干货！一次kafka卡顿事故排查过程

由于一次功能上线后，导致某数据量急剧下滑，给我们紧张的呢！排查过程也是个学习过程（这其中有大部分是领导们的功劳，不过分享给大家应该也不犯法吧，ᐓ）

1. 确认问题的真实性？

被数据部门告知，某数据量下滑严重，当时即知道问题的严重性。且该问题是在我的功能上线后产生，第一反应就是，我代码哪里写错了？ 但是，还得按流程来，通过各种维度数据对比请求量，实际落地量。确认问题！

其实该过程中，我们并没有确认自己的数据量下滑。但是这也脱不了数据下滑的干系。只能进行下一步！

2. 检查代码，找有经验的同学，对比原有功能差异点

这个步骤其实，是有点盲目的感觉。因为第一步的排查并没有找到足够的证明说明问题出在我们，但是问题在于期间只有我们上过线，所以只能自我反省了。

不过幸好，这过程还真有用，果真发现了自己埋的一个坑，此坑确实会导致该数据量的下滑。赶紧修掉呗！

然后松了一口气，以为搞好了。其实不然，数据量依然上不去。这就尴尬了！

我已经开始怀疑人生，难道代码没发上去？难道线上和本地某个地方不？测试环境反复测试正确无误。我真想直接把测试环境代码弄到线上去，哎，算了吧，很多东西是不会以人的意志为转移的，咱们还是理性点！别谋出路吧！

3. 直接坐到dba旁边去吧，让我们随时关注数据量

自我排查已经救不了自己了，上dba那里。麻烦帮我统计下上线后，数据量的变化，结果是没多大差别。心想有可能是时间太短，看不出变化，等会儿再统计吧。依然没有变化！我的神呐，定了锅还在。

大的数据量不行，那我用自己的账号来测试吧，操作完成后，观察数据，发现有时有有时无！额，说不出啥了。

4. 本地调试吧？

原本以为，是线上问题，紧急处理下就好了。然而事实却超出了我的预料，将验证直接交给线上，是对用户的不负责，是对数据的不负责。咱们还是从本地做起吧。

本地调试要走vpn，有点烦，但不管怎么样，还是跑起来了。没问题啊！这尴尬了。

然后，引出下一个议题！

5. 线上环境配置与测试环境不一样？

然后我们努力找出其中的不同点，哪怕是多了一个文件，某个文件的更改时间点不一致，我们都想去试一下！当然了，为了稳妥起见，我们还是不能直接在线上验证的，除非有足够的证据说明线上的配置是有问题的。当然我们最终并没有找到这样的证据，只是将线上的所有东西都搬到测试环境来验证，结果是畅通无阻！

还有一个证明此路不通的理由，之前的配置跑得好好的东西，难道会自己坏掉？不可能吧。此路不通！

6. 实在不行了，只能改代码线上调试？

调试第一步，各自打日志！把之前请求打印不全的地方，加上完整日志，再发一版吧！有了日志，就有证据，但是真的是急中生错啊，日志居然打得不对，将参数打印为了内存地址也真是够了。

日志改好后，测试呗，继续用自己的账号。还是一样，有时能能进有时不能（监控手段为dba起一个临时的kafka消费者，然后将数据拉出来看）那咋整呢？

难道是有的机器坏了？分配到坏的机器上去的请求就失败，分配到正确机器的上去的请求就正确。然后吭哧吭哧搞了半天，曾经以为这是方向，结果又被打回。

7. 不行咱们就抓包吧？

tcpdump，一个抓包神器，lsof助攻一下。

抓包只是为了确认一个问题，客户机器有发送请求到服务端机器，网络流正常运转！然后证明，客户端机器有大量长连接到服务器，数据流发送接收正常（syn）。这至少说明了一点，客户端是没有问题的！那么就还剩一个问题，那就是服务端出问题了！我们坚信，当然要有证据嘛。

同理，我们在服务端机器上进行反向抓包，然后抓到了来自客户端的包，很流畅嘛！额。。。

8. 不行，没有思路了，重启机器吧？

不，我说的是重启服务。最近不是有改动嘛，按理谁改动重启谁。然而这是没有用的，因为之前的几次发布早已重启了n次。那咋整呢。只剩重启服务端，kafka服务了呗，死马当活马医吧！

重启后，验证呗。结果貌似还是发现有成功，有失败！

9. 改异步请求为同步请求？

又没思路了，我不甘心呐，为啥测试环境好好的，到线上就不行了呢？再想想差别在哪里？

得出的结论是，线上并发大，测试环境量无。然后发现这一块代码是由异步线程做的，会不会是这里有问题？

不管了，改成同步请求试试吧。再来一版！

别说，改为同步后，虽然用户请求基本都慢死了，但是发现kafka请求确实存在了。难道真的是因为这个，那我们也不能这么改啊，用户体验是第一位的，为了这事改异步为同步，咱得吃不了兜着在意啊。改回来继续其他的吧！

10. 再回测试环境，压测并发？

改还原为异步后，又回到当初有成功有失败境地了。

既然怀疑线上高并发导致，那为什么不在测试环境高并发一下？用shell脚本快速写了一个循环请求脚本，大量请求到kafka后，并无一丝异常，到此并发问题取消。

11. 再来细细检查代码吧？

都不知道查了几遍了，但是还是要查啊，不然咋整呢，几个人一起看代码呗！

然而这并没有什么卵用。

12. 抛开用户行为，直接以命令行形式操作请求？

虽然用户行为是最真实的验证，但是也是比较麻烦的验证。

我们就抛开各种中间环节，直接向kafka服务器发起请求！

分两种方式，1 用现在的代码去请求，2 用kafka自带的请求方式请求。结果得到两个不同的结果，用代码的方式请求的数据，没有成功，用kafka自己的请求方式，则毫秒级响应。哎，这是让我又怀疑代码？

13. 已走投无路，让我们再看一眼数据吧？

真的是没有思路了，只能再来看看数据，当打发时间了。

意外就在你想不到的时候发生了。数据已经恢复正常了！我擦！

倒推时间，倒推事件，是由于kafka重启，导致数据回升的。

好吧，问题已经定位，kafka卡顿导致。咱们已经熬不住，发个结论邮件，就先回去洗洗睡吧！

14. 为什么kafka会卡顿？

这才是问题的根本！只是我们当时已经没有力气再往下搞了！

由于topic请求量过大，而partition过小，导致吞吐量下降。将partition改大之后，终于真正恢复正常！

额，好像做了很多无用功，没办法 ！