首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >慢接口排查指南:从 APM 链路追踪到 SQL 执行计划的系统化方法论

慢接口排查指南:从 APM 链路追踪到 SQL 执行计划的系统化方法论

原创
作者头像
Alan_751
发布2026-07-24 17:54:01
发布2026-07-24 17:54:01
1260
举报

本文整理了一套可落地的慢接口排查方法论,按「链路追踪定位 → 服务层分析 → SQL 根因定位」三个重点层层递进,每个环节附可直接复用的代码。全文内容为笔者在生产环境中的实践总结,均为原创。


引言:为什么慢接口排查总是耗时又低效

线上接口 RT(响应时间)从 200ms 突然涨到 3 秒,告警群炸了。你打开监控,发现 CPU 正常、内存正常,于是开始猜:是数据库慢了?是下游服务慢了?还是 GC 了?

靠猜排查问题,运气好半小时,运气不好一整天。

根本原因是缺少一套自顶向下的排查顺序:先用链路追踪确定"慢在哪一跳",再在服务层分析"为什么这一跳慢",最后下沉到 SQL 层定位"根因是什么"。本文就按这三个重点展开。


重点一:APM 链路追踪 —— 先确定慢在哪一跳

1.1 排查思路

一个请求的典型链路是:

代码语言:txt
复制
网关 → 服务A(业务逻辑) → 服务B(RPC调用) → MySQL → Redis

慢接口排查的第一步不是看日志,而是把整条链路的耗时拆解出来。链路追踪(Distributed Tracing)就是为这件事而生的:每个请求携带一个全局 TraceId,每经过一个节点产生一个 Span,记录该节点的开始时间和耗时。

1.2 接入 SkyWalking(开箱即用方案)

SkyWalking 是 Apache 开源的 APM 工具,Java 服务接入只需加一个 Agent 参数,零代码侵入:

代码语言:bash
复制
# 启动命令中挂载 agent
java -javaagent:/path/to/skywalking-agent/skywalking-agent.jar \
     -Dskywalking.agent.service_name=order-service \
     -Dskywalking.collector.backend_service=127.0.0.1:11800 \
     -jar order-service.jar

接入后在 UI 的 Trace 页面可以看到这样的耗时瀑布图:

代码语言:txt
复制
/order/detail            3200ms  ├──────────────────────────────┤
  ├─ OrderService.detail  180ms  ├──┤
  ├─ UserRPC.getUser      2400ms     ├───────────────────┤
  │    └─ MySQL.select    2350ms        ├────────────────┤  ← 慢在这里
  └─ Redis.get             12ms                            ├┤

一眼就能看出:总耗时 3.2 秒,其中 2.4 秒花在一次 RPC 调用上,而 RPC 内部又有 2.35 秒是一条 SQL。排查范围瞬间从"整个系统"缩小到"一条 SQL"。

1.3 没有 APM 时的自建轻量方案

如果团队暂时没有条件部署 SkyWalking,可以用 MDC + AOP 自建一个简化版,把每个环节的耗时打到日志里:

代码语言:java
复制
/**
 * 基于 AOP 的链路耗时埋点:在关键方法上标注 @TraceSpan 即可记录耗时
 */
@Aspect
@Component
@Slf4j
public class TraceSpanAspect {

    @Around("@annotation(traceSpan)")
    public Object around(ProceedingJoinPoint pjp, TraceSpan traceSpan) throws Throwable {
        String spanName = traceSpan.value();
        String traceId = MDC.get("traceId");  // 由网关过滤器统一塞入
        long start = System.currentTimeMillis();

        try {
            return pjp.proceed();
        } finally {
            long cost = System.currentTimeMillis() - start;
            // 统一格式输出,方便用 ELK 做聚合分析
            log.info("SPAN|{}|{}|{}ms", traceId, spanName, cost);
        }
    }
}

@Target(ElementType.METHOD)
@Retention(RetentionPolicy.RUNTIME)
public @interface TraceSpan {
    String value();
}

在业务方法上使用:

代码语言:java
复制
@Service
public class OrderService {

    @TraceSpan("OrderService.detail")
    public OrderDetailVO detail(Long orderId) {
        UserDTO user = userRpcClient.getUser(orderId);   // RPC 调用
        OrderDO order = orderMapper.selectById(orderId); // DB 查询
        return assemble(user, order);
    }
}

同时在网关层加一个过滤器生成 TraceId:

代码语言:java
复制
@Component
public class TraceIdFilter implements Filter {

    @Override
    public void doFilter(ServletRequest req, ServletResponse res, FilterChain chain)
            throws IOException, ServletException {
        String traceId = UUID.randomUUID().toString().replace("-", "").substring(0, 16);
        MDC.put("traceId", traceId);
        try {
            chain.doFilter(req, res);
        } finally {
            MDC.remove("traceId");  // 防止线程复用导致 traceId 串号
        }
    }
}

这样用 grep "SPAN|abc123" app.log 就能还原一次请求各环节的耗时分布。

本阶段结论:链路追踪解决的是"定位"问题。找到耗时占比最高的那一跳之后,才进入下一阶段。


重点二:服务层分析 —— 这一跳为什么慢

定位到慢节点后,先别急着看 SQL。服务层的慢通常只有三类原因:线程资源耗尽、连接资源耗尽、JVM 停顿。逐一排除即可。

2.1 线程池打满

症状是接口排队:请求本身处理不慢,但大量请求在排队等线程。给自定义线程池加监控埋点:

代码语言:java
复制
@Configuration
public class ThreadPoolMonitorConfig {

    @Bean
    public ThreadPoolExecutor bizThreadPool() {
        ThreadPoolExecutor pool = new ThreadPoolExecutor(
                20, 50, 60L, TimeUnit.SECONDS,
                new LinkedBlockingQueue<>(200),
                new ThreadFactoryBuilder().setNameFormat("biz-pool-%d").build());

        // 定时上报线程池水位,超 80% 打告警日志
        ScheduledExecutorService monitor = Executors.newSingleThreadScheduledExecutor();
        monitor.scheduleAtFixedRate(() -> {
            int active = pool.getActiveCount();
            int max = pool.getMaximumPoolSize();
            int queueSize = pool.getQueue().size();

            log.info("POOL|active={}/{}|queue={}", active, max, queueSize);

            if (active >= max * 0.8) {
                log.warn("POOL_ALERT|线程池水位超 80%: active={}/{}, queue={}",
                         active, max, queueSize);
            }
        }, 0, 10, TimeUnit.SECONDS);

        return pool;
    }
}

如果日志里 active 长期等于 maxqueue 持续上涨,说明线程池打满,解法要么是调大线程数,要么是先解决"线程为什么都不释放"——往往还是下游调用慢导致的。

2.2 数据库连接池耗尽

以 Druid 为例,慢接口期间连接池活跃连接数如果顶满,新请求就只能等待:

代码语言:java
复制
@Component
@Slf4j
public class DataSourceMonitor {

    @Autowired
    private DruidDataSource dataSource;

    @Scheduled(fixedRate = 5000)
    public void report() {
        int active = dataSource.getActiveCount();      // 活跃连接
        int pooling = dataSource.getPoolingCount();    // 池中空闲连接
        long waitCount = dataSource.getWaitThreadCount(); // 等待连接的线程数

        log.info("DS|active={}|idle={}|waiting={}", active, pooling, waitCount);

        if (waitCount > 0) {
            // 有线程在等连接,说明连接被长时间占用 —— 大概率有慢 SQL
            log.warn("DS_ALERT|存在等待连接的线程: {}", waitCount);
        }
    }
}

waiting > 0 是一个强信号:连接都被占着不还,八成是慢 SQL 在持有连接。这时可以直接看 Druid 监控页的慢 SQL 列表,或者进入重点三手动分析。

2.3 JVM 停顿(GC)

如果线程池和连接池都正常,但接口偶发性变慢,检查 GC 日志:

代码语言:bash
复制
# 启动参数加上 GC 日志
-XX:+PrintGCDetails -XX:+PrintGCDateStamps \
-Xloggc:/var/log/app/gc.log

线上快速诊断可以用 Arthas(开源诊断工具)实时观察:

代码语言:bash
复制
# 启动并 attach 到目标进程
java -jar arthas-boot.jar

# 实时监控 JVM 面板,重点看 GC 次数和耗时
dashboard

# 追踪某个接口方法耗时,精确到内部每一步
trace com.example.OrderService detail '#cost > 1000'

# 抓取执行中方法的入参和返回值
watch com.example.OrderService detail '{params, returnObj}' -x 2

trace 命令输出形如:

代码语言:txt
复制
`---[3250.12ms] com.example.OrderService:detail()
    +---[2.31ms] getOrderFromCache()
    +---[3201.55ms] orderMapper.selectDetail()   ← 98% 耗时在这
    `---[15.20ms] assemble()

本阶段结论:线程池满 → 查下游为什么慢;连接池满 → 查慢 SQL;GC 频繁 → 查内存。三者都正常且耗时指向某个具体方法,就进入 SQL 层。


重点三:SQL 执行计划 —— 定位最终根因

经验上,慢接口的根因有超过一半最终落在 SQL 上。EXPLAIN 是分析的核心工具。

3.1 EXPLAIN 关键字段解读

代码语言:sql
复制
EXPLAIN
SELECT o.order_no, o.amount, u.nickname
FROM orders o
LEFT JOIN user u ON o.user_id = u.id
WHERE o.status = 1
  AND o.create_time > '2026-07-01'
ORDER BY o.create_time DESC
LIMIT 20;

重点关注 4 个字段:

字段

危险值

含义

type

ALL

全表扫描,最需优化;至少应达到 rangeref

key

NULL

没有使用任何索引

rows

数十万+

预估扫描行数,越小越好

Extra

Using filesort / Using temporary

排序或临时表无法走索引

3.2 实战案例:一条 2.3 秒的 SQL 如何优化到 20ms

优化前(对应重点一里那条 2.35 秒的 SQL):

代码语言:sql
复制
-- 执行计划显示:type=ALL, rows=1200000, Extra=Using filesort
SELECT * FROM orders
WHERE DATE(create_time) = '2026-07-20'
ORDER BY amount DESC
LIMIT 10;

问题有三个:

  1. DATE(create_time) 对索引列做了函数运算,索引失效,导致全表扫描(type=ALL)
  2. SELECT * 回表成本被放大
  3. ORDER BY amount 无法利用索引,触发 filesort

优化后

代码语言:sql
复制
-- 1. 去掉函数,改写为范围查询,让 create_time 索引生效
SELECT order_no, amount, status, create_time
FROM orders
WHERE create_time >= '2026-07-20 00:00:00'
  AND create_time <  '2026-07-21 00:00:00'
ORDER BY create_time DESC
LIMIT 10;

-- 2. 建立联合索引,让 WHERE 和 ORDER BY 同时命中
ALTER TABLE orders ADD INDEX idx_ctime (create_time);

改写后执行计划:type=range, key=idx_ctime, rows≈800耗时从 2300ms 降到 18ms

3.3 最常见的索引失效写法清单

生产环境慢 SQL 大多是以下几种写法导致的,逐条对照即可:

代码语言:sql
复制
-- ① 索引列上使用函数 → 索引失效
WHERE DATE(create_time) = '2026-07-20'

-- ② 隐式类型转换:phone 是 varchar 却传了数字 → 索引失效
WHERE phone = 13800138000

-- ③ 前导模糊查询 → 索引失效
WHERE order_no LIKE '%ABC123'

-- ④ 联合索引不满足最左前缀(索引是 (a,b,c),跳过了 a)
WHERE b = 1 AND c = 2

-- ⑤ OR 连接非索引列 → 整个条件不走索引
WHERE status = 1 OR remark = 'urgent'

对应的正确写法:

代码语言:sql
复制
-- ① 改为范围查询
WHERE create_time >= '2026-07-20' AND create_time < '2026-07-21'

-- ② 保持类型一致
WHERE phone = '13800138000'

-- ③ 改为后缀模糊,或上 ES/搜索引擎
WHERE order_no LIKE 'ABC123%'

-- ④ 条件补上最左列,或调整索引列顺序
WHERE a = 1 AND b = 1 AND c = 2

-- ⑤ 拆成 UNION,两个分支各自走索引
SELECT ... WHERE status = 1
UNION
SELECT ... WHERE remark = 'urgent'

3.4 建立慢 SQL 的常态化防御

一次排查解决的是个案,防御机制解决的是复发。开启 MySQL 慢查询日志并定期分析:

代码语言:sql
复制
-- 开启慢查询日志(或写入 my.cnf 持久化)
SET GLOBAL slow_query_log = 'ON';
SET GLOBAL long_query_time = 1;              -- 超过 1 秒记录
SET GLOBAL slow_query_log_file = '/var/log/mysql/slow.log';

配合 mysqldumpslow 定期输出 TOP 慢 SQL:

代码语言:bash
复制
# 按执行次数排序,取最慢的 10 条
mysqldumpslow -s c -t 10 /var/log/mysql/slow.log

# 按总耗时排序
mysqldumpslow -s t -t 10 /var/log/mysql/slow.log

本阶段结论:SQL 层排查的核心动作只有两个——EXPLAIN 看执行计划、对照索引失效清单改写法。绝大多数慢 SQL 都逃不过这两步。


总结:三步法排查流程

把全文浓缩成一张可执行的排查顺序:

代码语言:txt
复制
慢接口告警
   │
   ▼
【重点一】链路追踪:拆出每一跳耗时
   │  → 确定慢在哪个服务 / 哪次调用
   ▼
【重点二】服务层分析:线程池 / 连接池 / GC
   │  → 确定是资源耗尽还是代码执行慢
   ▼
【重点三】SQL 执行计划:EXPLAIN + 索引失效清单
   │  → 定位根因,改写 SQL,补索引
   ▼
开启慢查询日志常态化监控,防止复发

这套方法论的关键在于顺序:先宏观后微观,先定位后分析。跳步排查(比如上来就改 SQL)偶尔能蒙对,但更多时候是在浪费时间。

希望本文对你处理慢接口问题有所帮助,欢迎在评论区交流你的排查经验。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 引言:为什么慢接口排查总是耗时又低效
  • 重点一:APM 链路追踪 —— 先确定慢在哪一跳
    • 1.1 排查思路
    • 1.2 接入 SkyWalking(开箱即用方案)
    • 1.3 没有 APM 时的自建轻量方案
  • 重点二:服务层分析 —— 这一跳为什么慢
    • 2.1 线程池打满
    • 2.2 数据库连接池耗尽
    • 2.3 JVM 停顿(GC)
  • 重点三:SQL 执行计划 —— 定位最终根因
    • 3.1 EXPLAIN 关键字段解读
    • 3.2 实战案例:一条 2.3 秒的 SQL 如何优化到 20ms
    • 3.3 最常见的索引失效写法清单
    • 3.4 建立慢 SQL 的常态化防御
  • 总结:三步法排查流程
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档