干货！一次kafka卡顿事故排查过程
由于一次功能上線后，導致某數據量急劇下滑，給我們緊張的呢！排查過程也是個學習過程！拋開結果，方法論可供參考～
1. 確認問題的真實性？
? ? ? 被數據部門告知，某數據量下滑嚴重，當時即知道問題的嚴重性。且該問題是在我的功能上線后產生，第一反應就是，我代碼哪里寫錯了？ 但是，還得按流程來，通過各種維度數據對比請求量，實際落地量。確認問題！
? ? ? 其實該過程中，我們并沒有確認自己的數據量下滑。但是這也脫不了數據下滑的干系。只能進行下一步！
2. 檢查代碼，找有經驗的同學，對比原有功能差異點？
? ? ? 這個步驟其實，是有點盲目的感覺。因為第一步的排查并沒有找到足夠的證明說明問題出在我們，但是問題在于期間只有我們上過線，所以只能自我反省了。
? ? ? ?不過幸好，這過程還真有用，果真發現了自己埋的一個坑，此坑確實會導致該數據量的下滑。趕緊修掉唄！
? ? ? ?然后松了一口氣，以為搞好了。其實不然，數據量依然上不去。這就尷尬了！
? ? ? ?我已經開始懷疑人生，難道代碼沒發上去？難道線上和本地某個地方不一樣？測試環境反復測試正確無誤。我真想直接把測試環境代碼弄到線上去，哎，算了吧，很多東西是不會以人的意志為轉移的，咱們還是理性點！別謀出路吧！
3. 直接坐到dba旁邊去吧，讓我們隨時關注數據量？
? ? ? 自我排查已經救不了自己了，那就上dba那里。麻煩幫我統計下上線后，數據量的變化，結果是沒多大差別。心想有可能是時間太短，看不出變化，等會兒再統計吧。依然沒有變化！我的神吶，定了鍋還在。
? ? ? 大的數據量不行，那我用自己的賬號來測試吧，操作完成后，觀察數據，發現有時有有時無！額，說不出啥了。
4. 本地調試吧？
? ? ? 原本以為，是線上問題，緊急處理下就好了。然而事實卻超出了我的預料，將驗證直接交給線上，是對用戶的不負責，是對數據的不負責。咱們還是從本地做起吧。
? ? ? 本地調試要走vpn，有點煩，但不管怎么樣，還是跑起來了。沒問題啊！這尷尬了。
? ? ? 然后，引出下一個議題！
5. 線上環境配置與測試環境不一樣？
? ? ? 然后我們努力找出其中的不同點，哪怕是多了一個文件，某個文件的更改時間點不一致，我們都想去試一下！當然了，為了穩妥起見，我們還是不能直接在線上驗證的，除非有足夠的證據說明線上的配置是有問題的。當然我們最終并沒有找到這樣的證據，只是將線上的所有東西都搬到測試環境來驗證，結果是暢通無阻！
? ? ? 還有一個證明此路不通的理由，之前的配置跑得好好的東西，難道會自己壞掉？不可能吧。此路不通！
6. 實在不行了，只能改代碼線上調試？
? ? ? 調試第一步，各自打日志！把之前請求打印不全的地方，加上完整日志，再發一版吧！有了日志，就有證據，但是真的是急中生錯啊，日志居然打得不對，將參數打印為了內存地址也真是夠了。
? ? ? 日志改好后，測試唄，繼續用自己的賬號。還是一樣，有時能能進有時不能（監控手段為dba起一個臨時的kafka消費者，然后將數據拉出來看）！那咋整呢？
? ? ? 難道是有的機器壞了？分配到壞的機器上去的請求就失敗，分配到正確機器的上去的請求就正確。然后吭哧吭哧搞了半天的數據驗證，曾經以為這是方向，結果又被打回。
7. 不行咱們就抓包吧？
? ? ?tcpdump，一個網絡流抓包神器，lsof助攻一下。
? ? ?抓包只是為了確認一個問題，客戶機器有發送請求到服務端機器，網絡流正常運轉！然后證明，客戶端機器有大量長連接到服務器，數據流發送接收正常（syn）。這至少說明了一點，客戶端是沒有問題的！那么就還剩一個問題，那就是服務端出問題了！我們堅信，當然要有證據嘛。
? ? ? 同理，我們在服務端機器上進行反向抓包，然后抓到了來自客戶端的包，很流暢嘛！額。。。
8. 不行，沒有思路了，重啟機器吧？
? ? ? 不，我說的是重啟服務。最近不是有改動嘛，按理誰改動重啟誰。然而這是沒有用的，因為之前的幾次發布早已重啟了n次。那咋整呢。只剩重啟服務端，kafka服務了唄，死馬當活馬醫吧！
? ? ? 重啟后，驗證唄。結果貌似還是發現有成功，有失敗！
9. 改異步請求為同步請求？
? ? ? 又沒思路了，我不甘心吶，為啥測試環境好好的，到線上就不行了呢？再想想差別在哪里？
? ? ? 得出的結論是，線上并發大，測試環境量無。然后發現這一塊代碼是由異步線程做的，會不會是這里有問題？
? ? ? 不管了，改成同步請求試試吧。再來一版！
? ? ? 別說，改為同步后，雖然用戶請求基本都慢死了，但是發現kafka請求確實存在了。難道真的是因為這個，那我們也不能這么改啊，用戶體驗是第一位的，為了這事改異步為同步，咱得吃不了兜著走啊。改回來繼續其他的吧！
10. 再回測試環境，壓測并發？
? ? ? 改還原為異步后，又回到當初有成功有失敗境地了。
? ? ? 既然懷疑線上高并發導致，那為什么不在測試環境高并發壓測一下呢？用shell腳本快速寫了一個循環請求腳本，大量請求到kafka后，并無一絲異常，到此并發問題取消。（for，nohup a.sh > /dev/null 2&>1 &）n 次即模擬n個并發請求
11. 再來細細檢查代碼吧？
? ? ? 都不知道查了幾遍了，但是還是要查啊，不然咋整呢，幾個人一起看代碼唄！
? ? ? 然而這并沒有什么卵用。
12. 拋開用戶行為，直接以命令行形式操作請求？
? ? ?雖然用戶行為是最真實的驗證，但是也是比較麻煩的驗證。
? ? ?我們就拋開各種中間環節，直接向kafka服務器發起請求！
? ? ?分兩種方式，1 用現在的代碼去請求，2 用kafka自帶的請求方式請求。結果得到兩個不同的結果，用代碼的方式請求的數據，沒有成功，用kafka自己的請求方式，則毫秒級響應。哎，這是讓我又懷疑代碼？
13. 已走投無路，讓我們再看一眼數據吧？
? ? ?真的是沒有思路了，只能再來看看數據，當打發時間了。
? ? ?意外就在你想不到的時候發生了。數據已經恢復正常了！我擦！
? ? ?倒推時間，倒推事件，是由于kafka重啟，導致數據回升的。
? ? ?好吧，問題已經定位，kafka卡頓導致。咱們已經熬不住了，發個結論郵件，就先回去洗洗睡吧！
14. 為什么kafka會卡頓？
? ? ?這才是問題的根本！只是我們當時已經沒有力氣再往下搞了！
? ? ?結論是由于topic請求量過大，而partition過小，導致吞吐量下降。將partition改大之后，終于真正恢復正常！
額，好像做了很多無用功，沒辦法 ！
不要害怕今日的苦，你要相信明天，更苦！總結
以上是生活随笔為你收集整理的干货！一次kafka卡顿事故排查过程的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 4月技术指标2
- 下一篇： centos7 以上和以下版本设置