误删节点或集群怎么办？这里有一颗后悔药

本文来自Rancher Labs

作者介绍

王海龙，Rancher中国社区技术经理，负责Rancher中国技术社区的维护和运营。拥有6年的云计算领域经验，经历了OpenStack到Kubernetes的技术变革，无论底层操作系统Linux，还是虚拟化KVM或是Docker容器技术都有丰富的运维和实践经验。

在实际使用Rancher过程中，偶尔会因为误操作删除了System Workload、节点或集群, 导致集群状态异常而无法访问。如果用户不了解恢复方法，通常会重新添加节或重新搭建集群。

本文将根据以下几个场景来介绍如何恢复由于误操作引起的Rancher集群故障：

• 如何恢复System Project Workload

• 如何恢复从Rancher UI或kubectl误删的节点

• 如何恢复执行过清理节点脚本的节点

• 如何恢复被删除的custom集群

重要说明

• 本文档基于Rancher 2.4.x测试，其他版本操作可能会略有不同

• 本文介绍的场景均是针对custom集群

• 如果您在此过程中遇到问题，则应该熟悉Rancher架构/故障排除

• 您应该熟悉单节点安装和高可用安装之间的体系结构差异

如何恢复System Project Workload

System Project中包含了一些保证该集群能够正常运行的一些workload，如果删除某些workload可能会对该集功能群造成影响。

通常情况下，通过RKE创建的custom集群应包括以下workload：

下面我们来分别介绍如果误删了这些workload之后应如何恢复。

恢复cattle-cluster-agent和cattle-node-agent

模拟故障

从System Project下删除 cattle-cluster-agent和cattle-node-agent

生成Kubeconfig和集群yaml

1.在Rancher UI上创建API token（用户-> API & Keys）并保存Bearer Token

2.选择集群后，在Rancher UI（格式为c-xxxxx）中找到其clusterid，并在地址栏中找到它。

3.根据步骤1-2获取的变量替换：RANCHERURL、CLUSTERID、TOKEN（主机需要安装curl和jq）

# Rancher URL
RANCHERURL="https://192.168.99.201"
# Cluster ID
CLUSTERID="c-v6mtr"
# Token
TOKEN="token-klt5n:2smg6n5cb5vstn7qm797l9fbc7s9gljxjw528r7c5c4mwf2g7kr6nm"
# Valid certificates
curl -s -H "Authorization: Bearer ${TOKEN}" "${RANCHERURL}/v3/clusterregistrationtokens?clusterId=${CLUSTERID}" | jq -r '.data[] | select(.name != "system") | .command'
# Self signed certificates
curl -s -k -H "Authorization: Bearer ${TOKEN}" "${RANCHERURL}/v3/clusterregistrationtokens?clusterId=${CLUSTERID}" | jq -r '.data[] | select(.name != "system") | .insecureCommand'

以上命令执行成功后，将返回导入集群的命令，请做好备份，命令如下：

curl --insecure -sfL https://192.168.99.201/v3/import/2mgnx6f4tvgk5skfzgs6qlcrvn5nnwqh9kchqbf5lhlnswfcfrqwpr.yaml | kubectl apply -f -

恢复cattle-cluster-agent和cattle-node-agent

1、在具有controlplane角色的节点上生成kubeconfig

docker run --rm --net=host -v $(docker inspect kubelet --format '{{ range .Mounts }}{{ if eq .Destination "/etc/kubernetes" }}{{ .Source }}{{ end }}{{ end }}')/ssl:/etc/kubernetes/ssl:ro --entrypoint bash $(docker inspect $(docker images -q --filter=label=io.cattle.agent=true) --format='{{index .RepoTags 0}}' | tail -1) -c 'kubectl --kubeconfig /etc/kubernetes/ssl/kubecfg-kube-node.yaml get configmap -n kube-system full-cluster-state -o json | jq -r .data."full-cluster-state" | jq -r .currentState.certificatesBundle."kube-admin".config | sed -e "/^[[:space:]]*server:/ s_:.*_: "https://127.0.0.1:6443"_"' > kubeconfig_admin.yaml

2、应用更新

将https://xxx/v3/import/dl75kfmmbp9vj876cfsrlvsb9x9grqhqjd44zvnfd9qbh6r7ks97sr.yaml 替换为生成Kubeconfig和集群yaml步骤中生成的yaml连接,本例为https://192.168.99.201/v3/import/2mgnx6f4tvgk5skfzgs6qlcrvn5nnwqh9kchqbf5lhlnswfcfrqwpr.yaml

docker run --rm --net=host -v $PWD/kubeconfig_admin.yaml:/root/.kube/config --entrypoint bash $(docker inspect $(docker images -q --filter=label=io.cattle.agent=true) --format='{{index .RepoTags 0}}' | tail -1) -c 'curl --insecure -sfL https://xxx/v3/import/dl75kfmmbp9vj876cfsrlvsb9x9grqhqjd44zvnfd9qbh6r7ks97sr.yaml | kubectl apply -f -'

验证

接下来通过Rancher UI或kubectl可以看到 cattle-cluster-agent和cattle-node-agent 已经恢复。

恢复kube-api-auth

默认情况下，RKE 集群会默认启用授权集群端点。这个端点允许您使用 kubectl CLI 和 kubeconfig 文件访问下游的 Kubernetes 集群，RKE 集群默认启用了该端点。

如果误删kube-api-auth，恢复的方法也很简单，只需要编辑集群，将“授权集群访问地址”修改成禁用，保存集群。然后再用相同的方法启用 “授权集群访问地址”即可。

1、编辑集群

2、禁用授权集群访问地址，保存

3、再次编辑集群，启用授权集群访问地址，保存

恢复nginx-ingress-controller、canal、coredns、metrics-server组件

nginx-ingress-controller、canal、coredns、metrics-server 这些workload都是通过kube-system命名空间下的各种job来创建的，所以如果要重建这些workload只需要重新执行对应的job即可。

本例使用nginx-ingress-controller做演示，其他workload的恢复步骤可以参考此恢复方案。

模拟故障

从System Project下删除 kube-system 下的default-http-backend和nginx-ingress-controller

执行恢复

1. 从kube-system命名空间下删除rke-ingress-controller-deploy-job（如果不删除对应的job，更新集群后，不会重新触发job重新执行）

2. 为了触发集群更新，可以编辑集群，修改NodePort范围，然后保存。

验证

集群更新成功后，回到System Project下确认default-http-backend和nginx-ingress-controller已经重新创建。

如何恢复从Rancher UI或kubectl误删的节点

当节点处于“活动”状态，从集群中删除节点将触发一个进程来清理节点。如果没有重启服务器，并不会完成所有的清除所有非持久化数据。

如果无意中将节点删除，只需要使用相同的参数再次添加节点即可恢复集群。

比如我的环境有两个节点，分别具有全部和Worker角色

从Rancher UI或kubectl将节点rancher2删除，此时集群中只剩下一个rancher3节点，由于集群中缺少Etcd和Control角色，所以集群提示：Waiting for etcd and controlplane nodes to be registered

接下来，编辑集群，并且设置相同的节点参数，这地方要注意，一定要设置和之前添加节点时相同的节点参数。

复制添加节点命令在rancher2的SSH终端运行。

过一会，再回到集群集群主机列表页面，可以看到rancher2节点已经恢复

如何恢复执行过清理节点脚本的节点

中文官网提供了一个清理节点的脚本，这个脚本会清理节点上的容器、卷、rancher/kubernetes目录、网络、进程、iptables等。

如果由于误操作，在正确的节点上执行了清理脚本。针对这种场景，只有在rancher中创建过备份的集群才可以恢复。

创建集群备份参考中文官网：

https://rancher2.docs.rancher.cn/docs/cluster-admin/backing-up-etcd/_index

在我的环境中，demo集群有rancher2和rancher3两个节点。

创建备份

在Rancher UI上创建集群快照，稍后恢复集群的时候会用的到。

然后导航到全局->demo->工具->备份查看已经创建的ETCD备份，从备份创建时间可以看出，刚才创建的备份名称为c-v6mtr-ml-klt5n。

备份文件存到了etcd（rancher2）节点对应的/opt/rke/etcd-snapshots目录下。

清理节点

在rancher2节点执行中文官网节点清理脚本，清理理完之后，不出所料，集群崩了。

恢复集群

节点清理脚本并不会将/opt/rke目录删除，只是使用mv /opt/rke /opt/rke-bak-$(date +"%Y%m%d%H%M")做了个备份。接下来可以将快照备份恢复到默认的/opt/rke目录下。

mv /opt/rke-bak-202007060903 /opt/rke

接下来，编辑集群重新添加节点。这地方要注意，一定要设置和之前添加节点时相同的节点参数。

运⾏完命令之后，可以看到rancher agent已经正常工作起来了。

接下来，选择之前的备份记录，保存，开始恢复集群。

现在集群的状态变成了Updating，已经开始使用之前创建的快照进行恢复集群了

稍等片刻，可以看到kubernetes组件全部运行起来。

集群状态也变为了Active，此时，集群已经成功恢复

业务应用检查

之前部署的名为nginx的nginx应⽤依旧存在，且运行正常。

如何恢复被删除的custom集群

在Rancher UI中误删自定义的集群，如果要恢复该集群，必须需要有Rancher local集群和自定义集群的备份才可以恢复。

备份集群

备份custom集群

参考 https://rancher2.docs.rancher.cn/docs/cluster-admin/backing-up-etcd/_index 备份custom集群，备份成功后，可以导航到集群->工具->备份查看备份。

备份local集群

参考 https://rancher2.docs.rancher.cn/docs/backups/_index 备份local集群，备份成功后，将在本地生成一个tar.gz文件。

模拟故障

备份custom集群

参考 https://rancher2.docs.rancher.cn/docs/cluster-admin/backing-up-etcd/_index 备份custom集群，备份成功后，可以导航到集群->工具->备份查看备份。

备份local集群

备份local集群可参考：

https://rancher2.docs.rancher.cn/docs/backups/_index

备份成功后，将在本地生成一个tar.gz文件。

模拟故障

接下来可以在Rancher UI上将集群删除来模拟故障。

恢复local集群

恢复local集群，可参考：

https://rancher2.docs.rancher.cn/docs/backups/restorations/_index

local恢复成功后，重新登录Rancher UI，可以看到刚才被删除的custom集群又重新显示了，但状态是Unavailable

恢复custom集群

接下来，可以根据之前创建的custom集群快照恢复custom集群。

恢复custom集群参考：

https://rancher2.docs.rancher.cn/docs/cluster-admin/restoring-etcd/_index

恢复后，集群状态变为Updating，稍等片刻，可以看到集群状态又变为Active，集群恢复成功。

总 结

从以上几个场景的恢复操作可以看出，大部分的恢复方案都依赖于集群的备份，所以大家在生产环境中一定要做好定时备份，并且最好将备份文件上传到远端备份服务器，这样可以在灾难情况下保护您的数据。