zoukankan      html  css  js  c++  java
  • 前端异常监控方案理论篇

    目的

    对前端线上代码错误进行排查,降低 JS Error 的错误量,加强h5在不同手机的webview的兼容性,提升代码质量,优化用户体验。

    四个阶段

    采集

    1. 在index.html文件添加window.onerror全局监听。
    2. 可能出现异常的代码块添加try catch,如JSON.parse()等。
    3. Promise实例抛出异常捕获,如网络请求axios添加catch函数。
    4. 在必要的代码块添加正常的log,以便追踪数据的流转以及分析代码的运行顺序。

    存储

    将采集到的异常信息级别分为info,warn,error,统一存储在localstorage。

    上报

    接口:

    后端配合提供上报接口:

    Methods:get
    请求参数:

    {
    errorType: //错误级别info,warn,error
    errorMsg: //错误信息
    url: //出错的地址
    row: //错误发生行
    col: //错误发生列
    time: //错误发生时间
    ua: windw.navigator.userAgent
    browser: //浏览器信息
    osVersion: //客户端版本
    machine: {
    //尽量详细的手机信息
    },
    remark: //备注、扩展字段
    }

    策略:

    1. error日志实时上报。
    2. info或warn级别的先存在本地缓存,再10分钟为频率统一上报到服务端。
    3. 主动上报:在特定的可疑地方,实时上报必要信息

    方式:

    前端采取动态创建img标签,src为接口地址,并将所有错误信息拼接到地址后面。

    分析

    1.前期提供一个实时查看的监控控制台。
    2.服务器定时任务每天凌晨将错误上报信息表统计出来,后期在运营后台添加一个错误报表界面。

    注意事项

    1.提供一个开关,可以随时控制是否错误上报。比如发现上报频率过高、字段信息太多、死循环等,可以暂时关闭上报功能。
    2.线上的js代码是通过压缩、混淆的,采集到的信息不够精确,分析问题有一定局限性,可考虑Source Map处理,参考文章 http://www.ruanyifeng.com/blog/2013/01/javascript_source_map.html

  • 相关阅读:
    机器学习的模型泛化
    机器学习中的过拟合和欠拟合及交叉验证
    sklearn中的多项式回归算法
    PCA算法提取人脸识别特征脸(降噪)
    sklearn中调用PCA算法
    python实现PCA算法原理
    PCA主成分分析算法的数学原理推导
    python表白实现代码(可视化与动画版)
    《C++ Primer Plus》第7章 函数——C++的编程模块 学习笔记
    C++函数指针
  • 原文地址:https://www.cnblogs.com/liliangel/p/10598442.html
Copyright © 2011-2022 走看看