nginx中健康检查(health_check)机制深入分析

很多人都知道nginx可以做反向代理和负载均衡，但是关于nginx的健康检查(health_check）机制了解的不多。其实社区版nginx提供的health_check机制其实很薄弱，主要是通过在upstream中配置max_fails和fail_timeout来实现，这边文章主要是深入分析社区版的health_check机制，当然还有更好的一些建议，比如商业版的nginx plus或者阿里的tengine,他们包含的健康检查机制更加完善和高效，如果你坚持使用nginx社区版，当然还可以自己写或者找第三方模块来编译了。

首先说下我的测试环境，CentOS release 6.4 (Final) + nginx_1.6.0 + 2台tomcat8.0.15作为后端服务器。（声明:以下所有配置仅仅为测试所用，不代表线上环境真实所用，真正的线上环境需要更多配置和优化。）

nginx配置如下:

#user  nobody;
worker_processes  1;
#pid        logs/nginx.pid;
events {
worker_connections  1024;
}

http {
include       mime.types;
default_type  application/octet-stream;

log_format  main  '$remote_addr - $remote_user [$time_local] "$request" '
'$status $body_bytes_sent "$http_referer" '
'"$http_user_agent" "$http_x_forwarded_for"';

access_log  logs/access.log  main;

sendfile        on;
keepalive_timeout  65;
upstream backend {
server localhost:9090 max_fails=1 fail_timeout=40s;
server localhost:9191 max_fails=1 fail_timeout=40s;
}
server {
listen       80;
server_name  localhost;
location / {
proxy_pass http://backend; proxy_connect_timeout 1;
proxy_read_timeout 1;
}
error_page   500 502 503 504  /50x.html;
location = /50x.html {
root   html;
}
}

}

关于nginx和tomcat的配置的基本配置不再说明，大家可以去看官方文档。

我们可以看到我在upstream 指令中配置了两台server,每台server都设置了max_fails和fail_timeout值。

现在开始启动nginx，然后启动后台的2台server, 故意把在Tomcat Listener中Sleep 10分钟，也就是tomcat启动要花费10分钟左右，端口已开，但是没有接收请求,然后我们访问http://localhost/response/ (response这个接口是我在tomcat中写的一个servlet接口，功能很简单，如果是9090的server接收请求则返回9090，如果是9191端口的server则返回9191.),现在观察nginx的表现。

我们查看nginx中

## access.log ##

192.168.42.254 - - [29/Dec/2014:11:24:23 +0800] "GET /response/ HTTP/1.1" 504 537 720 380 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.114 Safari/537.36" 2.004 host:health.iflytek.com
192.168.42.254 - - [29/Dec/2014:11:24:24 +0800] "GET /favicon.ico HTTP/1.1" 502 537 715 311 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.114 Safari/537.36" 0.000 host:health.iflytek.com

## error.log ##

2014/12/29 11:24:22 [error] 6318#0: *4785892017 upstream timed out (110: Connection timed out) while reading response header from upstream, client: 192.168.42.254, server: health.iflytek.com, request: "GET /response/ HTTP/1.1", upstream: "http://192.168.42.249:9090/response/", host: "health.iflytek.com"
2014/12/29 11:24:23 [error] 6318#0: *4785892017 upstream timed out (110: Connection timed out) while reading response header from upstream, client:     192.168.42.254, server: health.iflytek.com, request: "GET /response/ HTTP/1.1", upstream: "http://192.168.42.249:9191/response/", host: "health.iflytek.com"
2014/12/29 11:24:24 [error] 6318#0: *4785892017 no live upstreams while connecting to upstream, client: 192.168.42.254, server: health.iflytek.com, request: "GET /favicon.ico HTTP/1.1", upstream: "http://health/favicon.ico", host: "health.iflytek.com"

（为什么要在listener中设置睡眠10分钟，这是因为我们的业务中需要做缓存预热，所以这10分钟就是模拟服务器启动过程中有10分钟的不可用。）

观察日志发现在两台tomcat启动过程中，发送一次请求，nginx会自动帮我们进行重试所有的后端服务器，最后会报 no live upstreams while connecting to upstream错误。这也算是nginx做health_check的一种方式。这里需要特别强调一点，我们设置了proxy_read_timeout 为 1秒。后面再重点讲解这个参数，很重要。

等待40s,现在把9090这台服务器启动完成，但是9191这台服务器仍然是正在启动，观察nginx日志表现。

access.log

192.168.42.254 - - [29/Dec/2014:11:54:18 +0800] "GET /response/ HTTP/1.1" 200 19 194 423 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.114 Safari/537.36" 0.210 host:health.iflytek.com
192.168.42.254 - - [29/Dec/2014:11:54:18 +0800] "GET /favicon.ico HTTP/1.1" 404 453 674 311 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.114 Safari/537.36" 0.212 host:health.iflytek.com

error.log

没有打印任何错误

浏览器返回9090,说明nginx正常接收请求。

我们再次请求一次。

access.log

192.168.42.254 - - [29/Dec/2014:13:43:13 +0800] "GET /response/ HTTP/1.1" 200 19 194 423 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.114 Safari/537.36" 1.005 host:health.iflytek.com

说明正常返回，同时返回9090

error.log

2014/12/29 13:43:13 [error] 6323#0: *4801368618 upstream timed out (110: Connection timed out) while reading response header from upstream, client: 192.168.42.254, server: health.iflytek.com, request: "GET /response/ HTTP/1.1", upstream: "http://192.168.42.249:9191/response/", host: "health.iflytek.com"

发现nginx error.log 增加了一行upstream time out的错误。但是客户端仍然正常返回，upstream默认是轮训的负载，所以这个请求默认会转发到9191这台机器，但是因为9191正在启动，所以这次请求失败，然后有nginx重试转发到9090机器上面。

OK，但是fail_timeout=40s是什么意思呢？我们要不要重现一下这个参数的重要性？Let's go !

现在你只需要静静的做个美男子，等待9191机器启动完毕！多发送几次请求！然后咦,你发现9191机器返回9191响应了噢！fail_timeout=40s其实就是如果上次请求发现9191无法正常返回，那么有40s的时间该server会不可用，但是一旦超过40s请求也会再次转发到该server上的，不管该server到底有没有真正的恢复。所以可见nginx社区版的health_check机制有多么的薄弱啊，也就是一个延时屏蔽而已，如此周而复始！如果你用过nginx plus其实你会发现nginx plus 提供的health_check机制更加强大，说几个关键词，你们自己去查!
zone slow_start health_check match ! 这个slow_start其实就很好的解决了缓存预热的问题，比如nginx发现一台机器重启了，那么会等待slow_starts设定的时间才会再次发送请求到该服务器上，这就给缓存预热提供了时间。