数据库迁移出问题时的排查顺序：从现象到根因

DDL 拿不到 metadata lock 时会阻塞后续所有查询，排队几秒就能雪崩

正确的第一步是分类：起不来、连不上、跑得慢，三条路完全不同。

先说结论

先分三类，再由外向内查：网络、进程、配置、依赖、资源。

• 先确认现象能复现，且能描述清楚
• 由外向内：端口、进程、配置、依赖、资源
• 读第一条错误，不是最后一条
• 改一个变量，验证一次，别一次改五处
• 留下记录：现象、假设、验证、结论

第一类：起不来

先看进程在不在，再看它为什么退出：DDL 拿不到 metadata lock 时会阻塞后续所有查询，排队几秒就能雪崩。

• 查看服务状态与最近日志（不是全部日志）
• 确认端口是否被占用、权限是否足够
• 确认配置文件语法（多数服务支持 test 模式）
• 确认依赖的数据目录存在且可写

第二类：连不上

按「本机、网络、代理、应用」四层查：

第三类：跑得慢

先删列再改代码，老版本代码还在写这一列，直接报错。

慢的问题先分清是「等」还是「算」：CPU 高是算，CPU 低但延迟高是等（IO、锁、网络）。

这个服务的高频故障点

同类的坑基本集中在这些位置：

• 给大表加索引走 online DDL，但仍占 IO，业务高峰执行会拖慢查询
• DDL 拿不到 metadata lock 时会阻塞后续所有查询，排队几秒就能雪崩
• 先删列再改代码，老版本代码还在写这一列，直接报错
• 迁移脚本要幂等，重跑一次不能把数据插两遍

别做的事

迁移和代码同时上线，回滚时代码回了、库没回

迁移脚本里写死环境相关的库名，换环境就失败

一次改多个参数，会让下一次故障更难查。

把结论写下来

排查记录不是给别人看的，是给三个月后的自己看的。迁移脚本要幂等，重跑一次不能把数据插两遍。

还有几处容易忽略的

都是小地方，但出问题时往往就卡在这里。

• MySQL 8.0.12 之后加列支持 INSTANT，只改元数据，千万行也是秒级
• 回滚脚本平时不测，真要用的时候基本都是错的
• 业务高峰跑大表 DDL，metadata lock 把整库拖死

排障能力不是知道更多命令，是知道先查什么。