PostgreSQL 死锁与事务重试:用双会话复现,把重试放在正确边界
本文目录
接口偶发失败,重试一下就好,很容易被归为“数据库抖了一下”。但锁等待、死锁和序列化失败是不同现象:它们决定了应该缩短事务、统一锁顺序、重试整笔事务,还是立即把业务错误返回给用户。
本篇聚焦 PostgreSQL 的并发失败,不重复MySQL 隔离级别的入门定义,也不把客户端请求超时当作数据库已经回滚的证据。
先分清三种信号
| 情况 | 观察点 | 处理方向 |
|---|---|---|
| 普通锁等待 | 请求在等另一事务释放锁 | 找阻塞源、事务时长和资源顺序 |
| 死锁 | SQLSTATE 40P01 | 打破相反锁顺序,必要时重试整个事务 |
| 序列化失败 | SQLSTATE 40001 | 从头重新读取并执行整个事务 |
业务唯一键冲突、字段校验失败、无权限,不应该自动归入可重试错误。23505 有时可能由并发的“先检查再生成键”引起,但也可能是永久冲突,必须按实际约束语义判断。官方重试说明明确强调重试完整事务及决策逻辑。
以下实验只在独立学习数据库中执行。它会故意制造等待,不要在共享生产数据库里复制这些命令。
建一张最小实验表
在实验库的初始化会话执行:
CREATE TABLE lock_demo (
id integer PRIMARY KEY,
balance integer NOT NULL CHECK (balance >= 0)
);
INSERT INTO lock_demo VALUES (1, 100), (2, 100);
打开两个连接到同一实验库的终端。会话 A:
BEGIN;
UPDATE lock_demo SET balance = balance + 1 WHERE id = 1;
-- 暂停,先让会话 B 执行它的第一条 UPDATE。
会话 B:
BEGIN;
UPDATE lock_demo SET balance = balance + 1 WHERE id = 2;
-- 此刻 B 持有第 2 行的写锁。
回到 A 执行下面一条,它会等待:
UPDATE lock_demo SET balance = balance + 1 WHERE id = 2;
再到 B:
UPDATE lock_demo SET balance = balance + 1 WHERE id = 1;
A 等 B 释放第 2 行,B 等 A 释放第 1 行,形成环。数据库检测后会中止其中一个事务,不能依赖固定由 A 或 B 失败。失败会话需要 ROLLBACK;另一会话完成后也执行 ROLLBACK,恢复实验数据。
PostgreSQL 显式锁说明了这种互相等待及一致锁顺序的重要性。实验的价值是看见时序,而不是记住一条错误文本。
统一顺序,不等于永不失败
转账或批量更新多个资源时,先按确定的主键顺序锁定涉及的行,再检查约束并写入。所有入口都采用相同顺序;只修单个接口,另一个批量入口仍反序访问,环仍可能出现。
BEGIN;
SELECT id, balance
FROM lock_demo
WHERE id IN (1, 2)
ORDER BY id
FOR UPDATE;
-- 在事务内用刚读取的余额判断规则,再执行更新。
UPDATE lock_demo SET balance = balance - 10 WHERE id = 1;
UPDATE lock_demo SET balance = balance + 10 WHERE id = 2;
COMMIT;
这是一组固定记录的演示;真实业务需校验两行都存在、转出与转入身份不同、金额合法且授权正确。触发器、外键和其他表也可能引入锁,因此“排序以后零死锁”仍然是过度保证。
尽量缩短锁持有时间。不要拿到数据库行锁后等上传、调用大模型、发邮件或等待用户确认。把外部动作拆到事务外;需要可靠后续事件时使用事务 Outbox。
重试边界包含读取和提交
如果第一次根据余额 100 决定了要扣 80,失败后只重发最后的 UPDATE,就沿用了过期判断。每次尝试都要重新开始事务、重新读数据、重新判断规则;COMMIT 也可能报错,必须在同一个错误处理范围内。
下面是 Node.js 加 pg 风格客户端的框架。它只演示已明确回滚的 40001、40P01;不是“捕获任意异常就重试”的通用包装器。
import { setTimeout as delay } from 'node:timers/promises';
export async function runRetriableTransaction(pool, work, maxAttempts = 3) {
if (!Number.isInteger(maxAttempts) || maxAttempts < 1 || maxAttempts > 5) {
throw new RangeError('maxAttempts must be between 1 and 5');
}
for (let attempt = 1; attempt <= maxAttempts; attempt += 1) {
const client = await pool.connect();
let failure;
let releaseError;
try {
await client.query('BEGIN ISOLATION LEVEL SERIALIZABLE');
await client.query("SET LOCAL statement_timeout = '2000ms'");
await client.query("SET LOCAL lock_timeout = '1000ms'");
const result = await work(client);
await client.query('COMMIT');
return result;
} catch (error) {
failure = error;
try { await client.query('ROLLBACK'); }
catch (rollbackError) { releaseError = rollbackError; }
} finally {
// 连接已损坏时让池丢弃它;退避期间不占用连接。
client.release(releaseError);
}
const retryable = failure?.code === '40001' || failure?.code === '40P01';
if (!retryable || releaseError || attempt === maxAttempts) throw failure;
const cap = Math.min(500, 40 * 2 ** (attempt - 1));
await delay(Math.floor(Math.random() * cap));
}
}
work 必须只使用传入的 client,不能偷偷用 pool.query 执行本应属于事务的 SQL。回调也不能发送邮件、调用支付或发布外部消息,否则重试会重复这些副作用。锁超时和语句超时没有加入自动重试白名单,是有意保守选择。
这里的 2 秒是单条语句限制,不是整个业务事务的绝对截止时间。生产还需要连接获取超时、尝试次数和整体请求预算;在每次尝试开始前检查剩余预算,并与任务取消、平台超时对齐。不要把上述数字当作所有系统的推荐值。
驱动不同,错误结构也不同。Prisma 等 ORM 可能包装成自己的错误码;应通过实际驱动和版本的异常对象做适配,不能假定 error.code 总是 SQLSTATE。连接断开或提交响应丢失属于“结果未知”,不在此白名单内,要先通过幂等记录或业务查询收敛结果。
40001 不等于把隔离级别调低
Serializable 会拒绝无法保证等价串行结果的执行;这属于并发协议的一部分。事务隔离官方说明解释了各隔离级别的读视图和异常边界。
若业务允许较弱隔离,可以经过设计后选择它;不能为了清掉报警直接调低等级。余额、库存、名额等业务约束还要由原子条件、唯一约束或锁共同守护。重试次数增加,也不代表竞争根因已经解决。
监控要能定位,不能只计失败总数
按 SQLSTATE、事务类型记录失败数、重试次数、最终成功率、等待耗时和事务总耗时。事务类型使用固定名称,避免用户 ID、SQL 全文等高基数或敏感标签。
排查时结合活动会话、阻塞关系和数据库日志,查看谁持锁、事务是否长时间空闲、是不是同一批资源反复冲突。不要为了临时排障把完整用户正文、令牌和全部 SQL 参数写进日志。锁竞争严重时还要收紧应用并发;增加连接池可能让更多事务同时争锁。
验收与清理
在实验环境分别构造:相反顺序死锁、统一顺序访问、序列化失败、不可重试业务错误、ROLLBACK 失败、最大尝试耗尽。确认每次尝试都会重新调用 work,连接在等待退避之前归还,成功只提交一次,错误事务没有留下部分写入。
还要在 HTTP 层模拟提交后响应丢失:它不应因为“可能是抖动”就直接再次扣款。最后关闭两个实验事务再删除实验表;本文没有对任何生产数据库制造死锁或调整隔离级别。
留言提交后直接公开,请友善交流。