CentOS 上 RabbitMQ 集群故障排查步骤
一 快速定位与基础检查
- 检查节点进程与基础状态
- 查看服务：systemctl status rabbitmq-server
- 查看节点状态：rabbitmqctl status
- 查看集群状态：rabbitmqctl cluster_status（关注 running_nodes、nodes、partitions 字段）
- 检查端口连通性（集群通信与业务端口）
- epmd 端口：4369/TCP（节点发现）
- 集群通信：25672/TCP（节点间通信）
- 业务 AMQP：5672/TCP
- 管理插件：15672/TCP
- 示例：ss -tnlp | egrep ‘4369|25672|5672|15672’；必要时在节点间执行 telnet 对端IP 端口 验证
- 检查主机名解析
- 确认短/长主机名一致：hostnamectl；/etc/hosts 应包含集群所有节点的 IP<->hostname 映射，且 hostname 与节点名后缀一致（如 rabbit@）
- 检查防火墙/安全组
- firewalld：firewall-cmd --list-ports；放通 4369、25672、5672、15672 或临时测试时 systemctl stop firewalld
- 如走云上安全组，同样需放通上述端口
- 检查 Erlang Cookie 一致性
- 文件：/var/lib/rabbitmq/.erlang.cookie（属主 rabbitmq:rabbitmq，权限 600）
- 各节点 cookie 必须完全一致（建议使用主节点 scp 覆盖，再校正权限与属主）
二 常见故障场景与修复
- 加入集群报错 nodedown / unable to connect
- 现象：join_cluster 失败，诊断提示 epmd 连不通或目标主机不可达
- 处理：校正 /etc/hosts 与 hostname；确保 4369/25672 互通；统一 .erlang.cookie 权限为 600；必要时短暂关闭防火墙验证；按“先 stop_app → join_cluster → start_app”的顺序操作
- 全部节点重启后无法启动或长时间等待 Mnesia 表
- 现象：日志出现 “Waiting for Mnesia tables …”，默认每次 30 秒、最多 20 次重试
- 处理：按“最后宕机的节点最先启动”的顺序启动；若无法满足，可在唯一存活的磁盘节点执行 rabbitmqctl force_boot 后启动其他节点
- 节点不一致（inconsistent_cluster）
- 现象：某节点认为仍在集群，但其他节点已将其移除
- 处理：在“被移除”的节点执行 rabbitmqctl reset 后再 start_app；若所在节点是集群中唯一的磁盘节点，需先 force_reset 再重建集群关系
- 只剩磁盘节点无法 reset
- 现象：执行 reset 提示不能重置唯一的磁盘节点
- 处理：在该节点执行 rabbitmqctl force_reset 后再 reset/启动，随后重新加入集群
- 管理界面看不到节点统计或插件未启用
- 处理：在对应节点启用管理插件 rabbitmq-plugins enable rabbitmq_management，再访问 http://:15672
三 日志与诊断命令
- 查看节点与集群诊断
- rabbitmq-diagnostics status（查看运行状态、内存、磁盘、连接等）
- rabbitmq-diagnostics cluster_status（查看节点列表、运行状态、分区等）
- 查看日志定位问题
- 日志目录：/var/log/rabbitmq/，主要查看 rabbit@.log 与 rabbit@-sasl.log
- 关注关键词：nodedown、epmd、timeout_waiting_for_tables、inconsistent_cluster、connection_closed、blocked by firewall 等
- 启用管理插件便于可视化排查
- rabbitmq-plugins enable rabbitmq_management（访问 15672 查看节点、队列、连接、告警等）
四 恢复与重建集群的稳妥做法
- 准备
- 选择一个数据最完整的节点作为“最后停止”的节点，优先启动它；确保集群中至少有一个 磁盘节点 以保留元数据
- 启动顺序
- 先启动“最后停止”的节点；再依次启动其他节点，观察 cluster_status 的 running_nodes 是否逐步恢复
- 无法按正确顺序启动
- 在唯一存活的磁盘节点执行 rabbitmqctl force_boot，随后启动其他节点
- 清理“失联”节点
- 在健康节点执行 rabbitmqctl forget_cluster_node （支持 --offline 离线移除），随后在失联节点 reset 并重新加入
- 重建关系与节点类型
- 加入集群：在每个待加入节点执行 rabbitmqctl stop_app → rabbitmqctl join_cluster <seed_node> [–ram] → rabbitmqctl start_app
- 变更类型：rabbitmqctl stop_app → rabbitmqctl change_cluster_node_type disc|ram → rabbitmqctl start_app
- 验证
- cluster_status 应显示所有节点一致、partitions 为空、running_nodes 完整；管理界面各节点状态为绿色
五 最小可用检查清单
- 每个节点：服务运行（systemctl status rabbitmq-server）、节点名与 /etc/hosts 一致、.erlang.cookie 一致且权限 600
- 端口：4369、25672、5672、15672 对集群内互通（ss/telnet 验证）
- 防火墙/安全组：已放通上述端口
- 集群状态：cluster_status 中 partitions=[]、running_nodes 数量正确、无 inconsistent_cluster 告警
- 管理面：15672 可登录并查看节点与队列概况
