CosmosDB SQL API过期存储过程随机失败问题排查求助

看起来你遇到了存储过程随机失败的棘手问题，这种间歇性故障确实难定位，但我们可以从几个关键方向逐步排查：

1. 先获取完整的异常详情 #

当前的错误信息被截断了（只显示到Encountered exception while executing function. Ex...），这是最大的阻碍。你需要捕获并打印完整的异常内容，包括响应体、状态码和调用栈，才能知道执行存储过程时到底触发了什么具体错误。

在你的.NET客户端代码里，可以这样扩展异常捕获逻辑：

try
{
    // 执行存储过程的代码
    var sprocUri = UriFactory.CreateStoredProcedureUri("你的数据库ID", "你的容器ID", "过期处理存储过程名");
    var result = await client.ExecuteStoredProcedureAsync<string>(
        sprocUri,
        new RequestOptions { PartitionKey = new PartitionKey("目标分区键值") },
        continuationToken);
}
catch (AggregateException ae)
{
    foreach (var innerEx in ae.InnerExceptions)
    {
        if (innerEx is DocumentClientException docEx)
        {
            Console.WriteLine("=== 完整Cosmos DB异常信息 ===");
            Console.WriteLine($"状态码: {docEx.StatusCode}");
            Console.WriteLine($"错误消息: {docEx.Message}");
            Console.WriteLine($"响应体: {docEx.ResponseBody}");
            Console.WriteLine($"完整调用栈: {docEx.ToString()}");
        }
    }
}

同时，建议在存储过程的JavaScript脚本里添加try-catch块，把详细错误输出到响应中：

function cleanupExpiredDocs(continuationToken) {
    const collection = getContext().getCollection();
    const response = getContext().getResponse();

    try {
        // 你的查询和过期处理逻辑
        const query = "SELECT * FROM c WHERE c.expiryDate < GetCurrentDateTime()";
        const requestOptions = { continuation: continuationToken };

        const isAccepted = collection.queryDocuments(
            collection.getSelfLink(),
            query,
            requestOptions,
            (err, docs, options) => {
                if (err) throw new Error(`查询失败: ${err.message}`);
                
                // 处理文档删除/更新逻辑
                // ...

                // 续传处理
                response.setBody(options.continuation || null);
            }
        );

        if (!isAccepted) throw new Error("Cosmos DB未接受查询请求，可能是资源不足");
    } catch (e) {
        // 将错误详情返回给客户端
        response.setBody({ error: e.message, stack: e.stack });
        throw e;
    }
}

2. 排查续传模型的潜在问题 #

既然你用了续传模型重调用，以下几点可能导致随机失败：

• 续传令牌失效：续传令牌有有效期（通常5分钟），如果两次调用间隔超过这个时间，令牌会失效，导致请求失败。检查你的调用逻辑是否在令牌有效期内完成续传。
• 分区键绑定问题：Cosmos DB存储过程是单分区绑定的，如果你尝试用同一个存储过程处理多个分区，或者续传逻辑意外跨了分区，会导致随机失败。确认你的存储过程调用始终针对同一个分区键，或者如果需要处理多分区，要遍历所有分区逐个调用。
• 未处理速率限制（429错误）：当容器的RU被耗尽时，Cosmos DB会返回429状态码。这种情况是随机的（取决于当时的负载），如果你的续传逻辑没有处理429的重试，就会导致失败。检查客户端的重试策略，确保开启了针对429的自动重试：

  var connectionPolicy = new ConnectionPolicy
  {
      RetryOptions = new RetryOptions
      {
          MaxRetryAttemptsOnThrottledRequests = 10,
          MaxRetryWaitTimeInSeconds = 30
      }
  };
  var client = new DocumentClient(new Uri(endpoint), authKey, connectionPolicy);
  

3. 检查存储过程脚本本身的问题 #

随机失败往往和数据或资源波动有关，脚本里的以下问题可能触发：

• 未处理的文档数据异常：比如某些文档的expiryDate格式不正确（不是ISO 8601格式），导致GetCurrentDateTime()比较时出错。这种错误只会在处理到特定文档时触发，表现为随机失败。可以在脚本里添加数据校验逻辑。
• 执行超时或内存超限：存储过程的执行时间不能超过5秒，内存使用也有上限。如果某次续传需要处理的文档量过大，可能会触发超时或内存不足，导致随机失败。可以优化查询（比如添加索引）、减少单次处理的文档数量，或者拆分存储过程逻辑。
• 并发修改冲突：如果存储过程在删除/更新文档时，有其他客户端同时修改这些文档，会触发412（预条件失败）错误。这种情况也是随机的，可以在脚本里添加冲突重试逻辑，或者使用乐观并发控制。

4. 客户端调用的细节检查 #

• 参数传递错误：确认每次续传调用时，都正确传递了上一次返回的续传令牌，没有传递空值或过期令牌。
• 连接问题：客户端的网络波动也可能导致随机失败，检查客户端的连接策略，比如是否开启了持久连接，是否设置了合理的超时时间。

一旦你拿到了完整的异常信息，就能更精准地定位问题——比如如果是429错误就调整RU或重试策略，如果是脚本里的类型错误就修复数据校验逻辑。

内容的提问来源于stack exchange，提问作者McFrank