502 问题怎么排查？

刚工作那会，有一次，上游调用我服务的老哥说，你的服务报 "502 错误了，快去看看是为什么吧"。

当时那个服务里正好有个调用日志，平时会记录各种 200,4xx 状态码的信息。于是我跑到服务日志里去搜索了一下 502 这个数字，毫无发现。于是跟老哥说，" 服务日志里并没有 502 的记录，你是不是搞错啦？"

现在想来，多少有些不好意思。

不知道有多少老哥是跟当时的我是一样的，这篇文章，就来聊聊 502 错误是什么？

我们从状态码是什么开始聊起。

HTTP 状态码

我们平时在浏览器里逛的某宝和某度，其实都是一个个前端网页。

一般来说，前端并不存储太多数据，大部分时候都需要从后端服务器那获取数据。

于是前后端之间需要通过 TCP 协议去建立连接，然后在 TCP 的基础上传输数据。

而 TCP 是基于数据流的协议，传输数据时，并不会为每个消息加入数据边界，直接使用裸的 TCP 进行数据传输会有 "粘包" 问题。

因此需要用特地的协议格式去对数据进行解析。于是在此基础上设计了 HTTP 协议。详细的内容可以看我之前写的《既然有 HTTP 协议，为什么还要有 RPC》。

比如，我想要看某个商品的具体信息，其实就是前端发的 HTTP 请求中传入商品的 id，后端返回的 HTTP 响应中返回商品的价格，商店名，发货地址的信息等。

通过 id 获取商品详情

这样，表面上，我们是在刷着各种网页，实际上背后正有多次 HTTP 消息在不断进行收发。

用户在网上浏览商品

但问题就来了，上面提到的都是正常情况，如果有异常情况呢，比如前端发的数据，根本就不是个商品 id，而是一张图片，这对于后端服务端来说是不可能给出正常响应的，于是就需要设计一套 HTTP 状态码，用来标识这次 HTTP 请求响应流程是否正常。通过这个可以影响浏览器的行为。

比方说一切正常，那服务端返回个 200 状态码，前端收到后，可以放心使用响应的数据。但如果服务端发现客户端发的东西异常，就响应个 4xx 状态码，意思是这是个客户端的错误，4xx 里头的 xx 可以根据错误的类型，再细分成各种码，比如 401 是客户端没权限，404 是客户端请求了一个根本不存在的网页。反过来，如果是服务器有问题，就返回 5xx 状态码。

4xx 和 5xx 的区别

但问题就来了。

服务端都有问题了，搞严重点，服务器可能直接就崩溃了，那它还怎么给你返回状态码？

是的，这种情况，服务端是不可能给客户端返回状态码的。所以说，一般情况下 5xx 的状态码其实并不是服务器返回给客户端的。

它们是由网关返回的，常见的网关，比如 nginx。

nginx 的作用

回到前后端交互数据的话题上，如果前端用户少，那后端处理起请求来，游刃有余。但随着用户越来越多，后端服务器受资源限制，cpu 或者内存都可能会严重不足，这时候解决方案也很简单，多搞几台一样的服务器，这样就能将这些前端请求均摊给几个服务器，从而提升处理能力。

但要实现这样的效果，前端就得知道后端具体有哪些个服务器，并一一跟他们建立 TCP 连接。

前端与多个服务器之间建立连接

也不是不行，但就是麻烦。

但这时候如果能有个中间层挡在它们中间就好了，这样客户端只需要跟中间层连接，中间层再和服务器建立连接。

于是，这个中间层就成了这帮服务器的一个代理人一样，客户端有啥事都找代理人，只管发出自己的请求，再由代理人去找某个服务器去完成响应。整个过程下来，客户端只知道自己的请求被代理人帮忙搞定了，但代理人具体找了那个服务器去完成，客户端并不知道，也不需要知道。

像这种，屏蔽掉具体有哪些服务器的代理方式就是所谓的反向代理。

反向代理

反过来，屏蔽掉具体有哪些客户端的代理方式，就是所谓的正向代理。

而这个中间层的角色，一般由 nginx 这类网关来充当。

另外，由于背后的服务器可能性能配置各不相同，有些 4 核 8G，有些 2 核 4G，nginx 能为它们加上不同的访问权重，权重高的多转发点请求，通过这个方式实现不同的负载均衡策略。

nginx 返回 5xx 状态码

有了 nginx 这一中间层后，客户端从直连服务端，变成客户端直连 nginx，再由 nginx 直连服务端。从一个 TCP 连接变成两个 TCP 连接。

于是，当服务器发生异常时，nginx 发送给服务器的那条 TCP 连接就不能正常响应，nginx 在得到这一信息后，就会返回 5xx 错误码给客户端，也就是说 5xx 的报错，其实是由 nginx 识别出来，并返回给客户端的，服务端本身，并不会有 5xx 的日志信息。所以才会出现文章开头的一幕，上游收到了我服务的 502 报错，但我在自己的服务日志里却搜索不到这一信息。

产生 502 的常见原因

在 rfc7231 中有关于 502 错误码的官方解释是

502 Bad Gateway
   The 502 (Bad Gateway) status code indicates that the server, while acting as a gateway or proxy, received an invalid response from an inbound server it accessed while attempting to fulfill the request.

翻译一下就是，502 (Bad Gateway) 状态代码表示服务器在充当网关或代理时，在尝试满足请求时从它访问的入站服务器接收到无效响应。

汝听，人言否？

这对于大部分编程小白来说，不仅没解释到问题，反而只会冒出更多的问号。比如，这上面提到的无效响应到底指的是什么？

我来解释下，它其实是说，502 其实是由网关代理（nginx）发出的，是因为网关代理把客户端的请求转发给了服务端，但服务端却发出了无效响应，而这里的无效响应，一般是指 TCP 的 RST 报文或四次挥手的 FIN 报文。

四次挥手估计大家背的很熟了，所以略过，我们来重点说下 RST 报文是什么。

RST 是什么？

我们都知道 TCP 正常情况下断开连接是用四次挥手，那是正常时候的优雅做法。

但异常情况下，收发双方都不一定正常，连挥手这件事本身都可能做不到，所以就需要一个机制去强行关闭连接。

RST 就是用于这种情况，一般用来异常地关闭一个连接。它是 TCP 包头中的一个标志位，在收到置这个标志位的数据包后，连接就会被关闭，此时接收到 RST 的一方，在应用层会看到一个 connection reset 或  connection refused 的报错。

TCP 报头 RST 位

而之所以发出 RST 报文，一般有两个常见原因。

服务端过早断开连接

nginx 与服务端之间有一条 TCP 连接，在 nginx 将客户端请求转发给服务端时，他两之间按道理会一直保持这条连接，直到服务端将结果正常返回后，再断开连接。

但如果服务端过早断开连接，而 nginx 却还继续发消息过去，nginx 就会收到服务端内核返回的 RST 报文或四次挥手的 FIN 报文，迫使 nginx 那边的连接结束。

过早断开连接的原因常见的有两个。

第一个是，服务端设置的超时时间过短。不管是用的哪种编程语言，一般都有现成的 HTTP 库，服务端一般都会有几个 timeout 参数，比如 golang 的 HTTP 服务框架里有个写超时（WriteTimeout），假设设置了 2s，那它的含义就是，服务端在收到请求后需要在 2s 内处理完并将结果写到响应中，如果等不到，就会将连接给断掉。

比如你的接口处理时间是 5s，而你的 WriteTimeout 却只有 2s，在没等到响应写完之前，HTTP 框架就会主动将连接给断开。nginx 此时就有可能收到四次挥手的 FIN 报文（有些框架也可能发 RST 报文），然后断开连接，于是客户端就会收到一个 502 报错。

遇到这种问题，将 WriteTimeout 的时间调大一些就好了。

FIN 与 502 的关系

第二个原因，也是造成 502 状态码最常见的原因，就是服务端应用进程崩了（crash）。

服务端崩了，也就是当前没有一个进程在监听服务器端口，而此时你却尝试向一个不存在的端口发数据，服务器的 linux 内核协议栈就会响应一个 RST 数据包。同样，这时候 nginx 也会给客户端一个 502。

RST 和 502

在开发过程中，这种情况是最常见的。

现在我们大部分的服务器都会将挂掉的服务重启，因此我们需要判断下服务是否曾经崩溃过。

如果你有对服务端的 cpu 或者内存做过监控，可以看下 CPU 或内存的监控图是否出现过断崖式的突然下跌。如果有，十有八九百，就是你的服务端应用程序曾经崩溃过。

cpu 突然暴跌

除此之外你还通过下面的命令，看下进程上次的启动时间是什么时候。

ps -o lstart {pid}

比如我要看的进程 id 是 13515，命令就需要像下面这样。

# ps -o lstart 13515
                 STARTED
Wed Aug 31 14:28:53 2022

可以看到它上次的启动时间是 8 月 31 日，这个时间如果跟你印象中的操作时间有差距，那说明进程可能是崩了之后被重新拉起了。

遇到这种问题，最重要的是找出崩溃的原因，崩溃的原因就多种多样了，比如，对未初始化的内存地址进行写操作，或者内存访问越界（数组 arr 长度明明只有 2，代码却读 arr [3]）。

这种情况几乎都是程序有代码逻辑问题，崩溃一般也会留下代码堆栈，可以根据堆栈报错去排查问题，修复之后就好了。比如下面这张图是 golang 的报错堆栈信息，其他语言的也类似。

报错堆栈

不打印堆栈的情况

但有一些情况，有时候根本不留下堆栈。

比如内存泄露导致进程占用内存越来越多，最后导致超过服务器的最大内存限制，触发 OOM（out of memory）, 进程直接就被操作系统 kill 掉。

还有更隐蔽的，代码逻辑里隐藏了主动退出进程的操作。比如 golang 的日志打印里有个方法叫 log.Fatalln ()，打印完日志还会顺便执行 os.Exit () 直接退出进程，对源码不了解的新手很容易犯这个错。

打印完顺便还退出进程

如果你很明确，你的服务没有崩过。那继续往下看。

网关将请求打到了一个不存在的 IP 上

nginx 是通过配置的形式来代理多个服务器。这个配置一般是放在 /etc/ nginx / nginx.conf 中。

打开它，你可能会看到类似下面这样的信息。

upstream xiaobaidebug.top {
    server 10.14.12.19:9235 weight=2;
    server 10.14.16.13:8145 weight=5;
    server 10.14.12.133:9702 weight=8;
    server 10.14.11.15:7035 weight=10;
}

上面配置的含义是，如果客户端访问 xiaobaidebug.top 域名，nginx 就会将客户端的请求转发到下面的 4 个服务器 ip 上，ip 边上还有个 weight 权重，权重越高，被转发到的次数就越多。

可以看出，nginx 具有相当丰富的配置能力。但要注意的是，这些个文件是需要自己手动配置的。对于服务器少，且不怎么变化的情况，这当然没问题。

但现在已经是云原生时代了，很多公司内部都有自己的云产品，服务自然也会上云。一般来说每次更新服务，都可能会将服务部署到一台新的机器上。而这个 ip 也会随着改变，难道每发布一次服务，都需要手动去 nginx 上改配置吗？这显然不现实。

如果能在服务启动时，让服务主动将自己的 ip 告诉 nginx，然后 nginx 自己生成这样的一个配置并重新加载，那事情就简单多了。

为了实现这样一个服务注册的功能，不少公司都会基于 nginx 进行二次开发。

但如果这个服务注册功能有问题，比方说服务启动后，新服务没注册上，但老服务已经被销毁了。这时候 nginx 还将请求打到老服务的 IP 上，由于老服务所在的机器已经没有这个服务了，所以服务器内核就会响应 RST，nginx 收到 RST 后回复 502 给客户端。

实例已经销毁但配置没删 IP

要排查这种问题也不难。

这个时候，你可以看下 nginx 侧是否有打印相关的日志，看下转发的 IP 端口是否符合预期。

如果不符合预期，可以去找找做这个基础组件的同事，进行一波友好的交流。

总结

HTTP 状态码用来表示响应结果的状态，其中 200 是正常响应，4xx 是客户端错误，5xx 是服务端错误。

客户端和服务端之间加入 nginx，可以起到反向代理和负载均衡的作用，客户端只管向 nginx 请求数据，并不关心这个请求具体由哪个服务器来处理。

后端服务端应用如果发生崩溃，nginx 在访问服务端时会收到服务端返回的 RST 报文，然后给客户端返回 502 报错。502 并不是服务端应用发出的，而是 nginx 发出的。因此发生 502 时，后端服务端很可能没有没有相关的 502 日志，需要在 nginx 侧才能看到这条 502 日志。

如果发现 502，优先通过监控排查服务端应用是否发生过崩溃重启，如果是的话，再看下是否留下过崩溃堆栈日志，如果没有日志，看下是否可能是 oom 或者是其他原因导致进程主动退出。如果进程也没崩溃过，去排查下 nginx 的日志，看下是否将请求打到了某个不知名 IP 端口上。

本文来自微信公众号：小白 debug （ID：xiaobaidebug），作者：小白