关于GC(上)：Apache的POI组件导致线上频繁FullGC问题排查及处理全过程

某线上应用在进行查询结果导出Excel时，大概率出现持续的FullGC。解决这个问题时，记录了一下整个的流程，也可以作为一般性的FullGC问题排查指导。

后续review这篇文章的时候，发现排查过程还是不够详细，虽然最终解决了问题，但是仍缺少对根因对分析，并且遗漏了一些所需技能对整理。因此根据最近另一个系统类似的fullGC现象做了进一步的分析，对本文进行了一些完善。

1. GC现场查看

1.1 系统指标

需要关注GC发生时，系统的上下文环境，判断是否有关联，以及GC对于系统运行的影响情况。

• CPU占用率
• 磁盘利用率
• 系统load，主要有三种统计方式：load1、load5、load15，分别表示1、5、15分钟内系统的平均负载

1.2 GC日志

1.2.1 准备工作

能看到GC日志的前提是JVM开启了对应参数。

常用的参数如下（摘自https://www.jianshu.com/p/ba768d8e9fec）：

-verbose:gc

在虚拟机发生内存回收时在输出设备显示信息，格式如下：[Full GC 268K->168K(1984K), 0.0187390 secs]该参数用来监视虚拟机内存回收的情况。

-XX:+PrintGC

发生垃圾收集时打印简单的内存回收日志

-XX:+PrintGCDetails

发生垃圾收集时打印详细的内存回收日志

-XX:+PrintGCTimeStamps

输出GC的时间戳（以基准时间的形式，如49.459，默认就是这个输出形式，可以不写）

-XX:+PrintGCDateStamps

输出GC的时间戳（以以日期的形式，如2019-03-01T12:57:54.486+0800）

-XX:+PrintHeapAtGC

在进行GC的前后打印出堆的信息，经过个人实验，这个参数开启后只会在Minor GC的前后打印堆信息，而老年代CMS的Major GC前后则不会打印，不知道是什么原因。

-Xloggc:../logs/gc.log

日志文件的输出路径

1.2.2 GC日志分析

本节同样参考了https://www.jianshu.com/p/ba768d8e9fec的分析。此处使用的是-XX:+PrintGCDetails详细回收日志。

1.2.2.1 MinorGC

先看几条发生FullGC前MinorGC的日志：

2020-04-10T11:45:44.392+0800: 4553306.501: [GC (Allocation Failure) 2020-04-10T11:45:44.393+0800: 4553306.501: [ParNew: 1775637K->28101K(1922432K), 0.0786478 secs] 1894669K
->147135K(5068160K), 0.0790883 secs] [Times: user=0.15 sys=0.00, real=0.07 secs]
2020-04-10T12:07:19.290+0800: 4554601.399: [GC (Allocation Failure) 2020-04-10T12:07:19.291+0800: 4554601.399: [ParNew: 1775578K->174671K(1922432K), 0.2182450 secs] 1894611
K->730454K(5068160K), 0.2186251 secs] [Times: user=0.36 sys=0.16, real=0.22 secs]
2020-04-10T12:07:21.664+0800: 4554603.773: [GC (Allocation Failure) 2020-04-10T12:07:21.664+0800: 4554603.773: [ParNew: 1921986K->174550K(1922432K), 0.5629082 secs] 2477769
K->2448678K(5068160K), 0.5632692 secs] [Times: user=1.38 sys=0.00, real=0.56 secs]

先取第一行来看，本行的构成逐项解释：

• 2020-04-10T11:45:44.392+0800: 4553306.501 时间戳
• [GC (Allocation Failure) 发生GC，原因是新对象分配失败。这里GC有可能是Full GC，并不能确定是MinorGC。
• 2020-04-10T11:45:44.393+0800: 4553306.501 又是一个时间戳。注意到和第一个时间戳是有略微差异的
• [ParNew: 表示使用了ParNew回收器。由于其是用于新生代的，可见是minorGC
• 921986K->174550K(1922432K), 0.5629082 secs 表示gc前该区域已使用容量->gc后该区域已使用容量(总容量)，以及总耗时。
• 1894669K->147135K(5068160K), 0.0790883 secs] 表示收集前后整个堆的使用情况及总耗时，包含了将对象从新生代转移到老年代的时间
• [Times: user=0.15 sys=0.00, real=0.07 secs]分别是用户态时间、系统态时间、从开始到结束的等待时间（不含内核态时间、多CPU的时间等，可能小于前两者）

1.2.2.2 CMS FullGC

本文不打算详细介绍CMS，而是放在后续文章中，这里仅仅阐述一下CMS基本的信息。

• 首先CMS适用于老年代，而老年代的GC，就是FullGC
• CMS GC分为四步：
  • 初始标记 ，只标记GC Root能关联的对象，会Stop the world
  • 并发标记，对GC Root进行tracing
  • 重新标记，修正并发标记期间因用户继续运作而变动的对象，会Stop the world
  • 并发清除

以下是CMS FullGC的日志。在20分钟内，发生了多次，只截取一段。

2020-04-10T12:18:20.049+0800: 4555262.158: [GC (CMS Initial Mark) [1 CMS-initial-mark: 2274128K(3145728K)] 3153915K(5068160K), 0.2236736 secs] [Times: user=0.79 sys=0.04, r
eal=0.23 secs]
2020-04-10T12:18:20.273+0800: 4555262.382: [CMS-concurrent-mark-start]
2020-04-10T12:18:20.600+0800: 4555262.709: [CMS-concurrent-mark: 0.327/0.327 secs] [Times: user=0.24 sys=0.10, real=0.32 secs]
2020-04-10T12:18:20.600+0800: 4555262.709: [CMS-concurrent-preclean-start]
2020-04-10T12:18:20.619+0800: 4555262.728: [CMS-concurrent-preclean: 0.018/0.019 secs] [Times: user=0.01 sys=0.00, real=0.02 secs]
2020-04-10T12:18:20.619+0800: 4555262.728: [CMS-concurrent-abortable-preclean-start]
2020-04-10T12:18:20.619+0800: 4555262.728: [CMS-concurrent-abortable-preclean: 0.000/0.000 secs] [Times: user=0.00 sys=0.00, real=0.00 secs]
2020-04-10T12:18:20.621+0800: 4555262.730: [GC (CMS Final Remark) [YG occupancy: 880462 K (1922432 K)]2020-04-10T12:18:20.621+0800: 4555262.730: [Rescan (parallel) , 0.4159
862 secs]2020-04-10T12:18:21.037+0800: 4555263.146: [weak refs processing, 0.0000913 secs]2020-04-10T12:18:21.037+0800: 4555263.146: [class unloading, 0.2851138 secs]2020-0
4-10T12:18:21.322+0800: 4555263.431: [scrub symbol table, 0.0624047 secs]2020-04-10T12:18:21.385+0800: 4555263.493: [scrub string table, 0.0060674 secs][1 CMS-remark: 22741
28K(3145728K)] 3154591K(5068160K), 0.7700397 secs] [Times: user=1.10 sys=0.44, real=0.77 secs]
2020-04-10T12:18:21.391+0800: 4555263.500: [CMS-concurrent-sweep-start]
2020-04-10T12:18:21.488+0800: 4555263.597: [CMS-concurrent-sweep: 0.097/0.097 secs] [Times: user=0.07 sys=0.04, real=0.10 secs]
2020-04-10T12:18:21.489+0800: 4555263.597: [CMS-concurrent-reset-start]
2020-04-10T12:18:21.495+0800: 4555263.604: [CMS-concurrent-reset: 0.007/0.007 secs] [Times: user=0.00 sys=0.01, real=0.01 secs]

结合CMS的特性，分段来看。和MinorGC中重复的部分不再解释，如时间戳、消耗时间。

初始标记

2020-04-10T12:18:20.049+0800: 4555262.158: [GC (CMS Initial Mark) [1 CMS-initial-mark: 2274128K(3145728K)] 3153915K(5068160K), 0.2236736 secs] [Times: user=0.79 sys=0.04, r
eal=0.23 secs]

• [GC (CMS Initial Mark) [1 CMS-initial-mark: 表示CMS初始标记阶段
• 2274128K(3145728K) 老年代容量3145728K，在使用2274128K后触发GC。这个比例约为72%，是可以通过CMSInitiatingOccupancyFraction参数调节的。本例中实际设置是80%。
• 3153915K(5068160K) 当前堆的整体使用情况
• 0.2236736 secs 当前这一步耗时

并发标记

2020-04-10T12:18:20.273+0800: 4555262.382: [CMS-concurrent-mark-start]
2020-04-10T12:18:20.600+0800: 4555262.709: [CMS-concurrent-mark: 0.327/0.327 secs] [Times: user=0.24 sys=0.10, real=0.32 secs]
2020-04-10T12:18:20.600+0800: 4555262.709: [CMS-concurrent-preclean-start]
2020-04-10T12:18:20.619+0800: 4555262.728: [CMS-concurrent-preclean: 0.018/0.019 secs] [Times: user=0.01 sys=0.00, real=0.02 secs]
2020-04-10T12:18:20.619+0800: 4555262.728: [CMS-concurrent-abortable-preclean-start]
2020-04-10T12:18:20.619+0800: 4555262.728: [CMS-concurrent-abortable-preclean: 0.000/0.000 secs] [Times: user=0.00 sys=0.00, real=0.00 secs]

• [CMS-concurrent-mark-start] 并发标记开始
• 0.327/0.327 sec 持续时间和时钟时间。该阶段内被用户线程改动的对象会标记为dirty card
• [CMS-concurrent-preclean-start] 把被标记为Dirty Card的对象以及可达的对象重新遍历标记，完成后清除Dirty Card标记。另外做一些必要的清扫工作，及final remark阶段需要的准备工作
• [CMS-concurrent-abortable-preclean-start] 并发预清理，这个阶段尝试着去承担接下来STW的Final Remark阶段足够多的工作，由于这个阶段是重复的做相同的事情直到发生aboart的条件（比如：重复的次数、多少量的工作、持续的时间等等）之一才会停止。这个阶段很大程度的影响着即将来临的Final Remark的停顿。

重新标记

这部分原始日志是折叠成一行的，为了便于分析，按时间戳排成了多行。

2020-04-10T12:18:20.621+0800: 4555262.730: [GC (CMS Final Remark) [YG occupancy: 880462 K (1922432 K)]
2020-04-10T12:18:20.621+0800: 4555262.730: [Rescan (parallel) , 0.4159862 secs]
2020-04-10T12:18:21.037+0800: 4555263.146: [weak refs processing, 0.0000913 secs]
2020-04-10T12:18:21.037+0800: 4555263.146: [class unloading, 0.2851138 secs]
2020-04-10T12:18:21.322+0800: 4555263.431: [scrub symbol table, 0.0624047 secs]
2020-04-10T12:18:21.385+0800: 4555263.493: [scrub string table, 0.0060674 secs][1 CMS-remark: 2274128K(3145728K)] 3154591K(5068160K), 0.7700397 secs] [Times: user=1.10 sys=0.44, real=0.77 secs]

• [GC (CMS Final Remark) 重新标记阶段，会STW
• [YG occupancy: 880462 K (1922432 K)] 新生代占用情况
• [Rescan (parallel) , 0.4159862 secs] 该阶段阶段扫描对象总用时，从GC Root开始处理剩余对象
• [weak refs processing, 0.0000913 secs] 第一个子阶段，对弱引用处理耗时
• [class unloading, 0.2851138 secs] 第二个子阶段，卸载无用类耗时
• [scrub symbol table, 0.0624047 secs] 第三个子阶段，清理符号表耗时
• [scrub string table, 0.0060674 secs] 第四个子阶段，清理字符串表耗时
• [1 CMS-remark: 2274128K(3145728K)] 3154591K(5068160K), 0.7700397 secs] 处理完成后，老年代内存使用情况以及整个堆的使用情况。注意到初始标记时，这两组大小分别为2274128K(3145728K)]和3153915K(5068160K)，在本例中没有任何变化。

并发清除

2020-04-10T12:18:21.391+0800: 4555263.500: [CMS-concurrent-sweep-start]
2020-04-10T12:18:21.488+0800: 4555263.597: [CMS-concurrent-sweep: 0.097/0.097 secs] [Times: user=0.07 sys=0.04, real=0.10 secs]
2020-04-10T12:18:21.489+0800: 4555263.597: [CMS-concurrent-reset-start]
2020-04-10T12:18:21.495+0800: 4555263.604: [CMS-concurrent-reset: 0.007/0.007 secs] [Times: user=0.00 sys=0.01, real=0.01 secs]

• [CMS-concurrent-sweep-start] 并发清除第一阶段，清除没有标记的无用对象并回收内存，以及耗时
• [CMS-concurrent-reset-start] 并发清除第二阶段，重新设置CMS算法内部的数据结构，准备下一个CMS生命周期的使用。

例子：20分钟的连续GC

可以看出，CMS完成时，并不能直接知道此时的内存运行情况，那么将这波FullGC日志中每次CMS发生时的内存情况列表，会发现什么呢？

这里只摘了最开始、最后、以及中间的几次，并且简化了时间戳的数据。

开始时间戳	老年代已使用容量(K)	老年代总容量(K)	堆已使用容量(K)	堆总容量(K)
2020-04-10T12:18:20.273	2274128	3145728	3153915	5068160
2020-04-10T12:18:39.494	2255208	3145728	3145788	5068160
2020-04-10T12:18:43.091	2254908	3145728	3146625	5068160
....	....	....	....	....
2020-04-10T12:33:04.495	2251293	3145728	3926804	5068160
2020-04-10T12:33:07.772	2251293	3145728	3929256	5068160
2020-04-10T12:33:07.772	2251293	3145728	3931359	5068160
....	....	....	....	....
2020-04-10T12:38:17.513	2251240	3145728	4171165	5068160
2020-04-10T12:38:17.513	2251240	3145728	4173301	5068160

可以看出，经过20分钟，老年代的容量仍然在CMS的阈值附近徘徊，并且不断增长。最后一次CMS触发了一条特殊的日志（之前居然看漏了）：

2020-04-10T12:38:23.851+0800: 4556465.960: [GC (Allocation Failure) 2020-04-10T12:38:23.851+0800: 4556465.960: [ParNew: 1922192K->1922192K(1922432K), 0.0000324 secs]
2020-04-10T12:38:23.851+0800: 4556465.960: [CMS2020-04-10T12:38:23.914+0800: 4556466.023: [CMS-concurrent-sweep: 0.066/0.070 secs] [Times: user=0.08 sys=0.00, real=0.07 secs]
 (concurrent mode failure): 2251240K->112349K(3145728K), 1.4269429 secs] 4173432K->112349K(5068160K), [Metaspace: 225876K->225876K(1253376K)], 1.4284556 secs] [Times: user=
1.44 sys=0.00, real=1.43 secs]

新生代对象分配失败，ParNew也满了。concurrent mode failure出现时虚拟机会启动后备预案：临时使用一次SerialOld进行GC。这时，终于把维持在2251240K的老年代降到了112349K，并且把整个堆的4173302K降到了112349K。

注意到这两组数字，和最后一次CMS的数字是吻合的，同时，整个堆中只有老年代还有对象，占用了112349K。

由于Serial系列回收器是单个线程执行，会触发长时间的STW。这从时间上也能看出来，用了1.42秒。

1.2.3 concurrent mode failure的原因

直接原因是老年代不够用了。是什么导致老年代不够用？情况比较多：（无论是新生代发生晋升而导致）老年代容量不足、老年代容量够但是碎片过多（标记清除算法的原因）

2. dump文件分析

了解了GC期间的内存区域占用量变化情况还不够，还需要知道是哪些对象导致了这个问题。

通过生成的heap dump文件，看下发生FullGC时堆内存的分配情况，定位可能出现问题的地方。

2.1 生成dump文件

2.1.1 通过JVM参数自动生成

可以在JVM参数中设置-XX:+ HeapDumpBeforeFullGC参数。

建议动态增加这个参数，直接在线上镜像中增加一方面是要重新打包发布，另一方面风险比较高

sudo -u admin /opt/taobao/java/bin/jinfo -flag +HeapDumpBeforeFullGC pid

sudo -u admin /opt/taobao/java/bin/jinfo -flag +HeapDumpAfterFullGC pid

也可以用HeapDumpOnOutOfMemoryError这个参数，只在outOfMemoryError发生时才dump。实测只有在fullgc完成时才会产生该文件，fullgc期间看不到。

此外还需要-XX:HeapDumpPath=/home/admin/logs/java.hprof这个参数来指定dump文件存放路径。

注意：即使开启该选项，也有可能生成不了dump文件，一个常见原因是堆外内存不足。更多的原因：https://coderbee.net/index.php/jvm/20190905/1919

2.1.2 通过JDK工具生成

2.1.2.1 jmap

先获取java进程ID，再使用jmap进行dump。

注意，虚拟机上的jmap可能没有做路径映射，需要手动选择jdk路径下来执行

ps -aux | grep java
jmap -dump:file=test.hprof,format=b XXXX

也可以用jps直接获取java进程ID。

2.1.2.2 通过jcmd

JDK7后新增的多功能命令，其中jcmd pid GC.heap_dump FILE_NAME的效果和jmap -dump:file=test.hprof,format=b pid一样。

2.1.2.3 JConsole

可以生成本机或远程JVM的dump。还有一些其他工具就不详细介绍了。

2.2 下载dump文件

由于使用的是阿里云的服务器，可以直接将dump文件上传到OSS上通过公司内部工具来分析，或通过OSS再下载到本地。可能需要确认bucket是公有读写权限。

设置OSSCMD：

操作命令 osscmd config --host=oss-cn-hangzhou-am101.aliyuncs.com --id=** --key=**

创建bucke：osscmd cb 000001

上传文件：osscmd put 1.txt oss://000001/

下载文件：osscmd get oss://000001/1.txt 1.txt

其他类型的Linux主机可以使用SCP命令，参考：Linux scp命令

2.3 分析工具

通过dump文件来分析fullGC的原因，需要关注哪些类占用内存空间较多、不可到达类等。

由于使用的是公司内部工具Zprofiler和grace，详细的使用过程这里就不截图了。一些其他可用的工具和命令(参考Java内存泄漏分析系列之六：JVM Heap Dump（堆转储文件）的生成和MAT的使用):

• jhat, JDK自带，使用jhat <heap-dump-file>生成网页，通过浏览器访问http://localhost:7000查看
• jvisualvm
• Eclipse Memory Analyzer(MAT)
• IBM Heap Analyzer

需要注意的是，只看dump文件有时还不能得到结论，因为占用空间大头的有可能是String、ArrayBlockingList这样的对象，而且内容可能是null或null对象的集合，无从排查。此时还要结合发生fullgc前后业务系统发生了什么动作来确定。如果有条件的话可以在日常环境或预发环境重现一下。

当然，如果内存中的空间消耗对象是特殊的类，就比较好排查了。

2.4 进一步排查

有时虽然对于是哪个对象触发fullGC有了一定的猜测，但是对于这个对象是怎么产生的，从dump上不一定能看到，如本例中的大数组。

对于这种情况，可以使用-XX:ArrayAllocationWarningSize=xxx参数（部分jdk支持，可以使用jinfo动态加载）进一步排查，观察它的产生原因。

3. 分析和改进

具体情况具体分析。

3.1 本次排查的场景

查询DB中数据->在异步线程中通过poi转换成Excel->上传到OSS。

示例代码：

// 导出代码中将变量直接作为lambda表达式的值传入
List<XXData>  data = queryData(request);
SheetDownloadProperty property = sheetDownloadProperties.get(0);
property.setTotalCount(request.getQueryRequest().getPageSize());
property.setPageSize(request.getQueryRequest().getPageSize());
property.setQueryFunction((currentPage, pageSize) ->  data);
// 该组件会在线程池异步调用poi组件转换为excel、上传OSS、下载
asyncDownloadService.downloadFile(downloadTask);

private List<XXData> queryData(ExportRequest request) {
    //查询DB，略
}

// 查询方法
@FunctionalInterface
public interface PageFunction<T> {

    /**
     * 方法执行
     */
    List<T> apply(Integer currentPage,Integer pageSize);
}

3.2 dump文件分析

通过内部工具可见，fullGC前有三个占据内存较高的ArrayBlockingList，里面有大量的内容为null的Object。

这三个ArrayBlockingList所属的中间件，虽然本身和业务流程没有关系，但是仍不能排除嫌疑。

3.3 真实原因

实际上，从dump文件上是无法看出来问题源头的，真实的原因是poi组件在关闭workbook时，内存无法释放而产生的fullgc，而不是常见的因为堆空间不足而发生的fullgc。

3.4 尝试解决

方案1：poi相关解决方案

由于依赖了二方库poi，这个库的usermodel模式很容易引起fullGC，同时也怀疑是因为lambda表达式直接传了变量。

把poi的usermodel改为事件模式（https://my.oschina.net/OutOfMemory/blog/1068972）可以避免这个问题。

但是该功能是一个二次封装的三方包中的，同时其他引用该组件的应用fullgc频率并不高，没有采用这个方案。

方案2：中间件升级

持有大量null对象的中间件版本较低，且新版目前已不再维护，老版本的releas note虽然没有提到这条bug fix，有一定嫌疑。

该中间件初始化时会创建三个容量为810241024的ArrayBlockingList，和dump文件相符合。

同样是因为这个中间件是在三方包中封装，不方便直接该版本，同样没有采用这个方案。

方案3：增大堆大小

可以调整metaspace参数来实现，本次想找到代码中相关的线索来解决，未采用该方案。

方案4：业务代码修改

仔细观察了这段代码在其他系统的的实现，发现其他系统的lambda表达式是匿名方法，而不是直接传值，即：

property.setQueryFunction((currentPage, pageSize) ->  {
    // 查询逻辑, 略
);

怀疑是直接传变量进去导致的垃圾回收问题。更改到这种模式后，触发下载功能时，连续长时间的fullGC仍然时有发生，没有解决问题。

方案5：替换垃圾回收器

暂时能确定的原因是，公司中间件本身占用堆内存较多，运行poi增加了GC的频率。但是由于它们都在二方库的原因，不方便修改。

此时搜索到stackoverflow有关于poi反复GC的一个问题，和我的情况类似，也是反复GC但是仍然不能释放内存。有回复建议将GC回收器替换为G1GC，将默认的UseConcMarkSweepGC替换后效果明显，一次FullGC就可以完成回收释放，不会反复FullGC，如下图，20:30前的fullGC是CMS，持续时间长且反复进行；20:30后是替换后第一次触发excel转换下载，进行了多次下载，即使发生FullGC也只有1次，大大缓解了之前的问题：

本次暂定只采用方案5。

G1GC在JDK9已替代CMS成为了正式的垃圾回收器，低版本JDK需要手动设置。具体需要设置的JVM参数：

-Xms32m
-Xmx1g
-XX:+UnlockExperimentalVMOptions
-XX:+UseG1GC
-XX:MaxHeapFreeRatio=15
-XX:MinHeapFreeRatio=5

注意前两行一般应用都会设置，不要覆盖掉。最后两行需要视情况调整。另外，默认的-XX:+UseConcMarkSweepGC需要去掉。

使用G1GC时需要确认工作线程数是否和预期一致，不要太多，一般来说和CPU核数一致即可。出现非预期数目的原因可能是，镜像脚本指定核数时，直接按照物理机而不是虚拟机核数来生成。

查看方式是看gc日志：



虚拟机设置核数的dokcker脚本示例：

export CPU_COUNT="$(grep -c 'cpu[0-9][0-9]*' /proc/stat)"

4. 其他

4.1 典型fullGC场景举例

• 外部资源未释放，如将利用tair实现的分布式锁放在Map中，未做解锁
• fastjson的反序列化异常抛出后没有处理
• 框架固有缺陷，如本例apache的poi组件，使用usermodel模式做excel导出时，当操作比较频繁或有其他内存泄漏有可能造成
• JVM的metaspace设置过小

4.2 core dump和heap dump

core dump是针对线程某一时刻的运行情况的，可以看到执行到哪个类哪个方法哪一行以及执行栈的；heap dump是针对内存某一时刻的分配情况的。

4.3 stackoverflow上关于poi内存占用问题的讨论：

简单摘译了一些，可以直接看原文。

1. Java对堆内存分配是懒回收的，如果JVM不想这么做，即使运行Runtime.gc()，也可能什么也不做。sapiensl和Amongalen的回答
2. 触发FullGC，并不是因为内存泄漏，仅仅是因为poi占用了太多的内存。Michael的回答

关于G1GC，会在后续文章中研究。

相似的一例：https://blog.csdn.net/CaptainLYF/article/details/86238148