最近在排查问题的时候,发现 panic 日志缺失等问题,所以就此问题展开如下探索
起因:测试环境 panic recover 日志平台找不到
最近在测试环境上线时,发现启动 panic 并无限循环
只显示重启次数和不健康的状态,要看 panic 日志的化得点击右侧的 STD 日志查看,就可以看到 panic 日志。随后并定位到代码问题
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
|
func main() {
...
loadConf()
...
go cron_job()
}
func loadConf() {
conf, err := getFromOss()
if err != nil {
// 定位到这里
panic(fmt.Sprintf("s.reloadExemptConf ExemptReviewConfs conf load fail,id:%v,err:%+v", startId, e))
}
}
func getFromOss() (*conf, err) {
err := oss.Download()
if err != nil {
log.Errorc(ctx, "s.getExemptDetailFromBoss s.boss.Download confId(%+v) error(%+v)", conf.ID, err)
return err
}
...
}
// 使用的是 "github.com/robfig/cron" 包
func cron_job() {
loadConf()
}
|
解释:oss 中的配置文件被删除了(定位不到为何删除,自动过期?人为删除?)导致的 painc,我重新上传后,实例就正常上线了
思考
-
有 cron job 定时加载刷新配置,配置文件肯定是之前就丢了的。之所以之前不会 painc,肯定是 github.com/robfig/cron
在跑任务时有 recover painc
-
但是为什么 recover panic 不会报警,问了 mentor,说测试环境 panic,recover panic 都不会报警(哈,实例挂掉也没人知道。。。)
-
线上 painc,recover 报警是怎么发现 panic 的
探索
思考一
由于我在日志平台找不到关于 “panic” 关键词的日志,所以说 recover painc 的日志并没有被上报的日志平台。还好,在 getFromOss()
还有一个 error 日志
error 日志
可以看到在 5.16 这天就已经获取不到日志,由于定时任务一直跑,所以很规律地打印日志
基本可以确定 panic 被 recover 了,看了下 github.com/robfig/cron``github.com/robfig/cron
的源码印证了猜想
recover 并打印日志
而且由于 recover 后虽然打印了日志,但是只是输出到 STD,并不会上报到日志平台,也就查不到 panic 日志
思考二和三
原来使用公司工具包打印的日志,才会上报到公司的日志平台,而 panic 日志使用内置的 print(),只能输入到 STD,并不会上报
那么公司的 painc 报警和 recover panic 报警是如何实现的呢
其实很简单,由于 painc 日志只会在 STD 输出,并不会上报到平台。所以线上每一个容器内有一个进程,专门收集实例的 STD 日志,然后分析有没有 “panic” 字段并进行报警
另外的思考
其实 cron job 的 recover painc 日志是有 STD 输出的,但是却不会触发报警。如果测试环境有 painc 日志报警,其实可以早点发现这个问题。所以我认为,测试环境也应该有 panic 日志的收集和报警
改进
github.com/robfig/cron
注入日志处理器,输入到 STD 且上报到日志平台。这样就不会存在找不到 cron job recover panic 但却在日志平台找不到日志的情况了
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
import (
goLog "log"
)
type ErrorLogger struct{}
func (ErrorLogger) Printf(format string, v ...interface{}) {
// 公司的日志包,可以上报到公司的日志平台
log.Error(format, v...)
// go 内置的 log 包,默认是输出到 STD
goLog.Printf(format, a...)
}
// 注入日志处理器
func (s *Service) loadproc(conf *configs.Config) { //nolint:unparam
c := cron.New()
c.ErrorLog = ErrorLogger{}
}
|
运用
最近处理一个脏数据的问题,运用到了这个知识点
场景:由于数据库表一个必填字段出现零值,mentor 让我排查所有该字段没有校验就写入的代码
我一看该字段被那么地方引用,头都大,后来转念一想,我只要在 dao 层加一个校验,如果为空就报警,并记录下堆栈,不就可以了么,这样就可以找到源头使得产生脏数据的原因,并且保证不会产生增量的脏数据。然后报警复用线上 painc 日志报警的能力就可以了,就不用自己写企微报警了(偷笑ing,我真是大聪明)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
var (
errPTypeZero = errors.New("VideoTortRuleProperty.PType is empty")
)
// 打印含有"panic"日志到 std,目的是复用 std panic 日志报警能力,能及时知道并通过堆栈定位到导致 PType 产生脏数据的代码,杜绝脏数据入库
func logPanicPTypeZero(ctx context.Context) (err error) {
buf := make([]byte, 64<<10)
buf = buf[:runtime.Stack(buf, false)]
fmt.Fprintf(os.Stderr, "panic recovered: err: %v\n%s", errPTypeZero, buf)
log.Errorc(ctx, "panic recovered: err: %v\n%s", errPTypeZero, buf)
// 向外抛出 err
err = errPTypeZero
return
}
func (d *Dao) SaveVideoTortRuleProperties(ctx context.Context, mm *dm.VideoTortRuleProperty) (err error) {
// 判断是否脏数据
if mm.PType.String() == dmMdl.PTNotMatch.String() {
return logPanicPTypeZero(ctx)
}
orm := apmgorm.WithContext(ctx, d.videoOrm)
return orm.Save(mm).Error
|
扩展
为什么 panic 时能打印日志,为了探索这个问题,我是用最常见的导致 panic 的方式:段错误。通过 debug 后我猜测,我发现其实段错误时会陷入操作系统内核态,并产生一个 syscall.SIGSEGV 标识为 11 的信号,而 Go 的 runtime 在启动时会注册所有信号的处理函数,然后转换为 Go 自己的信号,这样就能注册自己的处理函数。而 syscall.SIGSEGV 的默认处理函数是产生一个 panic,复用 panic 的机制来打印段错误的日志并结束进程
由于找不到任何资料有上面过程的解答,runtime 的源码也很难看。我就使用下面代码验证我的猜想
思路很简单,自己注册一个 syscall.SIGSEGV 的处理函数
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
func main() {
// 创建一个通道来接收信号
sigs := make(chan os.Signal, 1)
done := make(chan bool, 1)
// 注册要接收的信号
signal.Notify(sigs, syscall.SIGSEGV)
sig := <-sigs
fmt.Println("Received signal:", sig)
fmt.Println("发生段错误,继续运行")
for {
time.Sleep(time.Second * 5)
fmt.Println("发生段错误依然运行,不会产生 panic")
}
}
|
1
2
3
4
5
6
7
8
9
10
11
|
go bulid -o test main.go
./test
Received signal: SIGSEGV
发生段错误,继续运行
发生段错误依然运行,不会产生 panic
# 另一个 bash
ps -ef | gerp test
ayang 215594 212789 0 23:35 pts/4 00:00:00 ./test
ayang 215640 149238 0 23:36 pts/0 00:00:00 grep --color=auto test
kill -11 215594 # 手动发送段错误信号
|
正当我欣喜若狂,觉得验证自己的猜想的时候。我又试了一下
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
func main() {
// 创建一个通道来接收信号
sigs := make(chan os.Signal, 1)
done := make(chan bool, 1)
// 注册要接收的信号
signal.Notify(sigs, syscall.SIGSEGV)
go func() {
time.Sleep(time.Second)
var stu *Student
stu.age = 18 // 代码触发段错误
}()
sig := <-sigs
fmt.Println("Received signal:", sig)
fmt.Println("发生段错误,继续运行")
for {
time.Sleep(time.Second * 5)
fmt.Println("发生段错误依然运行,不会产生 panic")
}
}
|
结果捕获不到段错误的信号
1
2
|
panic: runtime error: invalid memory address or nil pointer dereference
[signal SIGSEGV: segmentation violation code=0x1 addr=0x0 pc=0x599260]
|
难道操作系统发出的段错误的信号和用户 kill 命令触发的段错误信号不同?然后 Go 根据是否是操作系统触发的来主动 painc,而用户注册的段错误信号处理器只针对用户主动产生的段错误信号???(有没有大佬有这方面知识的储备)
拓展思考
对 painc 有了更全面的思考,其实 panic 是 Go runtime 的一个机制,最后是主动打印日志并结束进程。注意:是主动的,可能是收到操作系统的段错误信号
当然如果如果是 9 信号,那么不会给程序机会,直接 kill 掉了,这是操作系统的机制。所以 painc 是 Go runtime 自己的机制,觉得是异常并影响到运行而主动结束进程,所以如果有 recover,也可以恢复正常。而 kill -9 则不会给程序任何机会
End