写点什么

美团外卖 Android Crash 治理之路

  • 2020-02-19
  • 本文字数:12112 字

    阅读完需:约 40 分钟

美团外卖Android Crash治理之路

Crash 率是衡量一个 App 好坏的重要指标之一,如果你忽略了它的存在,它就会愈演愈烈,最后造成大量用户的流失,进而给公司带来无法估量的损失。本文讲述美团外卖 Android 客户端团队在将 App 的 Crash 率从千分之三做到万分之二过程中所做的大量实践工作,抛砖引玉,希望能够为其他团队提供一些经验和启发。

面临的挑战和成果

面对用户使用频率高,外卖业务增长快,Android 碎片化严重这些问题,美团外卖 Android App 如何持续的降低 Crash 率,是一项极具挑战的事情。通过团队的全力全策,美团外卖 Android App 的平均 Crash 率从千分之三降到了万分之二,最优值万一左右(Crash 率统计方式:Crash 次数/DAU)。


美团外卖自 2013年创建以来,业务就以指数级的速度发展。美团外卖承载的业务,从单一的餐饮业务,发展到餐饮、超市、生鲜、果蔬、药品、鲜花、蛋糕、跑腿等十多个大品类业务。目前美团外卖日完成订单量已突破 2000 万,成为美团点评最重要的业务之一。美团外卖客户端所承载的业务模块越来越多,产品复杂度越来越高,团队开发人员日益增加,这些都给 App 降低 Crash 率带来了巨大的挑战。

Crash 的治理实践

对于 Crash 的治理,我们尽量遵守以下三点原则:


  • 由点到面。一个 Crash 发生了,我们不能只针对这个 Crash 的去解决,而要去考虑这一类 Crash 怎么去解决和预防。只有这样才能使得这一类 Crash 真正被解决。

  • 异常不能随便吃掉。随意的使用 try-catch,只会增加业务的分支和隐蔽真正的问题,要了解 Crash 的本质原因,根据本质原因去解决。catch 的分支,更要根据业务场景去兜底,保证后续的流程正常。

  • 预防胜于治理。当 Crash 发生的时候,损失已经造成了,我们再怎么治理也只是减少损失。尽可能的提前预防 Crash 的发生,可以将 Crash 消灭在萌芽阶段。

常规的 Crash 治理

常规 Crash 发生的原因主要是由于开发人员编写代码不小心导致的。解决这类 Crash 需要由点到面,根据 Crash 引发的原因和业务本身,统一集中解决。常见的 Crash 类型包括:空节点、角标越界、类型转换异常、实体对象没有序列化、数字转换异常、Activity 或 Service 找不到等。这类 Crash 是 App 中最为常见的 Crash,也是最容易反复出现的。在获取 Crash 堆栈信息后,解决这类 Crash 一般比较简单,更多考虑的应该是如何避免。下面介绍两个我们治理的量比较大的 Crash。

NullPointerException

NullPointerException 是我们遇到最频繁的,造成这种 Crash 一般有两种情况:


  • 对象本身没有进行初始化就进行操作。

  • 对象已经初始化过,但是被回收或者手动置为 null,然后对其进行操作。


针对第一种情况导致的原因有很多,可能是开发人员的失误、API 返回数据解析异常、进程被杀死后静态变量没初始化导致,我们可以做的有:


  • 对可能为空的对象做判空处理。

  • 养成使用 @NonNull 和 @Nullable 注解的习惯。

  • 尽量不使用静态变量,万不得已使用 SharedPreferences 来存储。

  • 考虑使用 Kotlin 语言。


针对第二种情况大部分是由于 Activity/Fragment 销毁或被移除后,在 Message、Runnable、网络等回调中执行了一些代码导致的,我们可以做的有:


  • Message、Runnable 回调时,判断 Activity/Fragment 是否销毁或被移除;加 try-catch 保护;Activity/Fragment 销毁时移除所有已发送的 Runnable。

  • 封装 LifecycleMessage/Runnable 基础组件,并自定义 Lint 检查,提示使用封装好的基础组件。

  • 在 BaseActivity、BaseFragment 的 onDestory()里把当前 Activity 所发的所有请求取消掉。

IndexOutOfBoundsExceptioin

这类 Crash 常见于对 ListView 的操作和多线程下对容器的操作。


针对 ListView 中造成的 IndexOutOfBoundsException,经常是因为外部也持有了Adapter里数据的引用(如在 Adapter 的构造函数里直接赋值),这时如果外部引用对数据更改了,但没有及时调用 notifyDataSetChanged(),则有可能造成 Crash,对此我们封装了一个 BaseAdapter,数据统一由 Adapter 自己维护通知, 同时也极大的避免了The content of the adapter has changed butListView did not receive a notification ,这两类 Crash 目前得到了统一的解决。


另外,很多容器是线程不安全的,所以如果在多线程下对其操作就容易引发 IndexOutOfBoundsException。常用的如 JDK里的 ArrayList 和 Android里的 SparseArray、ArrayMap,同时也要注意有一些类的内部实现也是用的线程不安全的容器,如 Bundle里用的就是 ArrayMap。

系统级 Crash 治理

众所周知,Android 的机型众多,碎片化严重,各个硬件厂商可能会定制自己的 ROM,更改系统方法,导致特定机型的崩溃。发现这类 Crash,主要靠云测平台配合自动化测试,以及线上监控,这种情况下的 Crash 堆栈信息很难直接定位问题。下面是常见的解决思路:


  1. 尝试找到造成 Crash 的可疑代码,看是否有特异的 API 或者调用方式不当导致的,尝试修改代码逻辑来进行规避。

  2. 通过 Hook 来解决,Hook 分为 Java Hook 和 Native Hook。Java Hook 主要靠反射或者动态代理来更改相应 API 的行为,需要尝试找到可以 Hook 的点,一般 Hook 的点多为静态变量,同时需要注意 Android不同版本的 API,类名、方法名和成员变量名都可能不一样,所以要做好兼容工作;Native Hook 原理上是用更改后方法把旧方法在内存地址上进行替换,需要考虑到 Dalvik 和 ART 的差异;相对来说 Native Hook 的兼容性更差一点,所以用 Native Hook 的时候需要配合降级策略。

  3. 如果通过前两种方式都无法解决的话,我们只能尝试反编译 ROM,寻找解决的办法。


我们举一个定制系统 ROM 导致 Crash 的例子,根据 Crash 平台统计数据发现该 Crash 只发生在 vivo V3Max 这类机型上,Crash 堆栈如下:


java.lang.RuntimeException: An error occured while executing doInBackground()  at android.os.AsyncTask$3.done(AsyncTask.java:304)  at java.util.concurrent.FutureTask.finishCompletion(FutureTask.java:355)  at java.util.concurrent.FutureTask.setException(FutureTask.java:222)  at java.util.concurrent.FutureTask.run(FutureTask.java:242)  at android.os.AsyncTask$SerialExecutor$1.run(AsyncTask.java:231)  at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1112)  at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:587)  at java.lang.Thread.run(Thread.java:818)Caused by: java.lang.NullPointerException: Attempt to invoke interface method 'int java.util.List.size()' on a null object referenceat android.widget.AbsListView$UpdateBottomFlagTask.isSuperFloatViewServiceRunning(AbsListView.java:7689)  at android.widget.AbsListView$UpdateBottomFlagTask.doInBackground(AbsListView.java:7665)  at android.os.AsyncTask$2.call(AsyncTask.java:292)  at java.util.concurrent.FutureTask.run(FutureTask.java:237)  ... 4 more
复制代码


我们发现原生系统上对应系统版本的 AbsListView里并没有 UpdateBottomFlagTask 类,因此可以断定是 vivo 该版本定制的 ROM 修改了系统的实现。我们在定位这个 Crash 的可疑点无果后决定通过 Hook 的方式解决,通过源码发现 AsyncTask$SerialExecutor 是静态变量,是一个很好的 Hook 的点,通过反射添加 try-catch 解决。因为修改的是 final 对象所以需要先反射修改 accessFlags,需要注意 ART 和 Dalvik 下对应的 Class不同,代码如下:


public static void setFinalStatic(Field field, Object newValue) throws Exception {      field.setAccessible(true);      Field artField = Field.class.getDeclaredField("artField");      artField.setAccessible(true);      Object artFieldValue = artField.get(field);      Field accessFlagsFiled = artFieldValue.getClass().getDeclaredField("accessFlags");      accessFlagsFiled.setAccessible(true);      accessFlagsFiled.setInt(artFieldValue, field.getModifiers() & ~Modifier.FINAL);      field.set(null, newValue);   }
复制代码


private void initVivoV3MaxCrashHander() {    if (!isVivoV3()) {        return;    }    try {        setFinalStatic(AsyncTask.class.getDeclaredField("SERIAL_EXECUTOR"), new SafeSerialExecutor());        Field defaultfield = AsyncTask.class.getDeclaredField("sDefaultExecutor");        defaultfield.setAccessible(true);        defaultfield.set(null, AsyncTask.SERIAL_EXECUTOR);    } catch (Exception e) {        L.e(e);    }}
复制代码


美团外卖 App 用上述方法解决了对应的 Crash,但是美团 App里的外卖频道因为平台的限制无法通过这种方式,于是我们尝试反编译 ROM。 Android ROM 编译时会将 framework、app、bin 等目录打入 system.img 中,system.img 是 Android 系统中用来存放系统文件的镜像 (image),文件格式一般为 yaffs2 或 ext。但 Android 5.0 开始支持 dm-verity 后,system.img不再提供,而是提供了三个文件 system.new.dat,system.patch.dat,system.transfer.list,因此我们首先需要通过上述的三个文件得到 system.img。但我们将 vivo ROM 解压后发现厂商将 system.new.dat 进行了分片,如下图所示:



经过对 system.transfer.list 中的信息和 system.new.dat 1 2 3 … 文件大小对比研究,发现一些共同点,system.transfer.list 中的每一个 block 数*4KB 与对应的分片文件的大小大致相同,故大胆猜测,vivo ROM 对 system.patch.dat 分片也只是单纯的按 block 先后顺序进行了分片处理。所以我们只需要在转化 img 前将这些分片文件合成一个 system.patch.dat 文件就可以了。最后根据 system.img 的文件系统格式进行解包,拿到 framework 目录,其中有 framework.jar 和 boot.oat 等文件,因为 Android4.4 之后引入了ART 虚拟机,会预先把 system/framework 中的一些 jar 包转换为 oat 格式,所以我们还需要将对应的 oat 文件通过ota2dex 将其解包获得 dex 文件,之后通过dex2jarjd-gui 查看源码。

OOM

OOM 是 OutOfMemoryError 的简称,在常见的 Crash 疑难排行榜上,OOM 绝对可以名列前茅并且经久不衰。因为它发生时的 Crash 堆栈信息往往不是导致问题的根本原因,而只是压死骆驼的最后一根稻草。


导致 OOM 的原因大部分如下:


  • 内存泄漏,大量无用对象没有被及时回收导致后续申请内存失败。

  • 大内存对象过多,最常见的大对象就是 Bitmap,几个大图同时加载很容易触发 OOM。


内存泄漏


内存泄漏指系统未能及时释放已经不再使用的内存对象,一般是由错误的程序代码逻辑引起的。在 Android 平台上,最常见也是最严重的内存泄漏就是 Activity 对象泄漏。Activity 承载了App 的整个界面功能,Activity 的泄漏同时也意味着它持有的大量资源对象都无法被回收,极其容易造成 OOM。


常见的可能会造成 Activity 泄漏的原因有:


  • 匿名内部类实现 Handler 处理消息,可能导致隐式持有的 Activity 对象无法回收。

  • Activity 和 Context 对象被混淆和滥用,在许多只需要 Application Context 而不需要使用 Activity 对象的地方使用了Activity 对象,比如注册各类 Receiver、计算屏幕密度等等。

  • View 对象处理不当,使用 Activity 的 LayoutInflater 创建的 View 自身持有的 Context 对象其实就是 Activity,这点经常被忽略,在自己实现 View 重用等场景下也会导致 Activity 泄漏。


对于 Activity 泄漏,目前已经有了一个非常好用的检测工具: LeakCanary ,它可以自动检测到所有 Activity 的泄漏情况,并且在发生泄漏时给出十分友好的界面提示,同时为了防止开发人员的疏漏,我们也会将其上报到服务器,统一检查解决。另外我们可以在 debug 下使用 StrictMode 来检查 Activity 的泄露、Closeable 对象没有被关闭等问题。


大对象


在 Android 平台上,我们分析任一应用的内存信息,几乎都可以得出同样的结论:占用内存最多的对象大都是 Bitmap 对象。随着手机屏幕尺寸越来越大,屏幕分辨率也越来越高,1080p 和更高的 2k 屏已经占了大半份额,为了达到更好的视觉效果,我们往往需要使用大量高清图片,同时也为 OOM 埋下了祸根。


对于图片内存优化,我们有几个常用的思路:


  • 尽量使用成熟的图片库,比如Glide,图片库会提供很多通用方面的保障,减少不必要的人为失误。

  • 根据实际需要,也就是 View 尺寸来加载图片,可以在分辨率较低的机型上尽可能少地占用内存。除了常用的 BitmapFactory.Options#inSampleSize 和 Glide 提供的 BitmapRequestBuilder#override 之外,我们的图片 CDN 服务器也支持图片的实时缩放,可以在服务端进行图片缩放处理,从而减轻客户端的内存压力。分析 App 内存的详细情况是解决问题的第一步,我们需要对 App 运行时到底占用了多少内存、哪些类型的对象有多少个有大致了解,并根据实际情况做出预测,这样才能在分析时做到有的放矢。Android Studio 也提供了非常好用的Memory Profiler堆转储分配跟踪器功能可以帮我们迅速定位问题。

AOP 增强辅助

AOP 是面向切面编程的简称,在 Android 的 Gradle 插件 1.5.0 中新增了Transform API 之后,编译时修改字节码来实现 AOP 也因为有了官方支持而变得非常方便。


在一些特定情况下,可以通过 AOP 的方式自动处理未捕获的异常:


  • 抛异常的方法非常明确,调用方式比较固定。

  • 异常处理方式比较统一。

  • 和业务逻辑无关,即自动处理异常后不会影响正常的业务逻辑。典型的例子有读取 Intent Extras 参数、读取 SharedPreferences、解析颜色字符串值和显示隐藏 Window 等等。


这类问题的解决原理大致相同,我们以 Intent Extras 为例详细介绍一下。读取 Intent Extras 的问题在于我们非常常用的方法 Intent#getStringExtra 在代码逻辑出错或者恶意攻击的情况下可能会抛出 ClassNotFoundException 异常,而我们平时在写代码时又不太可能给所有调用都加上 try-catch 语句,于是一个更安全的 Intent 工具类应运而生,理论上只要所有人都使用这个工具类来访问 Intent Extras 参数就可以防止此类型的 Crash。但是面对庞大的旧代码仓库和诸多的业务部门,修改现有代码需要极大成本,还有更多的外部依赖 SDK 基本不可能使用我们自己的工具类,此时就需要 AOP 大展身手了。


我们专门制作了一个 Gradle 插件,只需要配置一下参数就可以将某个特定方法的调用替换成另一个方法:


WaimaiBytecodeManipulator {     replacements(         "android/content/Intent.getIntExtra(Ljava/lang/String;I)I=com/waimai/IntentUtil.getInt(Landroid/content/Intent;Ljava/lang/String;I)I",         "android/content/Intent.getStringExtra(Ljava/lang/String;)Ljava/lang/String;=com/waimai/IntentUtil.getString(Landroid/content/Intent;Ljava/lang/String;)Ljava/lang/String;",         "android/content/Intent.getBooleanExtra(Ljava/lang/String;Z)Z=com/waimai/IntentUtil.getBoolean(Landroid/content/Intent;Ljava/lang/String;Z)Z",         ...)     }}
复制代码


上面的配置就可以将 App 代码(包括第三方库)里所有的 Intent.getXXXExtra 调用替换成 IntentUtil 类中的安全版实现。当然,并不是所有的异常都只需要 catch 住就万事大吉,如果真的有逻辑错误肯定需要在开发和测试阶段及时暴露出来,所以在 IntentUtil 中会对 App 的运行环境做判断,Debug 下会将异常直接抛出,开发同学可以根据 Crash 堆栈分析问题,Release 环境下则在捕获到异常时返回对应的默认值然后将异常上报到服务器。

依赖库的问题

Android App 经常会依赖很多 AAR, 每个 AAR 可能有多个版本,打包时 Gradle 会根据规则确定使用的最终版本号(默认选择最高版本或者强制指定的版本),而其他版本的 AAR 将被丢弃。如果互相依赖的 AAR 中有不兼容的版本,存在的问题在打包时是不能发现的,只有在相关代码执行时才会出现,会造成 NoClassDefFoundError、NoSuchFieldError、NoSuchMethodError 等异常。如图所示,order 和 store 两个业务库都依赖了platform.aar,一个是 1.0 版本,一个是 2.0 版本,默认最终打进 APK 的只有 platform2.0 版本,这时如果 order 库里用到的 platform 库里的某个类或者方法在 2.0 版本中被删除了,运行时就可能发生异常,虽然 SDK 在升级时会尽量做到向下兼容,但很多时候尤其是第三方 SDK 是没法得到保证的,在美团外卖 Android App v6.0 版本时因为这个原因导致热修复功能丧失,因此为了提前发现问题,我们接入了依赖检查插件 Defensor。



Defensor 在编译时通过 DexTask 获取到所有的输入文件(也就是被编译过的 class 文件),然后检查每个文件里引用的类、字段、方法等是否存在。


除此之外我们写了一个 Gradle 插件 SVD(strict version dependencies)来对那些重要的 SDK 的版本进行统一管理。插件会在编译时检查 Gradle 最终使用的 SDK 版本是否和配置中的一致,如果不一致插件会终止编译并报错,并同时会打印出发生冲突的 SDK 的所有依赖关系。

Crash 的预防实践

单纯的靠约定或规范去减少 Crash 的发生是不现实的。约定和规范受限于组织架构和具体执行的个人,很容易被忽略,只有靠工程架构和工具才能保证 Crash 的预防长久的执行下去。

工程架构对 Crash 率的影响

在治理Crash 的实践中,我们往往忽略了工程架构对 Crash 率的影响。Crash 的发生大部分原因是源于程序员的不合理的代码,而程序员工作中最直接的接触的就是工程架构。对于一个边界模糊,层级混乱的架构,程序员是更加容易写出引起 Crash 的代码。在这样的架构里面,即使程序员意识到导致某种写法存在问题,想要去改善这样不合理的代码,也是非常困难的。相反,一个层级清晰,边界明确的架构,是能够大大减少 Crash 发生的概率,治理和预防 Crash 也是相对更容易。这里我们可以举几个我们实践过的例子阐述。


业务模块的划分


原来我们的 Crash 基本上都是由个别同学关注解决的,团队里的每个同学都会提交可能引起 Crash 的代码,如果负责 Crash 的同学因为某些事情,暂时没有关注 App 的 Crash 率,那么造成 Crash 的同学也不会知道他的代码引起了Crash。


对于这个问题,我们的做法是 App 的业务模块化。业务模块化后,每个业务都有都有唯一包名和对应的负责人。当某个模块发生了Crash,可以根据包名提交问题给这个模块的负责人,让他第一时间进行处理。业务模块化本身也是工程架构优先需要考虑的事情之一。


页面跳转路由统一处理页面跳转


对外卖 App 而言,使用过程中最多的就是页面间的跳转,而页面间跳转经常会造成 ActivityNotFoundException,例如我们配了一个 scheme,但对方的 scheme路径已经发生了变化;又例如,我们调用手机上相册的功能,而相册应用已被用户自己禁用或移除了。解决这一类 Crash,其实也很简单,只需要在 startActivity 增加 ActivityNotFoundException 异常捕获即可。但一个 App里,启动 Activity 的地方,几乎是随处可见,无法预测哪一处会造成 ActivityNotFoundException。


我们的做法是将页面的跳转,都通过我们封装的 scheme路由去分发。这样的好处是,通过 scheme路由,在工程架构上所有业务都是解耦,模块间不需要相互依赖就可以实现页面的跳转和基本类型参数的传递;同时,由于所有的页面跳转都会走 scheme路由,我们只需要在 scheme路由里一处加上 ActivityNotFoundException 异常捕获即可解决这种类型的 Crash。路由设计示意图如下:



网络层统一处理API 脏数据


客户端的很大一部分的 Crash 是因为 API 返回的脏数据。比如当 API 返回空值、空数组或返回不是约定类型的数据,App 收到这些数据,就极有可能发生空指针、数组越界和类型转换错误等 Crash。而且这样的脏数据,特别容易引起线上大面积的崩溃。


最早我们的工程的网络层用法是:页面监听网络成功和失败的回调,网络成功后,将 JSON 数据传递给页面,页面解析 Model,初始化 View,如图所示。这样的问题就是,网络虽然请求成功了,但是 JSON 解析 Model 这个过程可能存在问题,例如没有返回数据或者返回了类型不对的数据,而这个脏数据导致问题会出现在 UI 层,直接反应给用户。



根据上图,我们可以看到由于网络层只承担了请求网络的职责,没有承担数据解析的职责,数据解析的职责交给了页面去处理。这样使得我们一旦发现脏数据导致的 Crash,就只能在网络请求的回调里面增加各种判断去兼容脏数据。我们有几百个页面,补漏完全补不过来。通过几个版本的重构,我们重新划分了网络层的职责,如图所示:



从图上可以看出,重构后的网络层负责请求网络和数据解析,如果存在脏数据的话,在网络层就会发现问题,不会影响到 UI 层,返回给 UI 层的都是校验成功的数据。这样改造后,我们发现这类的 Crash 率有了极大的改善。

大图监控

上面讲到大对象是导致 OOM 的主要原因之一,而 Bitmap 是 App里最常见的大对象类型,因此对占用内存过大的 Bitmap 对象的监控就很有必要了。


我们用 AOP 方式 Hook了三种常见图片库的加载图片回调方法,同时监控图片库加载图片时的两个维度:


  1. 加载图片使用的 URL。外卖 App 中除静态资源外,所有图片都要求发布到专用的图片 CDN 服务器上,加载图片时使用正则表达式匹配 URL,除了限定 CDN 域名之外还要求所有图片加载时都要添加对应的动态缩放参数。

  2. 最终加载出的图片结果(也就是 Bitmap 对象)。我们知道 Bitmap 对象所占内存和其分辨率大小成正比,而一般情况下在 ImageView 上设置超过自身尺寸的图片是没有意义的,所以我们要求显示在 ImageView 中的 Bitmap 分辨率不允许超过 View 自身的尺寸(为了降低误报率也可以设定一个报警阈值)。


开发过程中,在 App里检测到不合规的图片时会立即高亮出错的 ImageView 所在的位置并弹出对话框提示 ImageView 所在的 Activity、XPath 和加载图片使用的 URL 等信息,如下图,辅助开发同学定位并解决问题。在 Release 环境下可以将报警信息上报到服务器,实时观察数据,有问题及时处理。


Lint 检查

我们发现线上的很多 Crash 其实可以在开发过程中通过 Lint 检查来避免。Lint 是 Google 提供的 Android 静态代码检查工具,可以扫描并发现代码中潜在的问题,提醒开发人员及早修正,提高代码质量。


但是 Android 原生提供的 Lint 规则(如是否使用了高版本 API)远远不够,缺少一些我们认为有必要的检测,也不能检查代码规范。因此我们开始开发自定义 Lint,目前我们通过自定义 Lint 规则已经实现了Crash 预防、Bug 预防、提升性能/安全和代码规范检查这些功能。如检查实现了Serializable 接口的类,其成员变量(包括从父类继承的)所声明的类型都要实现 Serializable 接口,可以有效的避免 NotSerializableException;强制使用封装好的工具类如 ColorUtil、WindowUtil 等可以有效的避免因为参数不正确产生的 IllegalArgumentException 和因为 Activity 已经 finish 导致的 BadTokenException。


Lint 检查可以在多个阶段执行,包括在本地手动检查、编码实时检查、编译时检查、commit 时检查,以及在 CI 系统中提 Pull Request 时检查、打包时检查等,如下图所示。更详细的内容可参考《美团外卖Android Lint代码检查实践》


资源重复检查

在之前的文章《美团外卖Android平台化架构演进实践》 中讲述了我们的平台化演进过程,在这个过程中大家很大的一部分工作是下沉,但是下沉不完全就会导致一些类和资源的重复,类因为有包名的限制不会出现问题。但是一些资源文件如 layout、drawable 等如果同名则下层会被上层覆盖,这时 layout里view 的 id 发生了变化就可能导致空指针的问题。为了避免这种问题,我们写了一个 Gradle 插件通过 hookMergeResource 这个 Task,拿到所有 library 和主库的资源文件,如果检查到重复则会中断编译过程,输出重复的资源名及对应的 library name,同时避免有些资源因为样式等原因确实需要覆盖,因此我们设置了白名单。同时在这个过程中我们也拿到了所有的的图片资源,可以顺手做图片大小的本地监控,如下图所示:


Crash 的监控 &止损的实践

监控

在经过前面提到的各种检查和测试之后,应用便开始发布了。我们建立了如下图的监控流程,来保证异常发生时能够及时得到反馈并处理。首先是灰度监控,灰度阶段是增量Crash 最容易暴露的阶段,如果这个阶段没有很好的把握住,会使得增量变存量,从而导致 Crash 率上升。如果条件允许的话,可以在灰度期间制定一些灰度策略去提高这个阶段 Crash 的暴露。例如分渠道灰度、分城市灰度、分业务场景灰度、新装用户的灰度等等,尽量覆盖所有的分支。灰度结束之后便开始全量,在全量的过程中我们还需要一些日常 Crash 监控和 Crash 率的异常报警来防止突发情况的发生,例如因为后台上线或者运营配置错误导致的线上 Crash。除此之外还需要一些其他的监控,例如,之前提到的大图监控,来避免因为大图导致的 OOM。具体的输出形式主要有邮件通知、IM 通知、报表。


止损

尽管我们在前面做了那么多,但是 Crash 还是无法避免的,例如,在灰度阶段因为量级不够,有些 Crash 没有被暴露出来;又或者某些功能客户端比后台更早上线,而这些功能在灰度阶段没有被覆盖到;这些情况下,如果出现问题就需要考虑如何止损了。


问题发生时首先需要评估重要性,如果问题不是很严重而且修复成本较高可以考虑在下个版本再修复,相反如果问题比较严重,对用户体验或下单有影响时就必须要修复。修复时首先考虑业务降级,主要看该部分异常的业务是否有兜底或者 A/B 策略,这样是最稳妥也是最有效的方式。如果业务不能降级就需要考虑热修复了,目前美团外卖 Android App 接入的热修复框架是自研的Robust ,可以修复 90%以上的场景,热修成功率也达到了99%以上。如果问题发生在热修复无法覆盖的场景,就只能强制用户升级。强制升级因为覆盖周期长,同时影响用户的体验,只在万不得已的情况下才会使用。

展望

Crash 的自我修复

我们在做新技术选型时除了要考虑是否能满足业务需求、是否比现有技术更优秀和团队学习成本等因素之外,兼容性和稳定性也非常重要。但面对国内非富多彩的 Android 系统环境,在体量百万级以上的的 App 中几乎不可能实现毫无瑕疵的技术方案和组件,所以一般情况下如果某个技术实现方案可以达到 0.01‰以下的崩溃率,而其他方案也没有更好的表现,我们就认为它是可以接受的。但是哪怕仅仅十万分之一的崩溃率,也代表还有用户受到影响,而我们认为 Crash 对用户来说是最糟糕的体验,尤其是涉及到交易的场景,所以我们必须本着每一单都很重要的原则,尽最大努力保证用户顺利执行流程。


实际情况中有一些技术方案在兼容性和稳定性上做了一定妥协的场景,往往是因为考虑到性能或扩展性等方面的优势。这种情况下我们其实可以再多做一些,进一步提高 App 的可用性。就像很多操作系统都有“兼容模式”或者“安全模式”,很多自动化机械机器都配套有手动操作模式一样,App里也可以实现备用的降级方案,然后设置特定条件的触发策略,从而达到自动修复 Crash 的目的。


举例来讲,Android 3.0 中引入了硬件加速机制,虽然可以提高绘制帧率并且降低 CPU 占用率,但是在某些机型上还是会有绘制错乱甚至 Crash 的情况,这时我们就可以在 App 中记录硬件加速相关的 Crash 问题或者使用检测代码主动检测硬件加速功能是否正常工作,然后主动选择是否开启硬件加速,这样既可以让绝大部分用户享受硬件加速带来的优势,也可以保障硬件加速功能不完善的机型不受影响。


还有一些类似的可以做自动降级的场景,比如:


  • 部分使用 JNI 实现的模块,在 SO 加载失败或者运行时发生异常则可以降级为 Java 版实现。

  • RenderScript 实现的图片模糊效果,也可以在失败后降级为普通的 Java 版高斯模糊算法。

  • 在使用 Retrofit 网络库时发现 OkHttp3 或者 HttpURLConnection 网络通道失败率高,可以主动切换到另一种通道。


这类问题都需要根据具体情况具体分析,如果可以找到准确的判定条件和稳定的修复方案,就可以让 App 稳定性再上一个台阶。

特定 Crash 类型日志自动回捞

外卖业务发展迅速,即使我们在开发时使用各种工具、措施来避免 Crash 的发生,但 Crash 还是不可避免。线上某些怪异的 Crash 发生后,我们除了分析 Crash 堆栈信息之外,还可以使用离线日志回捞、下发动态日志等工具来还原 Crash 发生时的场景,帮助开发同学定位问题,但是这两种方式都有它们各自的问题。离线日志顾名思义,它的内容都是预先记录好的,有时候可能会漏掉一些关键信息,因为在代码中加日志一般只是在业务关键点,在大量的普通方法中不可能都加上日志。动态日志( Holmes )存在的问题是每次下发只能针对已知 UUID 的一个用户的一台设备,对于大量线上 Crash 的情况这种操作并不合适,因为我们并不能知道哪个发生 Crash 的用户还会再次复现这次操作,下发配置充满了不确定性。我们可以改造 Holmes 使其支持批量甚至全量下发动态日志,记录的日志等到发生特定类型的 Crash 时才上报,这样一来可以减少日志服务器压力,同时也可以极大提高定位问题的效率,因为我们可以确定上报日志的设备最后都真正发生了该类型 Crash,再来分析日志就可以做到事半功倍。

总结

业务的快速发展,往往不可能给团队充足的时间去治理Crash,而 Crash 又是 App 最重要的指标之一。团队需要由一个个 Crash 个例,去探究每一个 Crash 发生的最本质原因,找到最合理解决这类 Crash 的方案,建立解决这一类 Crash 的长效机制,而不能饮鸩止渴。只有这样,随着版本的不断迭代,我们才能在 Crash 治理之路上离目标越来越近。

参考资料

  1. Crash率从2.2%降至0.2%,这个团队是怎么做到的?

  2. Android运行时ART加载OAT文件的过程分析

  3. Android动态日志系统Holmes

  4. Android Hook技术防范漫谈

  5. 美团外卖Android Lint代码检查实践

作者简介

  • 维康,美团高级工程师,2016年校招加入美团,目前作为外卖 Android App 主力开发,主要负责 App Crash 治理和集成构建相关工作。

  • 少杰,美团高级工程师,2017年加入美团,目前作为外卖 Android App 技术负责人,主要负责 App 监控相关工作。

  • 晓飞,美团技术专家,2015年加入美团,是外卖 Android 的早期开发者之一,目前作为外卖 Android App 负责人,主要负责版本管理和业务架构。


2020-02-19 20:511229

评论

发布
暂无评论
发现更多内容

日记 2021年2月12日(周五)

Changing Lin

2月春节不断更

第四周笔记

Ashley.

前端冲刺必备指南-this/call/apply/bind(万字长文)

我是哪吒

学习 程序员 面试 大前端 2月春节不断更

LeetCode 数据库刷题 - 596. 超过5名学生的课

小马哥

七日更 二月春节不断更

并发编程系列:阻塞队列的实现原理

程序员架构进阶

jdk 阻塞队列 七日更 28天写作 2月春节不断更

为您收录的操作系统系列 - 进程管理(加餐)

鲁米

线程 进程 同步 生产者与消费者

千行百业中的我们,数字山河间的中国速度

脑极体

走进 Tokio 的异步世界

lipi

rust 异步 tokio

定投,积沙成塔的财富增长方式

boshi

理财 七日更

【STM32】5分钟了解STM32的串口通信

AXYZdong

硬件 stm32 2月春节不断更

【STM32】stm32f407 + DS18B20 碰出不一样的火花

AXYZdong

硬件 stm32 2月春节不断更

GitHub 上的优质 Linux 开源项目,真滴牛逼!

JackTian

GitHub Linux 开源 运维工程师 2月春节不断更

Python优化机制:常量折叠

Python猫

Python

12周架构

FreeOcean

hadoop mapreduce YARN

聊聊金钱

熊斌

2月春节不断更

8. ㊙ Python 集合三板斧,滚雪球学 Python

梦想橡皮擦

Python 2月春节不断更 python入门

职场心得

时间是一个人最好的证明

职场

手摸手Go 深入剖析sync.Pool

Leo叔叔

Go Concurrency Patterns sync.pool Go 语言

第四周作业

Ashley.

微信限量纪念版code封面来啦,速看领取方式

孙叫兽

视频号 2月春节不断更 孙叫兽 微信红包封面 纪念版

这段时间学习机器学习的感受

Nydia

Elasticsearch query string 分词

escray

elastic 七日更 死磕Elasticsearch 60天通过Elastic认证考试 2月春节不断更

备战春招/秋招,开源社区系统 Echo,基于目前主流 Java Web 技术栈,并提供详细的开发文档和配套教程

飞天小牛肉

Java 开源 后端 springboot 2月春节不断更

翻译:《实用的Python编程》01_02_Hello_world

codists

Python

写一个用例(第四周)

mas

程序员成长第六篇:如何选择公司?

石云升

职业发展 2月春节不断更 选择公司

7. ✎会查新华字典不?会。Python字典已经掌握了

梦想橡皮擦

Python 爬虫 2月春节不断更 python入门

Elasticsearch 分词器

escray

elastic 七日更 死磕Elasticsearch 60天通过Elastic认证考试 2月春节不断更

【LeetCode】找到所有数组中消失的数字Java题解

Albert

算法 LeetCode 2月春节不断更

【LeetCode】杨辉三角Java题解

Albert

算法 LeetCode 2月春节不断更

Ray 1.0 架构解读

lipi

分布式计算 Apache Arrow ray

美团外卖Android Crash治理之路_文化 & 方法_美团技术团队_InfoQ精选文章