生产环境一次诡异的NPE问题，反转了4次
大家好，我是苏三，又跟大家见面了。
前言
公司为了保证系统的稳定性，加了很多监控，比如：接口响应时间、cpu使用率、内存使用率、错误日志等等。如果系统出现异常情况，会邮件通知相关人员，以便于大家能在第一时间解决隐藏的系统问题。此外，我们这边有个不成文的规定，就是线上问题最好能够当日解决，除非遇到那种非常棘手的问题。
1.起因
有个周一的早上，我去公司上班，查看邮件，收到我们老大转发的一封邮件，让我追查线上的一个NPE（NullPointException）问题。
邮件是通过sentry发出来的，我们通过点击邮件中的相关链接，可以直接跳转到sentry的详情页面。在这个页面中，展示了很多关键信息，比如：操作时间、请求的接口、出错的代码位置、报错信息、请求经过了哪些链路等等。真是居家旅行，查bug的良药，有了这些，小case一眼就能查到原因。
我当时没费吹灰之力，就访问到了NPE的sentry报错页面（其实只用鼠标双击一下就搞定）。果然上面有很多关键信息，我一眼就看到了NPE的具体代码位置：
notify.setName(CurrentUser.getCurrent().getUserName());
剧情发展得如此顺利，我都有点不好意思了。
根据类名和代码行号，我在idea中很快找到那行代码，不像是我写的，这下可以放心不用背锅了。于是接下来看了看那行的代码修改记录，最后修改人是XXX。
什么？是他？
他在一个月前已经离职了，看来这个无头公案已经无从问起，只能自己查原因。
我当时内心的OS是：代码没做兼容处理。
为什么这么说呢？
这行代码其实很简单，就是从当前用户上下文中获取用户名称，然后设置到notify实体的inUserName字段上，最终notify的数据会保存到数据库。
该字段表示那条推送通知的添加人，正常情况下没啥卵用，主要是为了出现线上问题扯皮时，有个地方可以溯源。如果出现冤案，可以还你清白。
顺便提一嘴，这里说的
推送通知跟mq中的消息是两回事，前者指的是websocket长连接推送的实时通知，我们这边很多业务场景，在页面功能操作完之后，会实时推送通知给指定用户，以便用户能够及时处理相关单据，比如：您有一个审批单需要审批，请及时处理等。
CurrentUser内部包含了一个ThreadLocal对象，它负责保存当前线程的用户上下文信息。当然为了保证在线程池中，也能从用户上下文中获取到正确的用户信息，这里用了阿里的TransmittableThreadLocal。伪代码如下：
@Data
public class CurrentUser {
private static final TransmittableThreadLocal<CurrentUser> THREA_LOCAL = new TransmittableThreadLocal<>();
private String id;
private String userName;
private String password;
private String phone;
...
public statis void set(CurrentUser user) {
THREA_LOCAL.set(user);
}
public static void getCurrent() {
return THREA_LOCAL.get();
}
}
这里为什么用了阿里的
TransmittableThreadLocal，而不是普通的ThreadLocal呢？在线程池中，由于线程会被多次复用，导致从普通的ThreadLocal中无法获取正确的用户信息。父线程中的参数，没法传递给子线程，而TransmittableThreadLocal很好解决了这个问题。
然后在项目中定义一个全局的spring mvc拦截器，专门设置用户上下文到ThreadLocal中。伪代码如下：
public class UserInterceptor extends HandlerInterceptorAdapter {
@Override
public boolean preHandle(HttpServletRequest request, HttpServletResponse response, Object handler) throws Exception {
CurrentUser user = getUser(request);
if(Objects.nonNull(user)) {
CurrentUser.set(user);
}
}
}
用户在请求我们接口时，会先触发该拦截器，它会根据用户cookie中的token，调用调用接口获取redis中的用户信息。如果能获取到，说明用户已经登录，则把用户信息设置到CurrentUser类的ThreadLocal中。
接下来，在api服务的下层，即business层的方法中，就能轻松通过CurrentUser.getCurrent();方法获取到想要的用户上下文信息了。
这套用户体系的想法是很good的，但深入使用后，发现了一个小插曲：
api服务和mq消费者服务都引用了business层，business层中的方法两个服务都能直接调用。
我们都知道在api服务中用户是需要登录的，而mq消费者服务则不需要登录。
如果business中的某个方法刚开始是给api开发的，在方法深处使用了CurrentUser.getCurrent();获取用户上下文。但后来，某位新来的帅哥在mq消费者中也调用了那个方法，并未发觉这个小机关，就会中招，出现找不到用户上下文的问题。
所以我当时的第一个想法是：代码没做兼容处理，因为之前这类问题偶尔会发生一次。
想要解决这个问题，其实也很简单。只需先判断一下能否从CurrentUser中获取用户信息，如果不能，则取配置的系统用户信息。伪代码如下：
@Autowired
private BusinessConfig businessConfig;
CurrentUser user = CurrentUser.getCurrent();
if(Objects.nonNull(user)) {
entity.setUserId(user.getUserId());
entity.setUserName(user.getUserName());
} else {
entity.setUserId(businessConfig.getDefaultUserId());
entity.setUserName(businessConfig.getDefaultUserName());
}
这种简单无公害的代码，如果只是在一两个地方加还OK。
但如果有多个地方都在获取用户信息，难道在每个地方都需要把相同的判断逻辑写一遍？对于有追求的程序员来说，这种简单的重复是写代码的大忌，如何更优雅的解决问题呢？
答案将会在文章后面揭晓。
这个NPE问题表面上，已经有答案了。根据以往的经验，由于在代码中没有做兼容处理，在mq消费者服务中获取到的用户信息为空，对一个空对象，调用它的方法，就会出现NPE。
2.第一次反转
但这个答案显得有点草率，会不会还有什么机关？
于是我在项目工程中全局搜索CurrentUser.set关键字，竟然真的找到了一个机关。
剧情出现第一次反转。
有个地方写了一个rocketmq的AOP拦截器，伪代码如下：
@Aspect
@Component
public class RocketMqAspect {
@Pointcut("execution(* onMessage(..)&&@within(org.apache.rocketmq.spring.annotation.RocketMQMessageListener))")
public void pointcut() {
}
...
@Around(value="pointcut")
public void around(ProceedingJoinPoint point) throws Throwable {
if(point.getArgs().length == 1 && point.getArgs()[0] instanceof MessageExt) {
Message message = (Message)point.getArgs()[0];
String userId = message.getUserProperty("userId");
String userName = message.getUserProperty("userName");
if(StringUtils.notEmpty(userId) && StringUtils.notEmpty(userName)) {
CurrentUser user = new CurrentUser();
user.setUserId(userId);
user.setUserName(userName);
CurrentUser.set(user);
}
}
...
}
}
它会拦截所有mq消费者中的onMessage方法，在该方法执行之前，从userProperty中获取用户信息，并且创建用户对象，设置到用户上下文中。
温馨提醒一下，免得有些朋友依葫芦画瓢踩坑。上面的伪代码只给出了设置用户上下文的关键代码，用完后，删除用户上下文的代码没有给出，感兴趣的朋友可以找我私聊。
既然有获取用户信息的地方，我猜测必定有设置的地方。这时候突然发现自己有点当侦探的潜力，因为后面还真找到了。
意不意外，惊不惊喜？
另外一个同事自己自定义了一个RocketMQTemplate。伪代码如下：
public class MyRocketMQTemplate extends RocketMQTemplate {
@Override
public void asyncSend(String destnation, Meassage<?> message, SendCallback sendCallback, long timeout, int delayLevel) {
MessageBuilder builder = withPayload(message.getPayLoad());
CurrentUser user = CurrentUser.getCurrent();
builder.setHeader("userId", user.getUserId());
builder.setHeader("userName", user.getUserName());
super.asyncSend(destnation,message,sendCallback,timeout,delayLevel);
}
}
这段代码的主要作用是在mq生产者在发送异步消息之前，先将当前用户上下文信息设置到mq消息的header中，这样在mq消费者中就能通过userProperty获取到，它的本质也是从header中获取到的。
这个设计比较巧妙，完美的解决了mq的消费者中通过CurrentUser.getCurrent();无法获取用户信息的问题。
此时线索一下子断了，没有任何进展。
我再去查了一下服务器的日志。确认了那条有问题的mq消息,它的header信息中确实没有userId和userName字段。
莫非是mq生产者没有往header中塞用户信息？这是需要重点怀疑的地方。
因为mq生产者是另外一个团队写的代码，在EOA（签报系统）回调他们系统时，会给我们发mq消息，通知我们签报状态。
而EOA是第三方的系统，用户体系没有跟我们打通。所以在另外一个团队的回调接口中，没法获取当前登录的用户信息，AOP的拦截器就没法自动往header中塞用户信息，这样在mq的消费者中自然就获取不到了。
这样想来还真的是顺理成章。
3.第二次反转
但真的是这样的吗？
我们抱着很大的希望，给他们发了一封邮件，让他们帮忙查一下问题。
很快，他们回邮件了。
但他们说：已经本地测试过，功能正常。
就这样剧情第二次反转了。
我此时有点好奇，他们是怎么往header中塞用户信息的。带着“学习的心态”，于是找他们一起查看了相关代码。
他们在发送mq消息之前，会调用一个UserUtil工具注入用户。该工具类的伪代码如下：
@Component
public class UserUtil{
@Value("${susan.userId}")
private String userId;
@Value("${susan.userName}")
private String userName;
public void injectUser() {
CurrentUser user = new CurrentUser();
user.setUserId(userId);
user.setUserName(userName);
CurrentUser.set(user);
}
}
好吧，不得不承认，这样做确实可以解决header传入用户信息的问题，比之前需要手动判断用户信息是否为空要优雅得多，因为注入之后的用户信息肯定是不为空的。
折腾了半天，NPE问题还是没有着落。
我回头再仔细看了那个自定义的RocketMQTemplate类，发现里面重写的方法：asyncSend，它包含了5个参数。而他们在给我们推消息时，调用的asyncSend却只传了3个参数。
一下子，问题又有了新的进展，有没有可能是他们调错接口了？
原本应该调用5个参数的方法，但实际上他们调用了3个参数的方法。
这样就能解释通了。
4.第三次反转
终于有点思路，我带着一份喜悦，准备开始证明刚刚的猜测。
但事实证明，我真的高兴的太早了，马上被啪啪打脸。
这次是反转最快的一次。
怎么回事呢？
原本我以为是另外一个团队的人，在发mq消息时调错方法了，应该调用5个参数的asyncSend方法，但他们的代码中实际上调用的是3个参数的同名方法。
为了防止出现冤枉同事的事情发生。我本着尽职尽责的态度，仔细看了看RocketMQTemplate类的所有方法，这个类是rocketmq框架提供的。
意外发现了一些藕断丝连的关系，伪代码如下：
public void asyncSend(String destination, Message<?> message, SendCallback sendCallback, long timeout, int delayLevel) {
if (Objects.isNull(message) || Objects.isNull(message.getPayload())) {
log.error("asyncSend failed. destination:{}, message is null ", destination);
throw new IllegalArgumentException("`message` and `message.payload` cannot be null");
}
try {
org.apache.rocketmq.common.message.Message rocketMsg = RocketMQUtil.convertToRocketMessage(objectMapper,
charset, destination, message);
if (delayLevel > 0) {
rocketMsg.setDelayTimeLevel(delayLevel);
}
producer.send(rocketMsg, sendCallback, timeout);
} catch (Exception e) {
log.info("asyncSend failed. destination:{}, message:{} ", destination, message);
throw new MessagingException(e.getMessage(), e);
}
}
public void asyncSend(String destination, Message<?> message, SendCallback sendCallback, long timeout) {
asyncSend(destination,message,sendCallback,timeout,0);
}
public void asyncSend(String destination, Message<?> message, SendCallback sendCallback) {
asyncSend(destination, message, sendCallback, producer.getSendMsgTimeout());
}
public void asyncSend(String destination, Object payload, SendCallback sendCallback, long timeout) {
Message<?> message = this.doConvert(payload, null, null);
asyncSend(destination, message, sendCallback, timeout);
}
public void asyncSend(String destination, Object payload, SendCallback sendCallback) {
asyncSend(destination, payload, sendCallback, producer.getSendMsgTimeout());
}
这个背后隐藏着一个天大的秘密，这些同名的方法殊途同归，竟然最终都会调用5个参数的asyncSend方法。
这样看来，如果在子类中重写了5个的asyncSend方法，相当于重写了所有的asyncSend方法。
温馨提醒一下，有些类的重载方法会相互调用，如果在子类中重新了最底层的那个重载方法，等于把所有的重载方法都重写了。
头疼，又要回到原点了。
5.第四次反转
此时，我有点迷茫了。
不过，有个好习惯是：遇到线上问题不知道怎办时，会多查一下日志。
本来不报啥希望的，但是没想到通过再查日志。
出现了第四次反转。
这次抱着试一下的心态，根据messageID去查了mq生产者的日志，查到了一条消息的发送日志。
这次眼睛擦得雪亮，发现了一个小细节：时间不对。
这条日志显示的消息发送日期是2021-05-21，而实际上mq消费者处理的日期是2021-05-28。
这条消息一个星期才消费完？
显然不是。
我有点肃然起敬了。再回去用那个messageID查了mq消费者的日志，发现里面其实消费了6次消息。前5次竟然是同一天，都在2021-05-21，而且都处理失败了。另一次是2021-05-28，处理成功了。
为什么同一条消息，会在同一天消费5次？
如果你对rocketmq比较熟悉的话，肯定知道它支持重试机制。
如果mq消费者消息处理失败了，可以在业务代码中抛一个异常。然后框架层面捕获该异常返回ConsumeConcurrentlyStatus.RECONSUME_LATER，rocketmq会自动将该消息放到重试队列。死信队列。
最后为什么会多消费一次？
最后的那条消息不可能是其他的mq生产者发出的，因为messageID是唯一的，其他的生产者不可能产生一样的messageID。
那么接下来，只有一种可能，那就是人为发了条消息。
查线上日志时，时间、messageID、traceID、记录条数 这几个维度至关重要。
6.真相
后来发现还真的是人为发的消息。
一周前，线上有个用户，由于EOA页面回调接口失败（重试也失败），导致审核状态变更失败。该审核单在EOA系统中审批通过了，但mq消费者去处理该审核单的时候，发现状态还是待审核，就直接返回了，没有走完后续的流程，从而导致该审核单数据数据异常。
为了修复这个问题，我们当时先修改了线上该审核单的状态。接下来，手动的在rocketmq后台发了条消息。由于当时在rocketmq后台看不到header信息，所以发消息时没有管header，直接往指定的topic中发消息了。
千万注意，大家在手动发mq消息时，一定要注意header中是否也需要设置相关参数，尤其是rocketmq，不然就可能会出问题。
mq消费者消费完那条消息之后，该审核单正常走完了流程，当时找测试一起测试过，数据库的状态都是正常的。
大家都以为没有问题了，但是所有人都忽略了一个小细节：就是在正常业务逻辑处理完之后，会发websocket通知给指定用户。但这个功能是已经离职的那个同事加的新逻辑，其他人都不知道。站在手动发消息的那个人的角度来说，他没错，因为他根本不知道新功能的存在。
由于这行代码是最后一行代码，并且跟之前的代码不在同一个事物当中，即使出了问题也不会影响正常的业务逻辑。
所以这个NPE问题影响范围很小，只是那个商户没有收到某个通知而已。
有个好习惯，就是把跟核心业务逻辑无关的代码，放在事务之外，防止出现问题时，影响主流程。
说实话，有时候遇到线上问题，对于我们来说未必是一件坏事。通过这次线上问题定位，让我熟悉了公司更多新功能，学习了其他同事的一些好的思想，总结了一些经验和教训，是一次难得的提升自己的好机会。
最后说一句(求关注，别白嫖我)
码字不易，且行且珍惜。你的认同是我坚持的最大动力，求一键三连：点赞、转发、在看。
关注公众号：【苏三说技术】，在公众号中回复：面试、代码神器、开发手册、时间管理有超赞的粉丝福利，另外回复：加群，可以跟很多BAT大厂的前辈交流和学习。