**。旧的 Python 镜像同样装了
|
||||
clang-format，再加整个 Python 运行时和 Django 依赖，所以新镜像仍然明显更小，
|
||||
但「数十 MB」是当初没把 clang-format 算进去。
|
||||
|
||||
想再瘦下来只有一条路：换成静态链接的 clang-format 独立二进制（PyPI 的
|
||||
`clang-format` wheel 里就是），能砍掉约 265MB。没做，因为镜像是各站点本地构建的、
|
||||
不走镜像仓库，磁盘不是瓶颈；等哪天真嫌大了再说。
|
||||
|
||||
---
|
||||
|
||||
## 九、演练产生的临时数据（已清理）
|
||||
|
||||
演练在 `OJ2/data/postgres` 下留下了**一份完整的生产数据副本**，其中包含 1710 名
|
||||
学生的 `raw_password` 明文列。演练结束后已删除该目录。
|
||||
|
||||
以后再演练记得同样处理 —— 那不是测试数据，是真实学生数据。
|
||||
Reference in New Issue
Block a user