程序员如何做「故障排查」：不是靠猜，是靠方法
系统出故障是难免的，故障排查能力决定了恢复速度。
有方法的工程师 5 分钟找到根因，没方法的可能花 5 小时还在瞎试。
一、故障排查的步骤
1. 确认问题
- 什么现象？错误信息是什么？
- 影响范围多大？多少人受影响？
- 什么时候开始的？
2. 快速止血
- 能回滚就先回滚
- 能降级就先降级
- 先恢复服务，再查根因
3. 收集信息
- 日志（应用日志、系统日志）
- 监控（CPU、内存、网络、QPS）
- 链路追踪（请求从哪到哪）
- 数据库（慢查询、连接数）
4. 定位根因
- 是代码问题、配置问题、网络问题还是硬件问题？
- 用排除法逐步缩小范围
5. 修复验证
- 修复后验证问题是否解决
- 检查相关功能是否受影响
6. 复盘总结
- 为什么会出问题？
- 怎么能避免？
- 怎么加快下次排查速度？
二、常用排查命令
1. Linux 基础
# 查看进程
ps aux | grep java
# 查看端口
netstat -tlnp | grep 8080
# 查看磁盘
df -h
# 查看内存
free -h
2. 网络
# 检查网络连通性
ping
# 端口连通性
telnet host port
# 查看网络连接
ss -s
3. Java 排查
# 线程堆栈
jstack <pid>
# 内存快照
jmap -dump:live,file=heap.hprof <pid>
# GC 情况
jstat -gc <pid> 1000
三、常见故障类型
1. 服务不可用
- 检查进程是否存活
- 检查端口是否监听
- 检查防火墙
- 检查健康检查
2. 响应慢
- 看慢查询
- 看 GC
- 看线程状态
- 看外部依赖
3. 内存溢出
- 看 dump 文件
- 分析对象占用
- 检查内存泄漏
4. CPU 高
- 看哪个进程
- 看哪个线程
- 看堆栈定位
四、排查心态
1. 不要慌
越慌越容易出错，越慌越想不出方案。
2. 相信数据
数据不会骗人，日志不会说谎。
3. 小步验证
一次只改一个地方，改完验证，再改下一个。
4. 记录过程
排查过程要记录，方便复盘，也方便后人学习。
五、一句话总结
故障排查 = 确认问题 + 快速止血 + 收集信息 + 定位根因 + 修复验证 + 复盘总结，核心是用数据说话而不是靠猜。