PostgreSQL / 技术文章

PostgreSQL Autovacuum 跟不上时怎么排查

这篇文章解决 PostgreSQL 高更新表出现死元组持续增长、Autovacuum 延迟和容量异常时如何快速定位根因,适合正在值守或治理生产库的 DBA、后端工程师与 SRE;完成排查后,你应能把问题明确归到“没触发、排队中、跑得慢、清不掉或空间尚未归还操作系统”中的一种,并选择对应处置。

先确认“跟不上”到底是哪一种

不要先改参数。Autovacuum 看起来“没效果”至少有五种不同情况:尚未达到触发阈值、达到阈值但 worker 资源紧张、worker 已启动但扫描或索引清理过慢、存在旧快照导致 dead tuple 不能回收,以及 VACUUM 已成功但 relation 文件没有缩小。

先从表级趋势取证。n_dead_tup 是统计估算值,适合看趋势和排序,不应当作精确物理计数。

sql
SELECT
  relid::regclass AS table_name,
  n_live_tup,
  n_dead_tup,
  round(
    100.0 * n_dead_tup / GREATEST(n_live_tup + n_dead_tup, 1),
    2
  ) AS dead_pct,
  last_autovacuum,
  autovacuum_count,
  n_tup_upd,
  n_tup_del,
  n_tup_hot_upd
FROM pg_stat_user_tables
ORDER BY n_dead_tup DESC
LIMIT 20;

如果 n_dead_tup 连续多个采样周期上涨,而 last_autovacuum 很久不变,优先检查触发与调度;如果 last_autovacuum 在更新但 dead tuple 仍堆积,继续检查执行速度和清理边界。不要只凭一次快照下结论,至少把同一热点表连续观测几个业务周期。

判断是否没有触发或一直在排队

Autovacuum 的核心触发思路是“固定阈值 + 表规模比例”。排障时可以先用全局参数和 pg_class.reltuples 计算基线,再检查表级 reloptions 是否覆盖了全局设置。

sql
SELECT
  s.relid::regclass AS table_name,
  c.reltuples::bigint AS reltuples,
  s.n_dead_tup,
  c.reloptions,
  current_setting('autovacuum_vacuum_threshold')::numeric AS base_threshold,
  current_setting('autovacuum_vacuum_scale_factor')::numeric AS scale_factor,
  (
    current_setting('autovacuum_vacuum_threshold')::numeric
    + current_setting('autovacuum_vacuum_scale_factor')::numeric
      * GREATEST(c.reltuples, 0)
  )::bigint AS global_estimated_trigger
FROM pg_stat_user_tables AS s
JOIN pg_class AS c ON c.oid = s.relid
ORDER BY s.n_dead_tup DESC
LIMIT 20;

global_estimated_trigger 只是全局配置下的基线。如果 reloptions 中存在 autovacuum_vacuum_threshold、autovacuum_vacuum_scale_factor 等表级覆盖值,要按表级值重新判断;不同 PostgreSQL 版本还可能有额外阈值参数,因此生产排障时应同时核对当前版本配置。

再确认服务是否启用、worker 上限和唤醒节奏。

sql
SHOW autovacuum;
SHOW autovacuum_max_workers;
SHOW autovacuum_naptime;
SHOW autovacuum_vacuum_cost_delay;
SHOW autovacuum_vacuum_cost_limit;

SELECT count(*) AS active_autovacuum_workers
FROM pg_stat_activity
WHERE backend_type = 'autovacuum worker';

如果多张大表同时越过阈值,而 active worker 长期接近上限,就更像调度拥塞;如果热点表长期未到阈值,则应优先做表级阈值治理,而不是盲目增加 worker。增加 worker 会扩大并发 I/O 和缓存压力,必须结合磁盘吞吐、延迟和业务峰值一起评估。

Autovacuum 已在运行时看它卡在哪一阶段

确认 worker 已启动后,使用 pg_stat_progress_vacuum 区分“真的慢”与“只是表很大”。重点看阶段是否长期不变、扫描页数是否持续推进,以及是否反复进行索引 vacuum。

sql
SELECT
  pid,
  relid::regclass AS table_name,
  phase,
  heap_blks_total,
  heap_blks_scanned,
  heap_blks_vacuumed,
  index_vacuum_count
FROM pg_stat_progress_vacuum
ORDER BY pid;

判断时可以按现象分流:scanning heap 很慢通常要结合存储吞吐、缓存命中和 cost 限速看;索引阶段很慢要关注索引数量、索引体积和更新模式;进度持续推进但完成时间仍过长,说明处理能力低于 churn 速度,问题在“单位时间产能”而不一定在触发。

不要只看 autovacuum_vacuum_cost_delay 一个参数。真正的吞吐由 cost delay、cost limit、并发 worker、I/O 能力、表和索引规模共同决定。调大限速预算之前先确认磁盘还有余量,否则只是把维护延迟转化为前台查询延迟。

排除“已经扫到但安全边界不允许回收”

这是最容易被误判为“Autovacuum 性能差”的情况。长事务、长期持有旧快照的会话、某些复制槽保留以及遗留的两阶段事务,都可能把清理边界压在很旧的位置。此时 worker 可以反复运行,但某些旧版本仍不能安全删除。

先找最老的 backend_xmin 和长事务。

sql
SELECT
  pid,
  usename,
  application_name,
  state,
  age(backend_xmin) AS xmin_age,
  now() - xact_start AS xact_age,
  wait_event_type,
  wait_event,
  left(query, 120) AS query
FROM pg_stat_activity
WHERE backend_xmin IS NOT NULL
ORDER BY age(backend_xmin) DESC
LIMIT 20;

再检查复制槽和两阶段事务是否存在长期保留。

sql
SELECT
  slot_name,
  slot_type,
  active,
  xmin,
  catalog_xmin,
  restart_lsn
FROM pg_replication_slots
ORDER BY slot_name;

SELECT
  gid,
  prepared,
  owner,
  database
FROM pg_prepared_xacts
ORDER BY prepared;

发现老事务后,不要因为它“看起来空闲”就直接终止。先确认业务身份、事务用途、是否允许重试以及是否正在执行批处理;复制槽则要确认订阅者或备库状态,避免为了回收 dead tuple 破坏复制恢复点。

根据根因做最小改动而不是全局猛调

如果热点表确实因为阈值过高而清理启动太晚,优先使用表级参数,把影响限制在高 churn 表。下面只是一个调参形态示例,具体数值应根据表规模、更新速率和 I/O 余量确定,不能直接照抄到生产。

sql
ALTER TABLE public.orders SET (
  autovacuum_vacuum_scale_factor = 0.02,
  autovacuum_vacuum_threshold = 1000
);

如果问题是清理速度不足,可以在确认 I/O 余量后调整 cost 策略或 worker 容量;如果问题是旧快照,则先解除阻塞源;如果已经出现明显膨胀,可以先执行普通 VACUUM 让内部空间可复用,并观察业务是否重新利用这些页。

sql
VACUUM (ANALYZE, VERBOSE) public.orders;

不要把 VACUUM FULL 当作 Autovacuum 跟不上时的第一反应。它会重写表并需要更强锁,适合在确认确实需要把 relation 文件收缩并且有维护窗口时使用。索引膨胀也应单独评估,不能假设一次普通 VACUUM 会把所有索引文件恢复到理想大小。

用验收指标确认问题真的关闭

一次 VACUUM 成功不等于故障关闭。至少要重新观察三个维度:dead tuple 增长斜率是否下降、Autovacuum 是否能在下一轮 churn 到来前完成、前台查询和存储延迟是否保持稳定。

可以在处置前后重复同一组表级查询,并额外检查 relation 体积。

sql
SELECT
  c.oid::regclass AS table_name,
  pg_size_pretty(pg_relation_size(c.oid)) AS heap_size,
  pg_size_pretty(pg_indexes_size(c.oid)) AS indexes_size,
  pg_size_pretty(pg_total_relation_size(c.oid)) AS total_size
FROM pg_class AS c
WHERE c.oid = 'public.orders'::regclass;

普通 VACUUM 的主要目标是让不可见版本占用的空间重新可用,它通常不会让操作系统看到的表文件立刻变小。因此,n_dead_tup 回落、后续写入能够复用空间、Autovacuum 周期恢复正常,即使 pg_relation_size 没有明显下降,也可能已经达成维护目标;只有当容量必须实际归还文件系统时,才进入重写表或其他在线重组方案的评估。

最终把事故记录成一条可复用的判断链:先确认增长趋势,再判断触发与排队,再看执行阶段,再排除旧快照和复制保留,最后根据根因做表级调参、解除阻塞或安排空间重写。这样下一次遇到“Autovacuum 跟不上”,你拿到的是证据链,而不是一组未经验证的参数。

目录与阅读设置

记录一个想法

PostgreSQL Autovacuum 跟不上时怎么排查

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通