一、前言：为什么需要“手动”故障转移？
Redis 分片集群（Cluster）默认支持自动故障转移——当主节点宕机时，从节点会自动升主。
但在计划内维护场景中，我们更希望主动、可控、无损地完成主从切换：
✅ 场景举例：
- 主节点所在服务器需重启或升级
- 主节点CPU/内存持续高负载，需临时切走流量
- 滚动升级 Redis 版本
- 压测前主动切换，避免影响线上主节点
手动故障转移（Manual Failover） 正是为此设计：无需停机、数据零丢失、业务无感知！
本文将手把手教你如何安全执行手动切换。
二、手动故障转移 vs 自动故障转移
| 触发条件 | 主节点宕机/失联 | 运维人员主动触发 |
| 切换速度 | 15~30 秒（依赖超时） | 秒级完成 |
| 数据一致性 | 可能丢失最后几秒写入 | 完全同步，零数据丢失 |
| 业务影响 | 短暂不可用 | 几乎无感 |
| 适用场景 | 故障应急 | 计划内维护、升级、优化 |
✅ 核心优势：在主从数据完全同步的前提下切换，确保强一致性！
三、原理：如何实现“无损”切换？
手动故障转移通过以下机制保证安全：
- 确保所有复制偏移量（replication offset）已追平
- 通过 CLUSTER FAILOVER TAKEOVER 可跳过此步（强制切换）
- 角色互换，IP 不变（客户端连接不受影响）
🔑 关键命令：CLUSTER FAILOVER [FORCE|TAKEOVER]
四、实战步骤：安全执行手动故障转移
4.1 环境说明
- 主节点：192.168.1.10:7001
- 从节点：192.168.1.10:7004（主 7001 的从）
4.2 步骤 1：确认主从同步状态
# 在从节点执行
redis-cli -p 7004 INFO REPLICATION
关注输出：
master_host:192.168.1.10
master_port:7001
master_link_status:up # 必须为 up
master_last_io_seconds_ago:0 # 最近一次通信（越小越好）
slave_read_only:1
✅ 确保 master_link_status: up 且 lag 很小（< 1s）
4.3 步骤 2：在从节点触发手动故障转移
# 登录从节点（7004），执行：
redis-cli -p 7004 CLUSTER FAILOVER
⏱️ 等待 1~3 秒，命令会阻塞直到切换完成。
可选参数说明：
| CLUSTER FAILOVER | 标准模式：等待数据完全同步后切换（推荐） |
| CLUSTER FAILOVER FORCE | 强制模式：不等待同步，立即切换（可能丢数据） |
| CLUSTER FAILOVER TAKEOVER | 接管模式：无需主节点参与（主已宕机时使用） |
💡 生产建议：始终使用无参 CLUSTER FAILOVER，确保数据安全。
4.4 步骤 3：验证角色是否互换
查看新主（原从 7004）：
redis-cli -p 7004 ROLE
# 返回：1) "master" 2) (integer) 12345 …
查看新从（原主 7001）：
redis-cli -p 7001 ROLE
# 返回：1) "slave" 2) "192.168.1.10" 3) (integer) 7004 …
查看集群拓扑：
redis-cli -p 7004 CLUSTER NODES
# 应显示 7004 为 master，7001 为 slave
✅ 角色已成功互换！
4.5 步骤 4：验证业务读写正常
# 写入新主（7004）
redis-cli -c -p 7004 SET manual_failover_test "success"
# 读取（任意节点）
redis-cli -c -p 7001 GET manual_failover_test # 返回 "success"
✅ 客户端无需修改连接地址！因为 slot 归属未变，只是主从角色互换。
五、高级场景：主节点已宕机，如何强制接管？
若主节点已无法响应（如服务器宕机），但你想立即升从为主：
在从节点执行：
redis-cli -p 7004 CLUSTER FAILOVER TAKEOVER
⚠️ 注意：
- 此操作绕过集群共识，仅在紧急情况下使用
- 可能导致脑裂（若原主恢复但未降级）
- 操作后需手动清理原主（重启后执行 CLUSTER RESET SOFT）
六、客户端影响分析
6.1 连接是否中断？
- TCP 连接本身不断开（IP:Port 未变）
- 但原主降从后变为 read-only，写请求会报错：
(error) READONLY You can't write against a read only replica.
6.2 如何做到“业务无感”？
现代客户端（如 Lettuce）会：
✅ 效果：应用层可能收到一次异常，但重试后即可成功。
6.3 Spring Boot 优化建议
// 配置重试机制（结合 Resilience4j 或 Spring Retry）
@Retryable(value = {RedisCommandExecutionException.class}, maxAttempts = 3, backoff = @Backoff(delay = 100))
public void setValue(String key, String value) {
redisTemplate.opsForValue().set(key, value);
}
七、生产环境最佳实践
✅ 必须遵守
✅ 推荐流程（维护 checklist）
– [ ] 确认主从同步状态正常
– [ ] 通知相关团队（可选）
– [ ] 执行 `CLUSTER FAILOVER`
– [ ] 验证新主可写、新从可读
– [ ] 监控 QPS/延迟/错误率 5 分钟
– [ ] 记录操作日志
八、常见问题排查
❌ 问题 1：CLUSTER FAILOVER 卡住不动
- 原因：主从数据未同步完成
- 解决：等待或检查网络/主节点负载
❌ 问题 2：切换后客户端持续报 MOVED
- 原因：客户端未刷新拓扑
- 解决：Lettuce 配置 enablePeriodicRefresh
❌ 问题 3：原主恢复后未自动降从
- 原因：原主配置未更新
- 解决：重启原主，或手动执行 REPLICAOF <new-master>
九、结语
感谢您的阅读！如果你有任何疑问或想要分享的经验，请在评论区留言交流！
