内容中心 › 通用
先说缺点:这套自检全绿的时候,服务也可能已经死了一半。
我们站点是单机部署:IIS 反代到一个 Node 网关,网关往下挂 Flask API 和后台。上周有一次,四个端口探针 0 失败、首页 200、登录 200,但用户提交的翻译任务卡了 26 分钟没动。冒烟全绿,故障真实存在。
所以这篇不推荐大家抄脚本,只讲一件事:一个「绿灯」到底证明了什么,没证明什么。
〔图〕发布三段式与冒烟闸门
整个发布只有三段,没有构建窗口期:先构建到旁边的目录(不在线上目录上直接构建,避免清空窗口),再两次改名把新旧版本换位,最后跑一遍冒烟;不过就回滚,把上一版换回来,坏版本留在 dist.broken 里供排查。
关键一点:换版不重启网关。网关按请求读磁盘,入口 HTML 设了 no-cache,换版后用户下一次请求拿到的就是新产物。这也意味着写错一个路径不会被「启动失败」兜住,只能靠校验。
| 脚本 | 覆盖什么 | 基线 | 查不出什么 |
|---|---|---|---|
| 网关冒烟 | 健康检查、首页、gzip、强缓存、真 404、SPA 回落 | 13/13 | 业务是否跑通 |
| 域名登录验证 | 登录→首页/我的文件/翻译/充值/接口 JSON/SSO 桥接 | 14/14 | 未迁移的老接口 |
| 域名渲染 | 域名渲染、老站样式、静态资源失败 | 9/10(预期) | 页面细节差异 |
| 视觉回归 | 9 个页面高度基线 | 页面高度差 Δh=0 | 动态数据量变化 |
第一,9/10 不是回归失败。 这项基线本来就是 9/10,少的那一项是未登录访问被登录守卫接管,属于设计行为。新人第一反应是「少了一项,去修」,越修越乱。基线不写进文档,它每天都会被当成 bug。
第二,Δh 之外的数字都会漂。 视觉回归里页面高度差是硬指标(必须为 0),但节点数、文本量的差异会随线上数据浮动——我的文件列表有 2.4 万条,充值页商品数也会变。把 Δn/Δt 当判据,等于每天给自己报一次假警。
第三,也最坑:冒烟本身是负载。 这台机器只有 8GB 内存,视觉回归、移动端、域名验证串着跑,每个 headless Chrome 几百 MB。上个月我们就是这样把虚拟内存打满,系统直接杀进程,全站 502 约 16 分钟。闸门自己成了风险源,现在约定验收错峰跑。
同一次迭代里,它拦下过两类问题:静态资源换了哈希但入口 HTML 被缓存(强缓存那项直接红,首页白屏);某个接口路径没进网关的迁移白名单(真 404 与接口 JSON 两项同时红,请求静默 502)。
这两个的共同点是入口层坏了。而它抓不到的那次,入口层完全正常,坏在队列落盘——磁盘写满,队列崩溃重启,消息丢了,任务停在「待翻译」,页面一直转圈。
后来补的判断方法很土:不看端口,看业务表。找一张一定会被业务代码写的表,比对更新时间和创建时间;两个时间相等,说明任务根本没进业务代码,跟「翻译慢」是两回事。
单机或小集群、没有容器编排、要求秒级回滚:够用,成本极低。多实例、发布中途不能停服:不够,两次改名只在单机成立。对外承诺 SLA:至少再加一个业务层探针(下单或任务推进),否则绿灯没有意义。
四项基线(13/13、14/14、9/10、Δh=0)和那次 16 分钟 502,都来自项目内部的发布部署运行手册与故障复盘,单机环境实测,不是通用基准,别直接照搬数字。
判断一套发布自检靠不靠谱,只问一句:它红的时候你能定位到哪一层,它绿的时候你敢不敢不看业务表。
参考资料:[整份 PDF 保留公式与表格的做法](https://trans.sunnytranslation.com/pdf-fanyi)。