从零开始搞监控系统（7）——监控页面奔溃

　　页面奔溃包含两种场景，第一种是浏览器在加载网页时遇到问题导致的奔溃，另一种是因为脚本渲染出错导致页面空白无内容的奔溃。

　　前段时间运营抱怨有张活动页出现了空白（第二种奔溃场景），导致用户无法访问，希望我们能主动监控到这种情况，而不是通过用户的上报。

　　后面和运维沟通，他那边目前只能监控接口的访问情况，无法监控静态资源，若要监控得自己想办法实现。

　　首先想到的自然是利用现有的监控系统来了解页面空白情况，例如某个项目5分钟内没有监控日志，那就认为出现了页面奔溃。

　　急匆匆的写了段定时任务，放到线上运行，发现这样监控会有一个很大漏洞。因为某些项目的访问量本来就不高，5分钟内没有日志是属于正常情况，所以只得作罢。

　　2023-01-16 经过 TypeScript 整理重写后，正式将监控系统的脚本开源，命名为 shin-monitor。

一、页面奔溃

　　首先来解决第一种奔溃场景，在网上搜了些关键字，发现了些有用的资料，例如如何监控网页崩溃，前端崩溃监控优化历程等。

　　这些资料提供了一个全新的思路来监控页面奔溃，基于Service Worker的崩溃统计方案。

　　简单地说就是一种心跳检测机制，在页面的脚本中创建Service Worker工作线程，然后定时地向该线程发送消息，即使网页奔溃了，线程还能存活。

　　在线程中接收消息并比对时间，当间隔时间大于15秒时，就认为超时没有心跳了，页面处于奔溃阶段，向监控系统上报相关信息。

　　在我操刀实现的时候，Service Worker没有运行成功，后面就改成了Web Worker。

　　工作线程的代码保存在sw.js（如下所示），在参考一篇Web Workers的文章时，他提到在线程中可以navigator对象，该对象正好有个sendBeacon()方法，可用于跨域请求。

　　但是没想到线程中用的WorkerNavigator，并没有该方法，后面无奈改成了fetch()。

　　但是有跨域问题，要么在响应时加上跨域头，要么就无视直接发送，因为浏览器只会拦截响应不会拦截请求。

var CHECK_CRASH_INTERVAL = 10 * 1000;     // 每 10s 检查一次
var CRASH_THRESHOLD = 15 * 1000;          // 15s 超过15s没有心跳则认为已经 crash
var pages = {}, timer;
function send(param) {
    fetch(param.src);
};
function checkCrash() {
  var now = Date.now()
  for (var id in pages) {
    var page = pages[id];
    if ((now - page.t) > CRASH_THRESHOLD) {
      // 上报 crash
      delete pages[id];
      send(page.data);
    }
  }
  if (Object.keys(pages).length == 0) {
    clearInterval(timer)
    timer = null
  }
}
self.addEventListener('message', (e) => {
  var data = e.data;
  if (data.type === 'heartbeat') {
    // console.log('heartbeat');
    pages[data.id] = {
      t: Date.now(),
      data: data.data
    }
    if (!timer) {
      timer = setInterval(function () {
        checkCrash()
      }, CHECK_CRASH_INTERVAL)
    }
  } else if (data.type === 'unload') {
    delete pages[data.id]
  }
})

　　在网页中加的代码如下，由于Worker加载的脚本有同源策略的限制，所以脚本和页面需要在相同的域名中。

function monitorCrash(param) {
  var isCrash = param.isCrash;
  if (!isCrash || !window.Worker) return;
  var worker = new Worker("/sw.js");
  var HEARTBEAT_INTERVAL = 5 * 1000; // 每五秒发一次心跳
  var sessionId = getIdentity();
  var heartbeat = function () {
      worker.postMessage({
        type: "heartbeat",
        id: sessionId,
        data: {
          //在页面奔溃时，上报数据，需要将上报地址一起传递
          src: param.src
        }
      });
  };
  window.addEventListener("beforeunload", function () {
    worker.postMessage({
      type: "unload",
      id: sessionId
    });
  });
  var timer = setInterval(heartbeat, HEARTBEAT_INTERVAL);
  heartbeat();
}

　　上线后先在管理后台做测试，管理后台使用的是PC浏览器，马上就发现了比较严重的误报问题。

　　分析下来有可能是网页在标签栏不活动的时候，影响了定时器的执行，再次活动计算两个时间段的间隔，很有可能超出了15秒，而上报奔溃日志。

　　鉴于此，在没有完美解决方案之前，暂时将此功能下架。

二、页面空白

　　再来解决第二种奔溃场景，现在开发都会依托React或Vue等库或框架，而这些都是用脚本来渲染出DOM结构的。

　　一旦在渲染时出现脚本错误（例如未定义的变量、浏览器不支持的语法等）就会中断渲染，从而就会出现页面无内容的情况。

　　这类监控并不需要使用Web Worker，只要我的监控SDK在业务脚本之前引入，就能保证监控代码正常运行。

1）自定义白屏方法

　　监控原理就是加个定时器，查看渲染容器中是否是空白，若是空白就上报并关闭定时器，否则循环监控。

　　例如后台管理系统采用的是React，在HTML中会声明一个div元素，内容都会渲染到该元素中。

<div id="root"></div>

　　自定义一个关键DOM的判断条件，如下所示，在定时器中循环执行。

shin.setParam({
  validateCrash: () => {
    //当root标签中的内容为空时，可认为页面已奔溃
    return {
      success: document.getElementById("root").innerHTML.length > 0,
      prompt: "页面出现空白"
    };
  }
});

　　此处还有个小坑，就是定时器的运行时机，不能太早，太早判断的话，div元素中肯定没有内容，后面就将判断时机移到了DOMContentLoaded事件中。

　　下面是监控白屏的主要逻辑，isCrash 是一个监控开关，document.body.clientHeight 是指内容高度与上下内边距的和。

　　在我们这边的页面中， body 都不会有内边距，所以该判断适用，当然，具体可根据业务场景做自定义的兜底处理。

　　2022-12-26 注意，若自定义了 validateCrash() 方法，那么就不能走默认的白屏判断条件了。

function monitorCrash(param) {
  var isCrash = param.isCrash;
  var validateCrash = param.validateCrash;
  if (!isCrash || !window.Worker) {
    return;
  }
  var HEARTBEAT_INTERVAL = 5 * 1000; // 每五秒发一次心跳
  var crashHeartbeat = function () {
    // 是否自定义了规则
    if (validateCrash) {
      var result = validateCrash();
      // 符合自定义的奔溃规则
      if (result && !result.success) {
        handleError({
          type: ERROR_CRASH,
          desc: {
            prompt: result.prompt,
            url: location.href
          }
        });
        // 关闭定时器
        clearInterval(timer);
      }
    } else if (_isWhiteScreen()) { // 兜底白屏算法，可根据自身业务定义
      // 查询第一个div
      var currentDiv = document.querySelector("div");
      // 增加 html 字段是为了验证是否出现了误报
      handleError({
        type: ERROR_CRASH,
        desc: {
          prompt: "页面没有高度",
          url: location.href,
          html: currentDiv ? currentDiv.innerHTML : ""
        }
      });
      clearInterval(timer);
    }
  };
  var timer = setInterval(crashHeartbeat, HEARTBEAT_INTERVAL);
  crashHeartbeat(); // 立即执行一次
  // 5分钟后自动取消定时器
  setTimeout(function () {
    // 关闭定时器
    clearInterval(timer);
  }, 1000 * 300);
}

2）_isWhiteScreen()

　　2022-12-26 _isWhiteScreen() 是一个兜底的白屏算法，可根据自身业务定义。

　　最初的判断条件是 document.body.clientHeight 是否大于 0，但是如果 body 的所有子元素都是绝对定位时，那么它的高度同样也会变成 0。

　　由此就给出了优化后的白屏算法，判断 body 元素的子元素的高度是否都是 0，若都是 0，那么就是白屏。

function _isWhiteScreen() {
  // 罗列 body 的子元素
  var children = [].slice.call(document.body.children);
  // 过滤出高度不为 0 的子元素
  var visibles = children.filter(function (element) {
    return element.clientHeight > 0;
  });
  return visibles.length === 0;
}

　　但是上线后，出现了大量的误报，分析网页代码后，发现页面有个比较差的交互，那就是在进入时会有极短的时间白屏，在等待从客户端中拿用户信息。

　　两个方案，第一个是在那段时间增加 loading 特效，满足判断条件；第二个是为白屏监控增加延迟时间，例如延迟 1 秒后再判断是否真的白屏。

setTimeout(function () {
  monitorCrash(shin.param);
}, 1000);

　　在翻看白屏记录时，又发现了 _isWhiteScreen() 函数的漏洞。

　　那就是如果 body 只有一个子元素，但是子元素中的元素恰好都是绝对定位，那么此时就会误判，body 子元素的高度确实是 0。

　　再度优化后，会对 body 的子元素做深度优先搜索，若已找到一个有高度的元素、或若元素隐藏、或元素有高度并且不是 body 元素，则结束搜索。

　　2022-12-29 将 node.clientHeihgt 改成 node.getBoundingClientRect().height，前者会将内容高度和上下内边距相加，后者还会加上边框。

　　但是 clientHeihgt 不会计算行内元素（例如 span、a 等）的高度，getBoundingClientRect() 会计算。

　　并且 getBoundingClientRect() 还会将诸如 transform: scale(0.5) 变换元素尺寸后，得到最终计算后的值。

function _isWhiteScreen() {
  var visibles = [];
  var nodes = []; //遍历到的节点的关键信息，用于查明白屏原因
  // 深度优先遍历子元素
  var dfs = (node) => {
    var tagName = node.tagName.toLowerCase();
    var rect = node.getBoundingClientRect();
    // 选取节点的属性作记录
    var attrs = {
      id: node.id,
      tag: tagName,
      className: node.className,
      display: node.style.display,
      height: rect.height
    };
    if (node.src) {
      attrs.src = node.src; // 记录图像的地址
    }
    if (node.href) {
      attrs.href = node.href; // 记录链接的地址
    }
    nodes.push(attrs);
    // 若已找到一个有高度的元素，则结束搜索
    if (visibles.length > 0) return;
    // 若元素隐藏，则结束搜索
    if (node.style.display === "none") return;
    // 若元素有高度并且不是 body 元素，则结束搜索
    if (rect.height > 0 && tagName !== "body") {
      visibles.push(node);
      return;
    }
    node.children && [].slice.call(node.children).forEach((child) => {
        var tagName = child.tagName.toLowerCase();
        // 过滤脚本和样式元素
        if (tagName === "script" || tagName === "link") return;
        dfs(child);
      });
  };
  dfs(document.body);
  return {
    visibles: visibles,
    nodes: nodes
  };
}

　　2022-12-28 最近遇到一个白屏误报的问题，翻看了好几遍代码，也没看出有什么问题，于是将遍历的节点的关键信息，也一并上报，帮助排查。

　　通过这些关键信息，可以识别出节点在 HTML 结构中所处的位置。

　　2022-12-29 今天终于破解了昨日百思不得其解的问题，虽然得到的所有子元素的高度都为 0，但是回放又能看到元素内容。

　　我一度怀疑是白屏判断的触发时机问题，特地记录的时间戳，但的确是在指定时间运行。通过查看记录的 UA 信息，可以判断是在 PC 的浏览器中上报的。

　　进一步缩小范围可知，和一个 iframe 中的网页有关，当包含 iframe 的弹框关闭时，弹框会被隐藏（display:none）。

　　由于有一个定时器在轮询判断是否白屏，此时，在 iframe 内，因为被隐藏的缘故，因此所有的元素高度都将是 0。

　　这种情况比较特殊，目前的做法是将弹框关闭时，其内容直接销毁而不再是隐藏。

　　注意，在 monitorCrash() 函数中，需要对 else 分支内的 _isWhiteScreen() 做相应的处理。

// 兜底白屏算法，可根据自身业务定义
var whiteObj = _isWhiteScreen();
if (whiteObj.visibles.length > 0) {
  return;
}
// 查询第一个div
var currentDiv = document.querySelector("div");
// 增加 html 字段是为了验证是否出现了误报
handleError({
  type: ERROR_CRASH,
  desc: {
    prompt: "页面没有高度",
    url: location.href,
    html: currentDiv ? currentDiv.innerHTML : "",
    timestamp: _calcCurrentTime(),
    fontSize: document.documentElement.style.fontSize,  // 根节点的字体大小
    nodes: whiteObj.nodes
  }
});
clearInterval(timer);

　　这个算法还有优化的空间，假如碰到一种极端情况，body 只有一个 div 子元素，没有内容，但是声明了高度或内边距，那么就会认为当前不是白屏。

　　不过目前，公司的页面开发暂时不会涉及此类情况，所以先不考虑了。应该还有很多其他的极端情况，待到搜集到上报，再一并做优化。

3）isCrash

　　2022-12-07 一开始 isCrash 默认标记为 false，也就是关闭监控的，后面默认打开后，线上出现白屏的页面一下子增加了四五百左右。

　　接下来就是验证上报的白屏是否准确，下面是上报的一条记录，它有一串字符身份信息，例如 syqgpsyz4s。

{
  "type": "crash",
  "desc": {
    "prompt": "页面没有高度",
    "url": "https://www.xxx.com/chat.html?matchId=100",
    "html": ""
  }
}

　　根据身份信息，再去日志明细中查找他的前后动作，发现只有一条记录，也就是既没有脚本错误，也没有接口请求。

　　

　　再根据此身份去查询性能监控的记录 ID，找出当时静态资源的瀑布图，在此图中，并没有发现资源异常。

　　

　　但是当我直接请求 url 地址时，却发现有 3 个资源的请求是 404，与正常页面中的 3 个资源做比对，发现两者的随机后缀是不同的。

　　

　　现在恍然大悟，是 CDN 缓存刷新失败导致的问题，问题马上就定位到了。

　　还发现另一个问题是因为参数的值导致的白屏，首次使用下来，准确率还是蛮高的。

　　2022-12-19 还有一类不是 CDN 引起的资源报错，那就是客户端的缓存。客户端会缓存 HTML 页面，当访问缓存页面时，其中的资源必定已经不存在。

　　要破除缓存，就要给 URL 地址增加一个时间戳参数，好在客户端中的活动页面都是通过自研的短链跳转的，可以在短链映射真实地址时，自动增加时间戳参数。

　　关于资源瀑布图，还有优化空间，可以将 404 资源标红。同时也发现了静态资源请求错误没有记录的问题。

　　去掉下面 if 语句中对 event.filename 的判断，因为资源错误是没有 filename 属性的，这样就能将此类资源错误记录在案了。

window.addEventListener(
  "error",
  function (event) {
    var errorTarget = event.target;
    // 过滤掉与业务无关的错误
    if (event.message === "Script error." || !event.filename) {
      return;
    }
    if (
      errorTarget !== window &&
      errorTarget.nodeName &&
      LOAD_ERROR_TYPE[errorTarget.nodeName.toUpperCase()]
    ) {
      handleError(formatLoadError(errorTarget));
    } else {
      handleError(
        formatRuntimerError(
          event.message,
          event.filename,
          event.lineno,
          event.colno,
          event.error
        )
      );
    }
  },
  true //捕获
);

　　2022-12-09 在优化白屏后的几天，发现有误报的情况发生，因为 html 属性值中有内容。

　　打开这些页面分析，发现有些内容的样式是绝对定位或固定定位，也就是说这些内容并不会撑起 body 的高度。

　　那么要有高度，就需要等待其他元素渲染，若在上报白屏时，还没渲染成功，那么就有可能误报。

　　为了验证自己的猜想，去查询了下某条性能记录的资源瀑布图，发现在触发 DOMContentLoaded 时，那些能撑起高度的资源还没加载完成。

　　经测试发现，当因为脚本错误出现白屏时，两个事件的触发时机会很接近，而如果是正常情况，那么两者会有些时间的间隔。

　　所以发生白屏时，也能减少因用户快速关闭页面而发生漏报的情况，因此最后决定将上报迁移到 load 事件中。

　　2022-12-13 在监控白屏时，发现有一类的白屏是由标签栏切换引起的，因为在切换后会先将之前的列表清空，再去请求接口。

　　在等待数据时就会有那么一段白屏时间差，为了体验好点，其实可以加一些过渡效果，例如加个 loading 等待。