凌晨两点十七分客户的数据库服务器硬盘咔哒一声跟着就是整排机柜报警灯一起闪。那声音我到现在还记得像是有人在电闸那儿用力掰了一下然后整个机房安静得可怕。我当时还挺淡定的心想怕什么我们有备份啊。每天夜里全量加增量脚本从来没报过错文件都在日志也都写着成功。我甚至还有一套自己写的验证脚本隔几天就跑一遍检查备份文件能不能被识别。我那时候觉得自己可专业了比起那些只管跑、不管结果的同行我强多了。结果呢。等真到了恢复这一步我把备份文件往新机器上一导直接报错。仔细一看原来这半个月的增量备份压根没跟全量对上链断在最中间就跟盖房子盖到一半工人把中间那层给抽了似的。我那个验证脚本只检查文件能不能被工具识别根本没检查能不能真的把数据恢复到能用。这两个完全不是一回事可我那天之前从没想过它们会有差别。打岔一句说到这个我就想起之前写过客户的那只 Agent 跑崩当时也是推到根上才发现验证的粒度太粗了。你这会儿肯定也猜到了备份和 Agent 一样光看它在工作是远远不够的得看它是不是真能救命。后来我花了一个通宵一边流汗一边从上周的某一份全量里把数据硬捞回来总算赶在客户上班前把系统拉起来了。数据丢了大半天好在业务影响还能接受。但我站在机房里看着渐渐亮起来的屏幕心里那口气一直没松。第二天我就把那个只验证识别、不验证恢复的破脚本给删了重写了一套。核心就一句话恢复不了的东西不叫备份叫心理安慰。我把这几年的经验捋了捋越想越后怕。备份这事坑不在没做在以为做了就完了。先说最常见的备份和恢复从来不是同一条路。你能把文件存下来不代表你能把它还原回去更不代表还原回去业务就能接着跑。系统版本、依赖、配置、甚至磁盘格式差一点点都可能让备份彻底白搭。所以恢复演练必须真的演练在干净的环境里把从零恢复到可用整条走一遍而不是只看那层文件在不在。再说链条全量加增量这套组合中间任何一环断了后面全白攒。你得定期检查链是不是连续最好画个时间线出来哪天哪份该在哪天哪份断了一目了然。还有更隐蔽的备份脚本通常深夜跑日志写成功可成功两个字背后可能是根本没连上目标或者连上了但权限不够写了个空文件。我后来强制让脚本把本次实际写入多少字节、源有多少条记录也打出来比对不匹配就当失败处理宁可我半夜被吵醒也别让我恢复的时候才发现是空壳。说到这儿得客观说一句到底谁需要这套折腾谁可以稍微松口气。如果你在做的事丢了数据顶多让人重新录一遍或者系统崩了能接受重装——比如个人的小项目、纯展示用的站点那确实没必要上多复杂的灾备一份定期全量加个异地拷贝就够用了。但如果你手里是客户的业务系统、有明确的 RTORecovery Time Objective恢复时间目标和 RPORecovery Point Objective恢复点目标指标比如要求半小时内恢复、最多丢十分钟数据那对不起上面说的每一个坑你都躲不掉恢复演练得像排演火灾逃生一样隔三差五来一回甚至得故意挑业务最忙的时候演练才能逼出真问题。还有一层更扎心的就是备份本身也会坏、也会被加密、也会被人误删。我见过有人把备份跟业务数据放在同一个存储池里勒索病毒一来一块儿没了。异地、异机、异介质这几件事你得掂量清楚别等真出事才发现备份和生产睡在同一张床上。那天早上我从客户机房出来天刚亮买了杯热的豆浆蹲在路边喝脑子里就一个念头翻来覆去——备份这东西平时它一句话不说安安静静地在那儿积着你几乎感受不到它存在。可它才是那个真到关键时刻能让你从崩溃边缘爬回来的东西。你越觉得它肯定没问题它就越可能在最要命的时候给你上一课。你公司的备份最近一次真正从零恢复演练是多久以前的事了真动过手吗还是跟我之前一样只看了看那几行成功的日志评论区聊聊我想知道是不是只有我一个人吃过这亏。
