Go goroutine 泄漏怎么排查：pprof 快照、止血和回退手册

Go 服务突然上报 goroutine 数持续走高时，先别急着直接判定是泄漏。正常的突发流量、长连接驻留、后台异步任务堆积和慢依赖响应，都会让 goroutine 数量短时间冲高；真正需要介入处理的异常场景，是数值长时间不回落，pprof 采样里同一类调用栈占比越来越高，对应的请求业务逻辑已经结束，goroutine 本身还卡在 channel 等待、锁争抢、网络读写阻塞或者没有退出条件的空循环里。值班处理的稳妥路径是先连续抓2到3份 goroutine 快照确认增长趋势，再执行限流、取消等待、收紧超时配置或者版本回退操作，最后对照监控曲线和新采样结果确认服务已经恢复正常。

什么时候可以怀疑 goroutine 泄漏

日常处理时我习惯把 goroutine 告警分成三类：流量驱动的自然上涨、慢依赖引发的任务堆积、代码逻辑缺陷导致的泄漏。流量型上涨通常和服务 QPS 走势完全同步，流量下降后数值也会跟着回落；依赖型堆积多半伴随下游接口响应变慢、连接池占满、接口错误率上涨等现象；代码型泄漏影响最久，典型表现是对应业务请求已经返回结束，相关 goroutine 还一直停在同一段等待逻辑里无法退出。

值班现场不要只盯着总数值下判断。比如 goroutine 从 2000 涨到 12000，单看总数确实容易紧张，但还不能直接判定是泄漏。需要同时核对以下几个核心信号：

这个阶段别急着乱调服务参数。先把原始采样证据留存好，后续不管是版本回退、代码修复还是事后复盘，都要靠这些快照定位根本问题。

先抓两份 pprof 快照，别只看一次 top 统计

如果服务已经暴露了 net/http/pprof，可以先保存一份完整 goroutine profile 文件。间隔 3 到 5 分钟再抓取第二份，观察同一段异常调用栈的计数是不是还在持续增加。单次快照只能告诉你“当前协程卡在什么位置”，两份快照对比才能确认“异常是不是还在持续发生”。

curl -sS "http://127.0.0.1:6060/debug/pprof/goroutine?debug=2" > goroutine-a.txt
sleep 180
curl -sS "http://127.0.0.1:6060/debug/pprof/goroutine?debug=2" > goroutine-b.txt

go tool pprof -top "http://127.0.0.1:6060/debug/pprof/goroutine"

如果线上环境不能直接开放 pprof 端口，常规做法是在内网环境、临时运维端口、跳板机通路或者只读诊断接口里获取采样文件。生产服务不要把 pprof 暴露到公网，尤其是带业务路径、请求参数和内部调用栈信息的部署环境。

常见卡点：channel、context、网络读写和锁

goroutine 泄漏最常见的场景都不复杂，本质上都能落到“协程没有明确退出条件”这一点上。典型的问题场景比如后台 worker 协程从 channel 读取任务，但上游侧停止任务投递时没有下发退出信号，任务入口关停以后，worker 还在空等读取新任务。

func startWorker(jobs 

如果 jobs 永远没有触发关闭逻辑，这个 goroutine 就会一直驻留内存占用资源。更稳妥的实现方式是把协程生命周期和 context.Context 绑定，让服务关闭、请求取消或者灰度回退时，协程能拿到明确的退出信号。

func startWorker(ctx context.Context, jobs 

同样的设计思路也适用于网络读写和锁等待场景。HTTP 对外调用必须设置超时，数据库查询要传递请求级 context，长轮询和消息订阅任务要支持上层主动取消。只要某个 goroutine 的退出逻辑依赖“某件事肯定会发生”这类假设，线上环境迟早会遇到这件事没有按预期发生的情况。

线上先止血：限流、关闭入口和灰度回退

确认是泄漏或持续堆积问题后，值班处理的优先级是先保服务整体可用性。最直接的操作不是马上在主分支上重写逻辑，而是先降低新异常 goroutine 的生成速度：临时对高风险接口限流、关停后台异常任务入口、调小批处理任务的并发数、缩短下游调用的超时阈值，或者直接把新版本回退到之前的稳定版本。

这类应急止血动作要提前在值班手册里写清楚触发条件。比如 goroutine 超过 20000 且 10 分钟不回落时，把异步导出任务的并发数从 64 调整到 8；如果接口 P99 耗时超过 3 秒且错误率持续升高，就暂停新任务入队。阈值不需要所有系统都统一，但要让所有值班同事明确知道什么场景下该操作、操作哪个配置、怎么确认操作已经生效。

修复后怎么确认不是误判

修复动作完成不是看代码合入分支就结束了。至少要核对三组验证结果：第一，同等流量条件下 goroutine 总数值回归到历史稳定区间；第二，之前异常快照里记录的问题栈不再新增；第三，接口耗时、错误率、内存占用和下游连接数没有被新的处理逻辑带出其他异常。

一套简单的复查清单可以参考如下写法：

• 保存修复前后的 goroutine-a.txt、goroutine-b.txt 和监控告警截图，留作后续复盘材料。
• 灰度放量期间每 5 分钟抓取一次快照，确认旧异常栈的计数持续下降或者保持稳定不再新增。
• 观察下游连接池状态、队列长度和超时错误占比，避免把 goroutine 泄漏问题转移成请求排队堆积问题。
• 把之前缺失的退出条件补进单元测试或集成测试用例，比如验证 context 被取消后，对应的 worker 协程必须正常退出。
• 把 pprof 规范访问方式和对应的应急阈值更新到值班手册里，下次遇到同类告警不需要临场临时摸索操作步骤。

延伸问答

goroutine 数多少才算异常？

没有全行业通用的固定数值。更可靠的判断标准是和服务自身历史基线对比：同等 QPS、同等任务量的条件下，数值是否持续偏离平时的稳定区间，并且在流量回落后长时间不下降。

只看内存上涨能判断 goroutine 泄漏吗？

不能。goroutine 泄漏大概率会伴随内存上涨，但内存上涨也可能来自缓存未释放、对象生命周期过长、切片未释放底层引用或者大对象频繁分配等其他原因。排查时 goroutine 快照和堆内存 profile 需要搭配起来交叉验证。

pprof 需要一直开着对外服务吗？

生产环境可以保留受控的访问通路，但不要直接暴露到公网。常用的处理方案是限制为内网访问、配置临时诊断端口、加鉴权网关拦截，或者只在排查问题的窗口期临时打开访问权限。

修复 goroutine 泄漏是不是都要加 context？

context 是最常用的协程退出信号，但不是唯一的解决方案。关闭通知 channel、设置网络读写超时、提前释放锁等待、停止过期 ticker、结束无效后台任务，都可能是对应场景下的正确修复点。

小结

Go goroutine 泄漏排查的核心，不是看到监控数值上涨就直接定性问题，而是把增长趋势、调用栈特征和版本发布记录关联起来综合判断。值班遇到告警时先抓连续多份快照，确认相同异常等待栈是否在持续增长；处理问题时优先执行止血操作，控制新异常 goroutine 的产生速度；修复完成后再对照监控曲线和新的 pprof 采样做交叉校验。把这套动作固化到日常值班流程里，下次再遇到 goroutine 告警，就不会只剩盯着监控图慌乱无措的状态。