幹貨！一次kafka卡頓事故排查過程

     由于一次功能上線後，導緻某資料量急劇下滑，給我們緊張的呢！排查過程也是個學習過程！抛開結果，方法論可供參考～

1. 确認問題的真實性？

      被資料部門告知，某資料量下滑嚴重，當時即知道問題的嚴重性。且該問題是在我的功能上線後産生，第一反應就是，我代碼哪裡寫錯了？ 但是，還得按流程來，通過各種次元資料對比請求量，實際落地量。确認問題！

      其實該過程中，我們并沒有确認自己的資料量下滑。但是這也脫不了資料下滑的幹系。隻能進行下一步！

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，但是問題在于期間隻有我們上過線，是以隻能自我檢討了。

       不過幸好，這過程還真有用，果真發現了自己埋的一個坑，此坑确實會導緻該資料量的下滑。趕緊修掉呗！

       然後松了一口氣，以為搞好了。其實不然，資料量依然上不去。這就尴尬了！

       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？測試環境反複測試正确無誤。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！别謀出路吧！

3. 直接坐到dba旁邊去吧，讓我們随時關注資料量？

      自我排查已經救不了自己了，那就上dba那裡。麻煩幫我統計下上線後，資料量的變化，結果是沒多大差别。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！我的神呐，定了鍋還在。

      大的資料量不行，那我用自己的賬号來測試吧，操作完成後，觀察資料，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，将驗證直接交給線上，是對使用者的不負責，是對資料的不負責。咱們還是從本地做起吧。

      本地調試要走vpn，有點煩，但不管怎麼樣，還是跑起來了。沒問題啊！這尴尬了。

      然後，引出下一個議題！

5. 線上環境配置與測試環境不一樣？

      然後我們努力找出其中的不同點，哪怕是多了一個檔案，某個檔案的更改時間點不一緻，我們都想去試一下！當然了，為了穩妥起見，我們還是不能直接線上上驗證的，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，隻是将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，隻能改代碼線上調試？

      調試第一步，各自打日志！把之前請求列印不全的地方，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，将參數列印為了記憶體位址也真是夠了。

      日志改好後，測試呗，繼續用自己的賬号。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，然後将資料拉出來看）！那咋整呢？

      難道是有的機器壞了？配置設定到壞的機器上去的請求就失敗，配置設定到正确機器的上去的請求就正确。然後吭哧吭哧搞了半天的資料驗證，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。

     抓包隻是為了确認一個問題，客戶機器有發送請求到服務端機器，網絡流正常運轉！然後證明，用戶端機器有大量長連接配接到伺服器，資料流發送接收正常（syn）。這至少說明了一點，用戶端是沒有問題的！那麼就還剩一個問題，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，然後抓到了來自用戶端的包，很流暢嘛！額。。。

8. 不行，沒有思路了，重新開機機器吧？

      不，我說的是重新開機服務。最近不是有改動嘛，按理誰改動重新開機誰。然而這是沒有用的，因為之前的幾次釋出早已重新開機了n次。那咋整呢。隻剩重新開機服務端，kafka服務了呗，死馬當活馬醫吧！

      重新開機後，驗證呗。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，我不甘心呐，為啥測試環境好好的，到線上就不行了呢？再想想差别在哪裡？

      得出的結論是，線上并發大，測試環境量無。然後發現這一塊代碼是由異步線程做的，會不會是這裡有問題？

      不管了，改成同步請求試試吧。再來一版！

      别說，改為同步後，雖然使用者請求基本都慢死了，但是發現kafka請求确實存在了。難道真的是因為這個，那我們也不能這麼改啊，使用者體驗是第一位的，為了這事改異步為同步，咱得吃不了兜着走啊。改回來繼續其他的吧！

10. 再回測試環境，壓測并發？

      改還原為異步後，又回到當初有成功有失敗境地了。

      既然懷疑線上高并發導緻，那為什麼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後，并無一絲異常，到此并發問題取消。（for，nohup a.sh > /dev/null 2&>1 &）n 次即模拟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，幾個人一起看代碼呗！

      然而這并沒有什麼卵用。

12. 抛開使用者行為，直接以指令行形式操作請求？

     雖然使用者行為是最真實的驗證，但是也是比較麻煩的驗證。

     我們就抛開各種中間環節，直接向kafka伺服器發起請求！

     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資料，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，讓我們再看一眼資料吧？

     真的是沒有思路了，隻能再來看看資料，當打發時間了。

     意外就在你想不到的時候發生了。資料已經恢複正常了！我擦！

     倒推時間，倒推事件，是由于kafka重新開機，導緻資料回升的。

     好吧，問題已經定位，kafka卡頓導緻。咱們已經熬不住了，發個結論郵件，就先回去洗洗睡吧！

14. 為什麼kafka會卡頓？

     這才是問題的根本！隻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，導緻吞吐量下降。将partition改大之後，終于真正恢複正常！

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！