「只有一台机器这样」。
不是代码。那台机器的时钟慢了。对时之后,签名验证过了。
先留现场,再动手。把当时的输入、输出、配置名抄下来,确认同一条路径还能再出现一次。不能再出现的现象,改完也不知道是不是改对了。确认之后只改一处。改两处的话,结果变了也分不清是哪一处。改完用同一组输入再走,结果要变成预期的那样,而不是仅仅没有报错。
先把发布时间、改配置的时间、第一次报错的时间写在一起,再猜原因。拒绝和找不到是两种错。只有一台机器出问题,先对时和看这台机器的配置。把超时加长常常只是把问题藏起来。修完要留下一个看得见的信号,别再靠人偶然发现。
判断分两层。第一层是现象:什么时候开始、影响谁、能不能再出现。第二层才是原因。很多时间浪费在还没写清现象就改代码。原因确定之后,改动尽量小,并写明怎样一分钟内确认它生效。确认不了的改动先不要合。
复查「只有一台机器这样」时按这四步,不靠感觉。用改之前的同一组输入再走一遍,结果要变成预期的那样。在日志里打出实际读到的配置名、端口或库名,确认不是另一个还没关的进程。换一个干净环境再做一次。最后把现象、改动、确认方法写成三行放进仓库。
补充记录。排错笔记按时间写,不按结论写。第一行是第一次坏的时间,第二行是最近一次发布或改配置的时间,第三行是现在还能不能按同样步骤再出现。然后才写怀疑。怀疑和已经验证的分开两节,避免第二天把猜测当成事实。只有一台机器出问题,先看这台机器的时间、磁盘和配置,不要先改所有机器的代码。拒绝和找不到是两种错,前者多半还缺一层授权。修完加一个看得见的计数或一条明确的日志。没有这个信号,下次还是靠人偶然发现。
操作顺序。1. 写下第一次出错的时间、最近一次发布或改配置的时间、现在能否按步骤再出现。2. 把已经验证的事实和还在猜的分开。3. 只有一台机器出问题,就先查时间、磁盘、电源和这台机器的配置。4. 分清错误是拒绝还是找不到。5. 不要先把超时加长。6. 修完用原来的输入再走一遍,结果要变成预期。7. 加一条以后能看见的日志或计数。没有第 7 步,下次仍靠人偶然发现,这篇记录就没有变成办法。