脚本PHP执行卡住的问题排查记录_Linux

最近从监控上发现，我们一个服务的一台机器负载比同机房的其他机器要高，而流入流出流量没有差别，进一步查看发现每个机房都有一台机器存在相同的现象，梳理后发现有问题的这些机器相比正常的机器多跑了一些PHP脚本，于是猜测是执行脚本出问题导致。

登录机器后执行 top 命令，果然发现存在一个CPU占用较高的PHP进程，然后执行下列命令，发现存在一个由crontab启动的执行了很长时间的PHP脚本：

<code class="language-php hljs">ps aux | grep <span class="hljs-string">'php'</span> | grep -v <span class="hljs-string">'php-fpm'</span></code>

由于之前也遇到过PHP脚本执行卡住的类似情况，当时的怀疑是跨机房的Mysql查询在网络抖动时导致Mysql连接卡住了，于是理所当然的将所有卡住的进程都kill掉了，再从负载上看机器马上就恢复正常了，于是心满意足的跑去干别的了。

过了一段时间，刷了下监控，发现问题又出现了，注释掉crontab并kill掉进程后，手动执行问题脚本，竟然能稳定复现问题！看来是把问题想得太简单了，尝试用strace命令看下卡住的进程当前究竟在干什么：

<code class="language-php hljs">[tabalt@localhost ~] sudo strace -p <span class="hljs-number">13793</span>
Process <span class="hljs-number">13793</span> attached - interrupt to quit</code>

什么输出都没有！再用netstat看下这个进程是否打开了什么端口：

<code class="language-php hljs">[tabalt@localhost ~] sudo netstat -tunpa | grep <span class="hljs-number">13793</span>
tcp        <span class="hljs-number">0</span>      <span class="hljs-number">0</span> <span class="hljs-number">192.168</span><span class="hljs-number">.1</span><span class="hljs-number">.100</span>:<span class="hljs-number">38019</span>        <span class="hljs-number">192.168</span><span class="hljs-number">.1</span><span class="hljs-number">.101</span>:<span class="hljs-number">3306</span>        ESTABLISHED <span class="hljs-number">13793</span>/php
tcp        <span class="hljs-number">0</span>      <span class="hljs-number">0</span> <span class="hljs-number">192.168</span><span class="hljs-number">.1</span><span class="hljs-number">.100</span>:<span class="hljs-number">47107</span>        <span class="hljs-number">192.168</span><span class="hljs-number">.1</span><span class="hljs-number">.102</span>:<span class="hljs-number">6379</span>        CLOSE_WAIT  <span class="hljs-number">13793</span>/php</code>

可以看到进程打开了两个端口，分别与Mysql和Redis建立了连接，并且处于连接建立（ESTABLISHED）和对方主动关闭连接（CLOSE_WAIT）的状态；初看确实像是和数据库的连接卡住了，但是因为吃过亏上过当，咱们使用 tcpdump 抓包看进程和数据库之间的交互：

<code class="language-php hljs">tcpdump -i eth0 host <span class="hljs-number">192.168</span><span class="hljs-number">.1</span><span class="hljs-number">.101</span> <span class="hljs-keyword">and</span> port <span class="hljs-number">3306</span> -w ~/mysql.cap</code>

抓了好一会， ~/mysql.cap 文件中却也没有任何输出，难道进程和Mysql之间已经没有任何交互了？那为什么连接建立没有关闭呢？看来只能从头追踪一下脚本的执行情况了：

首先为了能来得及strace到进程，在PHP脚本最开始的时候输出进程的pid并sleep 10s，代码如下:
echo getmypid(); sleep(10);
然后启动tcpdump准备抓包本机和Mysql的交互过程。
最后执行PHP脚本。

这下strace和tcpdump都有内容了！从strace结果看recvfrom之后不再有poll，但并没有看出来有什么不对：

<code class="language-php hljs"><span class="hljs-comment">//...</span>
poll([{fd=<span class="hljs-number">4</span>, events=POLLIN|POLLERR|POLLHUP}], <span class="hljs-number">1</span>, <span class="hljs-number">1471228928</span>) = <span class="hljs-number">1</span> ([{fd=<span class="hljs-number">4</span>, revents=POLLIN}])
recvfrom(<span class="hljs-number">4</span>, <span class="hljs-string">"://xxx.com/\0\0\23jiadia"</span>..., <span class="hljs-number">271</span>, MSG_DONTWAIT, <span class="hljs-keyword">NULL</span>, <span class="hljs-keyword">NULL</span>) = <span class="hljs-number">271</span>
poll([{fd=<span class="hljs-number">4</span>, events=POLLIN|POLLERR|POLLHUP}], <span class="hljs-number">1</span>, <span class="hljs-number">1471228928</span>) = <span class="hljs-number">1</span> ([{fd=<span class="hljs-number">4</span>, revents=POLLIN}])
recvfrom(<span class="hljs-number">4</span>, <span class="hljs-string">"_b?ie=UTF8&node=658390051\0\0008www."</span>..., <span class="hljs-number">271</span>, MSG_DONTWAIT, <span class="hljs-keyword">NULL</span>, <span class="hljs-keyword">NULL</span>) = <span class="hljs-number">206</span></code>

再从抓包结果看，执行了两条SQL查询语句之后，进程没有再次发送查询请求的包，从程序记录SQL语句日志中，也发现确实只执行了两条：

<code class="language-php hljs">select * from sites where type = <span class="hljs-number">1</span> order by weight desc limit <span class="hljs-number">50</span>;
select * from sites where type = <span class="hljs-number">2</span> order by weight desc limit <span class="hljs-number">50</span>;</code>

但从这些现象中，仍然没有能看出任何端倪，只好祭出终极大法：输出调试！大概看了下代码，并在关键地方添加输出语句，于是代码看起来如下：

<code class="language-php hljs"><span class="hljs-keyword">echo</span>(<span class="hljs-string">"start foreach\n"</span>);
<span class="hljs-keyword">foreach</span>($types <span class="hljs-keyword">as</span> $type)
{
    <span class="hljs-keyword">echo</span>(<span class="hljs-string">"foreach $type\n"</span>);
    $result[$type] = $this->getSites($type);
}
<span class="hljs-keyword">echo</span>(<span class="hljs-string">"end foreach\n"</span>);</code>

执行后输出如下，查询type为2的网址时卡住了：

<code class="language-php hljs">start <span class="hljs-keyword">foreach</span>
<span class="hljs-keyword">foreach</span> <span class="hljs-number">1</span>
<span class="hljs-keyword">foreach</span> <span class="hljs-number">2</span></code>

开始怀疑调用的getSites()方法有问题，代码如下:

<code class="language-php hljs">$sites = <span class="hljs-keyword">array</span>();   <span class="hljs-comment">// 省略从数据库查询的代码</span>
$siteNum = <span class="hljs-number">8</span>;       <span class="hljs-comment">// 省略从配置读的代码</span>
$urlKeys = <span class="hljs-keyword">array</span>();
<span class="hljs-keyword">for</span>($i = <span class="hljs-number">0</span>; $i < $siteNum; $i++)
{
    <span class="hljs-keyword">do</span> {
        $site = array_shift($sitesData);
        $urlKey = md5($site[<span class="hljs-string">'url'</span>]);
    } <span class="hljs-keyword">while</span>(array_key_exists($urlKey, $url_keys));

    $urlKeys[$urlKey] = <span class="hljs-number">1</span>;
    $result[] = $site;
}
<span class="hljs-keyword">return</span> $result;</code>

原来这里为了实现拿8个不重复的网址写了2个循环，如果结果中不重复的网址只有7个就会有一个空，少于7个就会有死循环！于是查了下type为2的网址个数，果然是只有6个！

总结一下，该问题从发现到解决花了大概1天时间，虽然最后证明是低级的代码BUG导致，但是整个排查过程还是挺有收获的，最开始的想当然证明是非常肤浅的，过程中tcpdump和strace的结果也已经很能说明问题了，对各个工具的应用应该要更加熟练，工具的结果也要深入分析。