SQL運行速度慢？查查中間件

前言

最近發(fā)現(xiàn)線上出現(xiàn)一個奇葩的問題，這問題讓筆者定位了好長時間，期間排查問題的過程還是挺有意思的，正好博客也好久不更新了，就以此為素材寫出了本篇文章。

Bug現(xiàn)場

我們的分庫分表中間件在經(jīng)過一年的沉淀之后，已經(jīng)到了比較穩(wěn)定的階段。而且經(jīng)過線上壓測的檢驗，單臺每秒能夠執(zhí)行1.7W條sql。但線上情況還是有出乎我們意料的情況。有一個業(yè)務(wù)線反映，每天有幾條sql有長達十幾秒的超時。而且sql是主鍵更新或主鍵查詢，更奇怪的是出現(xiàn)超時的是不同的sql,似乎毫無規(guī)律可尋,如下圖所示: 
一個值得注意的點，就是此業(yè)務(wù)只有一部分流量走我們的中間件，另一部分還是直接走數(shù)據(jù)庫的，而超時的sql只會在連中間件的時候出現(xiàn)，如下圖所示:

很明顯，是引入了中間件之后導(dǎo)致的問題。

排查是否sql確實慢

由于數(shù)據(jù)庫中間件只關(guān)心sql,并沒有記錄對應(yīng)應(yīng)用的traceId,所以很難將對應(yīng)的請求和sql對應(yīng)起來。在這里，我們先粗略的統(tǒng)計了在應(yīng)用端超時的sql的類型是否會有超時的情況。 分析了日志，發(fā)現(xiàn)那段時間所有的sql在往后端數(shù)據(jù)執(zhí)行的時候都只有0.5ms,非常的快。如下圖所示:

看來是中間件和數(shù)據(jù)庫之間的交互是正常的，那么繼續(xù)排查線索。

尋找超時規(guī)律

由于比較難綁定對應(yīng)請求和中間件執(zhí)行sql之間的關(guān)系，于是筆者就想著列出所有的異常情況，看看其時間點是否有規(guī)律，以排查一些批處理導(dǎo)致中間件性能下降的現(xiàn)象。下面是某幾條超時sql業(yè)務(wù)方給出的信息:

看上去貌似沒什么規(guī)律，慢sql存在于不同的應(yīng)用ip之上，排除某臺應(yīng)用出問題的可能。 超時時間從早上9點到晚上22點都有發(fā)現(xiàn)超時，排除了某個點集中性能下降的可能。

注意到一個微小的規(guī)律

筆者觀察了一堆數(shù)據(jù)一段時間，終于發(fā)現(xiàn)了一點小規(guī)律，如下面兩條所示:

這兩筆sql超時對應(yīng)的時間點挺接近的，一個是22:43:07,一個是22:43:04,中間只差了3s,然后與后面的業(yè)務(wù)執(zhí)行耗時相加，發(fā)現(xiàn)更接近了,讓我們重新整理下:

發(fā)現(xiàn)這兩筆業(yè)務(wù)雖然開始時間不同，但確是同時完成的，這可能是個巧合，也可能是bug出現(xiàn)導(dǎo)致的結(jié)果。于是繼續(xù)看下是否有這些規(guī)律的慢sql,讓業(yè)務(wù)又提供了最近的慢sql,發(fā)現(xiàn)這種現(xiàn)象雖然少，但是確實發(fā)生了不止一次。筆者突然感覺到，這絕對不是巧合。

由上述規(guī)律導(dǎo)致的思考

筆者聯(lián)想到我們中間件有好多臺，假設(shè)是中間件那邊卡住的話，如果在那一瞬間，有兩臺sql同時落到同一臺的話，中間件先卡住，然后在中間件恢復(fù)的那一瞬間，以0.5ms的速度執(zhí)行完再返回就會導(dǎo)致這種現(xiàn)象。如下圖所示: 
當(dāng)然了還有另一種可能，就是sql先以0.5ms的速度執(zhí)行完，然后中間件那邊卡住了，和上面的區(qū)別只是中間件卡的位置不同而已，另一種可能如下圖所示:

是否落到同一臺中間件

線上一共4臺中間件,在經(jīng)歷了一堆復(fù)雜線上日志撈取分析相對應(yīng)之后，發(fā)現(xiàn)那兩條sql確實落在了同一臺中間件上。為了保證猜想無誤，又找了兩條符合此規(guī)律的sql,同樣的也落在同一臺中間件上面，而且這兩臺中間件并不是同一臺，排除某臺機器有問題。如下圖所示:

業(yè)務(wù)日志和中間件日志相對照

在上述發(fā)現(xiàn)的基礎(chǔ)上，又經(jīng)歷了各種日志分析對應(yīng)之后，終于找到了耗時sql日志和業(yè)務(wù)日志對應(yīng)的關(guān)聯(lián)。然后發(fā)現(xiàn)一個關(guān)鍵信息。中間件在接收到sql時候會打印一條日志，發(fā)現(xiàn)在應(yīng)用發(fā)出sql到接收到sql還沒來得及做后面的路由邏輯之前就差了10s左右，然后sql執(zhí)行到返回確是非?？焖俚?，如下圖所示:

查看對應(yīng)中間件那個時間點其它sql有無異常

筆者撈取了那個時間點中間件的日志，發(fā)現(xiàn)除了這兩條sql之外，其它sql都很正常，整體耗時都在1ms左右，這又讓筆者陷入了思考之中。

再從日志中找信息

在對當(dāng)前中間件的日志做了各種思考各種分析之后，又發(fā)現(xiàn)一個詭異的點，發(fā)現(xiàn)在1s之內(nèi)，處理慢sql對應(yīng)的NIO線程的處理sql數(shù)量遠遠小于其它NIO線程。更進一步，發(fā)現(xiàn)在這1s的某個時間點之前，慢sql所在的NIO線程完全不打印任何日志,如下圖所示:

同時也發(fā)現(xiàn)兩條sql都落在對應(yīng)的Reactor-Thread-2的線程里面，再往前回溯，發(fā)現(xiàn)近10s內(nèi)的線程都沒有打印任何信息，好像什么都沒處理。如下圖所示:

感覺離真相越來越近了。這邊就很明顯了，reactor線程被卡住了！

尋找reactor線程為何被卡住

筆者繼續(xù)順藤摸瓜，比較了一下幾個卡住的reactor線程最后打印的日志，發(fā)現(xiàn)這幾條日志對應(yīng)的sql都很快返回了，沒什么異常。然后又比較了一下幾個卡住的reactor線程恢復(fù)后打印出來的第一條sql，發(fā)現(xiàn)貌似它們通過路由解析起來都很慢,達到了1ms(正常是0.01ms)，然后找出了其對應(yīng)的sql,發(fā)現(xiàn)這幾條sql都是150K左右的大小,按正常思路，這消失的10s應(yīng)該就是處理這150K的sql了，如下圖所示: 

為何處理150K的sql會耗時10s

排查是否是網(wǎng)絡(luò)問題

首先，這條sql在接入中間件之前就有，也就耗時0.5ms左右。而且中間件在往數(shù)據(jù)庫發(fā)送sql的過程中也是差不多的時間。如果說網(wǎng)絡(luò)有問題的話，那么這段時間應(yīng)該會變長,此種情況暫不考慮。

排查是否是nio網(wǎng)絡(luò)處理代碼的問題

筆者鑒于可能是中間件nio處理代碼的問題，構(gòu)造了同樣的sql在線下進行復(fù)現(xiàn)，發(fā)現(xiàn)執(zhí)行很快毫無壓力。筆者一度懷疑是線上環(huán)境的問題,traceroute了一下發(fā)現(xiàn)網(wǎng)絡(luò)基本和線下搭建的環(huán)境一樣，都是APP機器直連中間件機器，MTU都是1500，中間也沒任何路由。思路一下又陷入了停滯。

柳暗花明

思考良久無果之后。筆者覺得排查一下是否是構(gòu)造的場景有問題，突然發(fā)現(xiàn)，線上是用的prepareStatement,而筆者在命令行里面用的是statement,兩者是有區(qū)別的，prepare是按照select ?,?,?帶參數(shù)的形式而statement直接是select 1,2,3這樣的形式。

而在我們的中間件中，由于后端的數(shù)據(jù)庫對使用prepareStatement的sql具有較大的性能提升，我們也支持了prepareStatement。而且為了能夠復(fù)用原來的sql解析代碼，我們會在接收到對應(yīng)的sql和參數(shù)之后將其還原成不帶?的sql算出路由到的數(shù)據(jù)庫節(jié)點后，再將原始的帶?的sql和參數(shù)prepare到對應(yīng)的數(shù)據(jù)庫，如下圖所示:

重新構(gòu)造prepareStatement場景

筆者重新構(gòu)造了prepareStatement場景之后，發(fā)現(xiàn)在150K的sql下，確實耗時達到了10s,感覺終于見到曙光了。

最終原因字符串拼接

由于是線下，在各種地方打日志之后，終于發(fā)現(xiàn)耗時就是在這個將帶?的sql渲染為不帶問號的sql上面。下面是代碼示意:

String sql="select ?,?,?,?,?,?...?,?,?...";for(int i=0 ; i < paramCount;i++){
	sql = sql.replaceFirst("\\?",param[i]);
}return sql;

這個replaceFirst在字符串特別大，需要替換的字符頻率出現(xiàn)的特別多的時候方面有巨大的性能消耗。之前就發(fā)現(xiàn)replaceFirst這個操作里面有正則的操作導(dǎo)致特殊符號不能正確渲染sql(另外參數(shù)里面帶?也不能正確渲染)，于是其改成了用split ?的方式進行sql的渲染。但是這個版本并沒有在此應(yīng)用對應(yīng)的集群上使用。可能也正是這些額外的正則操作導(dǎo)致了這個replaceFirst性能在這種情況下特別差。

對應(yīng)優(yōu)化

將其改成新版本后，新代碼如下所示:

String splits[] = sql.split("\\?");String result="";for(int i=0;i<splits.length;i++){	if(i<paramNumber){
		result+=splits[i]+getParamString(paramNumber);
	}else{
		result+=splits[i];
	}
}return result;

這個解析時間從10s下降至2s，但感覺還是不夠滿意。
經(jīng)同事提醒，試下StringBuilder。由于此應(yīng)用使用的是jdk1.8，筆者一直覺得jdk1.8已經(jīng)可以直接用原生的字符串拼接不需要用StringBuilder了。但還是試了一試，發(fā)現(xiàn)從2s下降至8ms!
改成StringBuilder的代碼后如下所示:

String splits[] = sql.split("\\?");
StringBuilder builder = new StringBuilder();for(int i=0;i<splits.length;i++){	if(i<paramNumber){
		builder.append(splits[i]).append(getParamString(paramNumber));
	}else{
		builder.append(splits[i])；
	}
}return builder.toString();

筆者查了下資料，發(fā)現(xiàn)jdk 1.8雖然做了優(yōu)化，但是每做一次拼接還是新建了一個StringBuilder，所以在大字符串頻繁拼接的場景還是需要用一個StringBuilder，以避免額外的性能損耗。

總結(jié)

IO線程不能做任何耗時的操作，這樣會導(dǎo)致整個吞吐量急劇下降，對應(yīng)分庫分表這種基礎(chǔ)組件在編寫代碼的時候必須要仔細評估，連java原生的replaceFirst也會在特定情況下出現(xiàn)巨大的性能問題，不能遺漏任何一個點,否則就是下一個坑。
每一次復(fù)雜Bug的分析過程都是一次挑戰(zhàn)，解決問題最重要也是最困難的是定位問題。而定位問題需要的是在看到現(xiàn)象時候能夠浮現(xiàn)出的各種思路，然后通過日志等信息去一條條否決自己的思路，直至達到唯一的那個問題點。

轉(zhuǎn)自 | https://my.oschina.net/alchemystar/blog/2994406