SQL PostgreSQL 的 pg_stat_replication 的 lag 与同步状态监控

pg_stat_replication 中的 lag 值（如 replay_lag）表示 wal 字节偏移量差，非秒级时间延迟；replay_lag 最接近同步延迟感，但需结合 pg_last_xact_replay_timestamp() 获取真实秒级延迟。

pg_stat_replication 的 lag 值到底代表什么延迟

pg_stat_replication 里的 pg_wal_lsn_diff() 计算出的 lag（比如 write_lag、flush_lag、replay_lag）不是秒级时间差，而是 WAL 字节偏移量差。它反映的是主库已生成但备库还没写入/刷盘/重放的 WAL 数据量。

• 这个值会受 WAL 生成速率影响：业务写入猛时 lag 字节数涨得快，但实际时间延迟未必高
• replay_lag 最接近“同步延迟感”，但它仍不是 wall-clock 时间，postgresql 10+ 才有该字段，旧版本只能靠 pg_last_wal_receive_lsn() 和 pg_last_wal_replay_lsn() 手动算差值
• 如果 lag 突然从几 MB 暴涨到 GB 级，大概率是备库卡在 IO 或 replay 阶段，不是网络问题

SELECT client_addr, state, write_lag, flush_lag, replay_lag  FROM pg_stat_replication;

如何判断 standby 是否真的同步中（而不仅是连上了）

连接上不等于同步中。state = 'streaming' 只表示 WAL 流正在传输，但备库可能卡在 apply 阶段（比如被 long-running query 持有锁阻塞 replay）。

• 优先看 replay_lag 是否稳定增长或归零；若为 NULL，说明备库还没开始 replay（可能刚启动、或配置了 hot_standby = off）
• 检查 pg_is_in_recovery() 返回 true 是基本前提，否则这台根本不是 standby
• 若 state = 'startup'，说明备库还在 recovery 初始化阶段，此时所有 lag 字段都是 NULL，不算异常

常见误判：看到 state = 'streaming' 就认为 OK，结果 replay_lag 持续增大，且 pg_stat_activity 里没看到 client_addr 对应的 backend_type = 'client backend' 连接 —— 这说明 WAL 在传，但没进 replay 队列。

用 pg_stat_replication 监控同步状态时最常踩的坑

• 监控脚本直接查 pg_stat_replication 却没加 WHERE client_addr IS NOT NULL，导致聚合时把本地 wal sender（如逻辑复制槽）也当 standby 算进去，拉低平均 lag
• 把 write_lag 当成最终延迟指标 —— 实际上只要 replay_lag 不为 0，数据就还没对应用可见，尤其对强一致性读场景致命
• 忽略 sync_state 字段：'sync' 表示该 standby 被选为同步备库，'quorum' 或 'async' 下即使 lag 很小也不参与同步提交
• 在 pgBouncer 后面查这个视图？不行。pg_stat_replication 只在主库上存在，且只反映直连主库的 standby，经连接池的连接不会出现在这里

一个典型错误监控语句：

SELECT 1 FROM pg_stat_replication WHERE replay_lag > '100MB';

—— 缺少 AND state = 'streaming' 和 AND sync_state = 'sync' 条件，告警容易误触发。

lag 字节数怎么换算成可理解的延迟风险

没有固定换算公式，但可以建立经验锚点：

• replay_lag ：通常对应毫秒级延迟，可视为“基本实时”

• 16MB ~ 128MB：取决于 WAL 写入节奏，一般在几百毫秒到 2 秒之间，多数 OLTP 场景仍可接受

• > 128MB：需警惕 —— 若持续超过 30 秒，大概率出现 replay backlog，可能拖慢主库的 checkpoint，甚至触发 max_standby_streaming_delay 超时取消查询

• 不要依赖 pg_wal_lsn_diff(pg_current_wal_lsn(), replay_lsn) 的绝对值做 SLO，它和磁盘 IO、备库负载、WAL segment 大小都强相关

• 更稳妥的方式是结合 now() - pg_last_xact_replay_timestamp()（PostgreSQL 9.6+），这个才是真正的秒级延迟，但要注意它只记录最后一次事务重放时间，静默期不更新

真正麻烦的是那种 lag 波动剧烈、反复冲高又回落的情况 —— 往往意味着备库磁盘吞吐不足，或者主库突发大批量 copy / VACUUM FULL，这种问题光看平均 lag 值会完全漏掉。