個人有個依賴百度學術的服務叫 AnyPaper，它具體是什麼，感興趣的朋友可以去了解下。
最近百度學術換了一張新面孔，這一換不要緊，我的整個網站經常出現無響應的情況，登陸伺服器發現系統 CPU 穩定在 100%左右，這到底是怎麼回事？
先列一下網站環境：
- 主機：阿里雲伺服器（2H4G）
- 系統：Windows Server 2016
- 網站：SpringBoot 開發，單 Jar 執行
尋找問題
由於網站執行一直很穩定，所以基本可以排除是程式碼上的問題，CPU 佔用很高，我的反應可能有以下幾種原因：
- 系統中毒了，被植入了挖礦程式（網站程式停止後，CPU 立馬恢復正常，可以排除系統中毒可能）；
- 網站漏洞，被植入挖礦指令碼（低版本的 Hutool 存在 ZipUtil 以及 FileUtil 的 slip 漏洞，貌似低版本的 SpringBoot 也有一些安全隱患）；
- 使用者請求量非常高（實際上訪問人數可憐兮兮）。
綜上，首先對 SpringBoot 和 Hutool 進行了版本升級，然後在本地開始除錯執行，發現使用 AnyPaper 進行文獻搜尋的時候系統卡住了，單步進行除錯，發現程式卡在了正則匹配（匹配內容為百度學術搜尋結果的原始碼）：<h3 class="t c_font">[sS]+?target="_blank">([sS]+?)</a>s*</h3>([sS]+?)(?:(?:publish`}"s*title="([^"]+)[sS]+?)|(?:<span>([^<]+)</span>[^<]+<span class="sc_time"s*))data-year="(d+)[Ss]+?被引量: s*(?:(d+)|(?:<a[^>]+>s*(d+)))[sS]+?c_abstract">s+([sS]+?)(?:s*<div class="sc_allversion">[sS]+?</span>s*(<a class="v_source" title="[sS]+?)</div>[sS]+?sc_subject">s+([sS]+?))?s*<div class="sc_other">，正常情況下匹配結果如圖所示：
修復正則匹配
由於卡在了正則匹配，所以懷疑是百度學術頁面結構發生變化了，遂開啟百度學術看了一下，果然換了一張面孔，不過調整不是很大（部分元素被移除了，而且元素的位置發生了調整），很快就改好了新的正則匹配表示式：h3s*class="t c_font"[sS]+?_blank">([sS]+?)</a>s*</h3>[sS]+?c_abstract">s+([sS]+?)s+</div>([sS]+?)publish`}"s*title="([^"]+)[sS]+?被引量: s*(?:<a[^>]+>)?s*(d+)[Ss]+?data-year="(d+)[Ss]+?<div class="sc_allversion">[sS]+?</span>s*(<a class="v_source" title="[sS]+?)</div>[sS]+?class="sc_other">，使用新的正則匹配後，程式恢復了正常，程式碼更新後，網站釋出了新版本。
深入問題
網站新版本釋出後，特意點選了常用的服務，執行正常，一切恢復如初。
然而，過了沒多久（不到 10 分鐘），整個系統又出現了無響應的情況，登陸伺服器檢視後，發現還是 CPU 100%，這就非常詭異了，當時真的是一度懷疑程式有類似 Java 反序列化的漏洞，被植入了挖礦程式；不過這種可能性很低，所以決定深入挖掘一下原因。
在百度上搜尋：windows 排查 cpu 佔用，看到一篇文章：如何在 windows 下查詢 java 應用佔用 CPU 過高，非常契合目前的困境。
Windows 下排查 Java 應用佔用 CPU 過高
上述的文章已經敘述的比較詳細了，不過有一部分比較冗餘，個人在做一個小小的總結。
安裝 Process Explorer
從微軟官方網址 technet.microsoft.com/en-us/sysin…下載安裝包，安裝包是一個 zip 壓縮檔案，解壓到自定義的資料夾即可。
解壓完成後，直接執行procexp64.exe，執行介面如下所示：
查詢佔用 CPU 的執行緒
從上圖可以看到程式已經佔用了 50% 左右的 CPU 了，因為 CPU 是雙核的所以目前有一個請求卡住了所以佔用了大概一半，選中程式，點選右鍵，然後選擇Properties選單，即可開啟程式屬性介面，在屬性介面可以看到程式的全部執行緒所佔用的資源。
使用 jstack 匯出堆疊資訊
jstack 是 java 虛擬機器自帶的一種堆疊跟蹤工具，某些情況下（jdk 的 bin 目錄沒有配置到系統環境變數 PATH 時）jstack 不能直接在命令列使用，最直接的使用方法就是去 java 的安裝目錄下的 bin 目錄，然後執行下面的命令：jstack.exe 2380 >c:/stack.log，2380 是網站程式的 pid，最後的是堆疊日誌儲存的路徑。
從堆疊中查詢問題程式碼
如圖我們看到熱點執行緒 id 為：3952（0xf70）、5016（0x1398），開啟堆疊日誌c:/stack.log，搜尋0xf70以及0x1398：
解決問題
看到問題程式碼，果然還是正則匹配的問題，不過這個正則確實是沒有問題呀，搞了很久也沒有找到正規表示式的問題。
最終發現問題的根本原因：**百度學術的介面有時候是新版，有時候是舊版，**兩種正規表示式都可以應用到兩種頁面，但是對於不是正確的頁面需要耗費很久才可能匹配到結果，真的是坑到了極點呀。
在找到問題之前，個人採用的方案是把上面很長的正則簡化，簡化就是說之前一句話把全部元素都匹配出來了，現在就分步匹配：先匹配單條記錄，然後在單條記錄裡面匹配文章標題、年份、摘要等；採用分步匹配後，就不存在 CPU 佔用過高的問題了。
總結
- 如沒必要，正規表示式不要寫的太長，即便你是一個正規表示式高手；
- 對於多條記錄的匹配，先匹配單條記錄（確定每一條記錄的邊界），然後在每一條記錄的文字中匹配詳細的欄位；
- 可以使用 Html 解析工具，使用 XPATH 或者 CSS 選擇器替代正規表示式。
Any Code，Code Any！
掃碼關注『AnyCode』，程式設計路上，一起前行。
