老系统改造:先证明能改,再谈怎么改
改造方案写得再细,也绕不过第一步:证明这个项目是可做的。
多数项目在立项那天就已经注定要烂尾,只是要到第四个月才看得出来。原因是没人要求它在开工前回答几个基本问题。
我现在的做法是把立项分成两段:先过门槛,再做盘点。门槛不过就不该有第二段。
一、为什么很多改造在第四个月才看出烂尾
烂尾的原因通常不是技术选错了。真正的问题在开工时就埋下了,只是项目跑了一阵才显出来。
方案里写满了要换什么、要建什么,却没人回答三个更基础的问题。
这三个问题是:流量能不能分着换、改前改后的行为能不能比对上、数据改坏了能不能退回去。
三条里缺一条,项目就不该开工。缺了还开工,后面做的每一件事都在放大这个缺口。
二、第一关:流量能不能分着换
改造范围内每一类入口,都要有一个你能改配置的统一入口。网关(所有请求统一经过的那一层)、RPC 路由、任务调度开关,都算这一类。
有了统一入口,才能先放一小部分流量过去,看稳了再加。没有统一入口的系统,改造无法分批,只能一次全换。
一次全换的风险不在换的那天,而在换完之后出问题时没有退路。
所以这一关没过,先去做统一入口。不要带着缺口开工。
三、第二关:改前改后的行为能不能比对上
有一种办法,能对同一个输入拿到新旧两份输出,并且可以逐项比较。这一关才算过。
第二条最容易糊过去。常见说法是「我们有集成测试」。
但测试覆盖的往往是新系统该有的行为,不是老系统现在实际的行为。这两类行为的差距,就是改造期事故的来源。
所以真正的标准是:能对真实输入拿出两份可以比较的输出,而不是「有测试」。
比对能力要排在动手改造之前建。常用的做法是黄金样本和影子读。黄金样本是一组人工确认过正确的输入和输出;影子读是让新实现跟着读一份真实请求,但不对外返回结果。
四、第三关:数据写坏了能不能退回去
写路径退回旧版本后,新格式写下的数据,旧实现还要能正确读出来。
这一条要在设计时就留出兼容期:先加字段、后删字段,让新旧两边都能读写同一份数据。
否则中途出事就是单向门。退不回去,只能向前硬扛。
三条门槛是「与」的关系,而且是乘法。只有前两条成立、第三条不成立的项目,会在第一次退回旧版本时暴露它有多贵。
五、盘点为什么不能只说「先梳理一遍」
「我先把系统梳理一遍」不是任务,因为它没有完成条件。
盘点的四类清单,每一类都必须落到一个能对外核对的东西上。
有人交上来一叠文档,翻完还是不知道哪些入口在跑、哪些表被谁读、哪些字段不能动。这不是盘点,只是把已知的东西重新抄了一遍。
六、资产清单要交出的是一张入口表
产出物是入口表。每一行是一个真实入口,字段至少包含类型、来源证据、近期调用量、下游是谁。
类型必须列全。最容易漏的是这四类:定时任务、MQ 消费者、批处理脚本、运维手工执行的 SQL。
前两类不在任何接口文档里。最后一类只能靠问,以及靠数据库的审计日志。
采集方式要定死:入口清单来自线上真实流量的记录,不来自人工回忆。
代码里搜出来的注解只是候选。网关和调用路径上统计出来的调用才是事实。两边对不上的那些,就是漏项。
七、依赖清单最要紧的是谁在直连数据库
产出物是一张有方向的调用图,再加一份单独的「直连我的数据」列表。
第二份列表比调用图重要。调用图能从线上请求的追踪记录里生成,直连库的关系在任何代码里都搜不到。
报表平台、BI 任务、隔壁团队的取数脚本、被导出成 Excel 的定时查询,都只存在于数据库的连接日志里。
这一项必须从数据库侧采集:连接来源、账号、正在跑的语句。不能从应用侧推。
改造把表结构一改,最先出问题的通常是这里。而且出问题时,对方往往说不出这张表是谁的。
八、契约清单要写清谁在用、证据是什么
产出物是一张契约表。接口、字段、顺序、精度、错误码,还有时区和重复请求的处理方式,每条后面写「谁在用」和「判断的证据是什么」。
第二列才是重点。
「没人依赖」是一个需要证据的结论,不是一句凭感觉的判断。证据只有三种:调用来源清单为空、字段在采样窗口内未被读取、对方明确签字确认可以动。
写「看着没人用」的,等于没做这一项。
九、数据清单要回答唯一键由谁生成
产出物是一张表画像:行量、日增、读写比、冷热分布、唯一键由谁生成、有没有历史脏数据、当前索引与实际查询的匹配度。
其中「唯一键由谁生成」决定了改造能不能自动补数据。
如果业务主键是人手填的,那就没有任何唯一性保证可以依赖。所有去重逻辑都要按「可能重复」来设计。
十、最容易漏的五样:没人写在文档上的约定
这一节是契约清单里最难盘的部分,也是改造中途真正会跳出来伤人的东西。
这些约定的共同特点是:代码里看不出它是约定,改掉的那天才发现它是。
| 哪种约定 | 怎么断的 | 怎么查 |
|---|---|---|
| 靠字段名反射或序列化 | 重命名或换 DTO 即断,编译期无感 | 全量搜反射与序列化入口,再看外部对接方的样例报文 |
| 定长或分隔串按位置解析 | 加一个字段就把下游所有列错位 | 找出所有非结构化的字符串出参,逐个确认解析方 |
| 错误文案被字符串匹配 | 改一句提示,对方的重试逻辑反了 | 错误码消费方清单;只看码不看文案,是改造期的临时保险 |
| 时间与时区、精度、排序规则 | 值本身没错,比较结果变了 | 采样对比新旧两侧同一批数据的字节差异,而不只看逻辑相等 |
| 重复请求的编号由调用方拼出来 | 换生成规则就重复下单 | 找出所有由外部拼接的请求号,它们的格式就是接口 |
这五样没有一样能靠读代码读全。采集必须是「线上真实调用统计」加「挨个问」两条腿。
只走一条的盘点结论都不可信。这条我自己也犯过:第一次做的时候只查了代码,上线当天被「按位置解析」打断了一次。
十一、立项文档必须回答的六个问题
评审时我只看这六条有没有答。答案质量可以商量,空着就是没立项。
- 这次改造的范围边界,用入口怎么描述?用模块描述的,退回重写。
- 改完之后,凭什么判断它和原来等价?证据由谁看?
- 中途出事故,退回一次要动几个配置、几个发布、涉及几个团队?计时结果有吗?
- 双维护期里新旧同时跑,要多花多少人力,谁出?
- 这个项目最迟在什么时候、什么条件下中止?
- 如果不做,最坏结果是什么?发生概率和时间点?
第 6 条经常给出一个反直觉但正确的结论:不做。
十二、哪些情况下「不改」才是对的
第一种:它快被淘汰了。生命周期不足一年,而且业务能力会随新系统整体替换的模块,改造投入是纯沉没。
这时该做的是冻结变更,加一层适配挡住上游。不要再往一个快要消失的东西里加人。
第二种:痛不在被改造的那一环。系统难维护的根因是流程,比如需求没有验收标准、上线没有回滚通道(出错时退不回旧版本)。
换架构解决不了流程问题,只会把同一个问题带进新栈。
第三种:改造范围收不拢。当你发现「动哪儿都会牵连全局」,说明真正该先做的是统一入口、理清依赖,改造本身要往后排。
写方案时要允许「不改」作为一个被论证过的选项出现。
一份只论证「该怎么改」的方案,评审时是不完整的。它没有回答第 6 问。
十三、怎么判断盘点真的做完了
三条,全部可以被第三方核对。
- 随机指定改造范围内的一张表,你能在十分钟内说出它被哪些来源读取,而且至少一个来源不是从代码里查到的。
- 入口清单能与采样窗口内的实际流量对上:任何出现在流量里、却没在清单上的入口都为零,或者你能逐个解释为什么排除。
- 契约表里每一条「没人依赖」的判断,后面都跟着证据种类和查它的时间。
三条都过了,才能进入下一件事:把改造分成能验收的批次。
这一步分得粗还是细,比盘点漏掉一项更致命。具体分法另有一篇专门讲。