现象
线上程序报错，错误信息：lock failed: context deadline exceeded, retry
问题排查
很明显的是获取锁超时了，由于用的 etcd 的分布式锁，可能是 etcd 出问题了，此时看到大量 etcd 日志，rejected connection from "ip:port" (error "tls: first record does not look like a TLS handshake", ServerName "")，怀疑是不是这个问题导致的，经过查询报错的 IP，均为线上容器 IP，登陆容器内看发现都是管理员平台的代码，没报错的集群也有相同的日志，这不是导致超时的原因。在排除各种可能之后，最后去 etcd 查看锁对应的 key 的情况，发现有两个 key：
/notifier/locker/{leaseid}
/notifier/locker/rwl/{leaseid}其中第一个 key 是 notifier 自己添加的，第二个 key 在代码中搜不到，但是看起来像是 redis whitelist 的简写，先把第一个 key 删了，然后看 notifier 日志，仍然获取不到锁，所以怀疑是第二个 key 已经获得了锁，虽然 key 不一样。于是删除了第二个 key，再看 notifier 日志，终于获得了锁，开始正常工作，于是得出猜想，etcd 的分布式锁，在子目录下加了锁之后，父目录会加锁失败。然后用 etcdctl lock 来验证了下，确实如此，/a/b 下加了锁，/a 再加锁就会失败，但是/a 下加了锁，/a/b 再加锁会成功。基本上可以验证上面的猜想，剩下的就是从 etcd 源码中找到对应处理的代码了。
etcd 源码部分
在查询源码之前，第一反应就是这肯定是在服务端实现的，于是开始了从 etcd 服务端找相关源码的过程，从 etcdctl 命令开始追溯到所涉及的服务端，一直没有发现问题。又在网上搜了相关 etcd 服务端源码实现的文章，结合本地代码均没有想找的代码，于是反过来从 client 找起。
首先从 etcdctl lock 命令开始，选择主要函数展示
代码语言：javascript复制// 代码位置go.etcd.io/etcd/etcdctl/ctlv3/command/lock_command.go
func lockUntilSignal(c *clientv3.Client, lockname string, cmdArgs []string) error {
...
if err := m.Lock(ctx); err != nil {
return err
}
...
}接下来进入到 Lock 函数，这是个关键函数，etcd 的分布式锁就是在这里实现的
代码语言：javascript复制func (m *Mutex) Lock(ctx context.Context) error {
s := m.s
client := m.s.Client()
// 这里的pfx就是prefix，就是传进来的前缀，后面的s.Lease()会返回一个租约，是一个int64的整数，和session有关
m.myKey = fmt.Sprintf("%s%x", m.pfx, s.Lease())
// 这里比较上面prefix/lease的createrevision是否为0，为0表示目前不存在该key，需要执行Put操作，下面可以看到
// 不为0表示已经有对应的key了，只需要执行Get就行
// createrevision是自增的
cmp := v3.Compare(v3.CreateRevision(m.myKey), "=", 0)
// put self in lock waiters via myKey; oldest waiter holds lock
put := v3.OpPut(m.myKey, "", v3.WithLease(s.Lease()))
// reuse key in case this session already holds the lock
get := v3.OpGet(m.myKey)
// 获取所得持有者
getOwner := v3.OpGet(m.pfx, v3.WithFirstCreate()...)
resp, err := client.Txn(ctx).If(cmp).Then(put, getOwner).Else(get, getOwner).Commit()
if err != nil {
return err
}
m.myRev = resp.Header.Revision
if !resp.Succeeded {
m.myRev = resp.Responses[0].GetResponseRange().Kvs[0].CreateRevision
}
// if no key on prefix / the minimum rev is key, already hold the lock
ownerKey := resp.Responses[1].GetResponseRange().Kvs
// 比较如果当前没有人获得锁或者锁的owner的createrevision等于当前的kv的revision，则表示已获得锁，就可以退出了
if len(ownerKey) == 0 || ownerKey[0].CreateRevision == m.myRev {
m.hdr = resp.Header
return nil
}
// 为了验证自己加的打印信息
//fmt.Printf("ownerKey: %sn", ownerKey)
// 走到这里代表没有获得锁，需要等待之前的锁被释放，即revision小于当前revision的kv被删除
hdr, werr := waitDeletes(ctx, client, m.pfx, m.myRev-1)
// release lock key if wait failed
if werr != nil {
m.Unlock(client.Ctx())
} else {
m.hdr = hdr
}
return werr
}
// waitDeletes 等待所有当前比当前key的revision小的key被删除后，锁释放后才返回
func waitDeletes(ctx context.Context, client *v3.Client, pfx string, maxCreateRev int64) (*pb.ResponseHeader, error) {
getOpts := append(v3.WithLastCreate(), v3.WithMaxCreateRev(maxCreateRev))
for {
resp, err := client.Get(ctx, pfx, getOpts...)
if err != nil {
return nil, err
}
if len(resp.Kvs) == 0 {
return resp.Header, nil
}
lastKey := string(resp.Kvs[0].Key)
// 为了调试自己加的这句
fmt.Printf("wait for %s to deleten", lastKey)
if err = waitDelete(ctx, client, lastKey, resp.Header.Revision); err != nil {
return nil, err
}
}
}
func waitDelete(ctx context.Context, client *v3.Client, key string, rev int64) error {
cctx, cancel := context.WithCancel(ctx)
defer cancel()
var wr v3.WatchResponse
// wch是个channel，key被删除后会往这个chan发数据
wch := client.Watch(cctx, key, v3.WithRev(rev))
for wr = range wch {
for _, ev := range wr.Events {
if ev.Type == mvccpb.DELETE {
return nil
}
}
}
if err := wr.Err(); err != nil {
return err
}
if err := ctx.Err(); err != nil {
return err
}
return fmt.Errorf("lost watcher waiting for delete")
}看完上面的代码基本知道了 etcd 分布式锁的实现机制了，但是还没看到哪里和前缀 Prefix 相关了。其实答案就藏在 getOwner 里，看上述代码，不管是执行 Put 还是 Get，最终都有个 getOwner 的过程，看一下这个 getOwner，options 模式里有个 v3.WithFirstCreate 函数调用，看下这个函数
代码语言：javascript复制// WithFirstCreate gets the key with the oldest creation revision in the request range.
func WithFirstCreate() []OpOption { return withTop(SortByCreateRevision, SortAscend) }
// withTop gets the first key over the get's prefix given a sort order
func withTop(target SortTarget, order SortOrder) []OpOption {
return []OpOption{WithPrefix(), WithSort(target, order), WithLimit(1)}
}
// WithPrefix enables 'Get', 'Delete', or 'Watch' requests to operate
// on the keys with matching prefix. For example, 'Get(foo, WithPrefix())'
// can return 'foo1', 'foo2', and so on.
func WithPrefix() OpOption {
return func(op *Op) {
if len(op.key) == 0 {
op.key, op.end = []byte{0}, []byte{0}
return
}
op.end = getPrefix(op.key)
}
}看到上面的是三个函数后，大致就找到了对应的源码的感觉，因为看到了 WithPrefix 函数，和上面的猜测正好匹配。所以 getOwner 的具体执行效果是会把所有以 lockkey 开头的 kv 都拿到，且按照 createrevision 升序排列，取第一个值，这个意思就很明白了，就是要拿到当前以 lockkey 为 prefix 的且 createrevision 最小的那个 key，就是目前已经拿到锁的 key。
看了上面的源码就可以明白为什么/a/b 加了锁之后，/a 加锁会超时了，因为在 getOwner 时，拿到了/a/b，且 createrevision 小于/a 的 revision，于是/a 就会等待/a/b 被删除后，watch chanel 有数据后才能获得锁。
看到这里还有个需要确认的问题，那就是如果/ab 加锁了，那么再对/a 加锁会怎么样？/a 肯定是/ab 的 prefix 啊，是不是也会加锁失败呢？
结论是会加锁成功，看下源码
代码语言：javascript复制func NewMutex(s *Session, pfx string) *Mutex {
return &Mutex{s, pfx "/", "", -1, nil}
}可以看到在 NewMutex 时并不是直接拿传进来的 pfx 作为 prefix 的，而且在后面加了个"/"，所以/ab 加了锁，/a 加锁还是可以成功的。一般查找 prefix 或 suffix 时都会加上固定的分隔符，要不然就会出现误判。
总结
通过分析问题，看源码，可以了解到 etcd 锁的实现原理，以及可能存在的小坑。Etcd 把锁的实现放在了 client 端，这样的话，可以直接修改 client 端代码来修改其锁的实现，或者使用不同版本的 etcd client 时就可能出现虽然共用一个服务端，但是 etcd 锁行为却不一致的问题，不过又有谁会闲着没事这么玩呢。这里也是提醒大家注意一下此类问题，万一以后碰到了可以快速定位解决。
你可能还喜欢
点击下方图片即可阅读
真香！使用 Goland 网页版实现真正的云开发
云原生是一种信仰 ?
关注公众号
后台回复◉k8s◉获取史上最方便快捷的 Kubernetes 高可用部署工具，只需一条命令，连 ssh 都不需要！
点击 "阅读原文" 获取更好的阅读体验！
发现朋友圈变“安静”了吗？
