死锁不是数据库的 bug,是并发逻辑的回声
先说一个容易被忽略的事实:InnoDB 报告的死锁,绝大多数情况下数据库本身没有任何问题。它只是忠实执行了你写下的并发逻辑——两条(或多条)语句以不同顺序获取同一批资源,形成环路,数据库为了不让整个实例卡住,只能挑一个牺牲者回滚。
很多站长第一次看到 Deadlock found when trying to get lock; try restarting transaction 时,第一反应是去调 innodb_lock_wait_timeout,或者干脆关掉自动重试。这两种做法都不解决问题:前者只影响等锁超时,跟死锁判定毫无关系;后者把错误暴露给用户,等于用体验换安静。真正要做的是把死锁日志读懂,找到那两条互相咬住的语句,再把它们的加锁顺序统一起来。
这篇文章按四个层次讲:先看日志长什么样,再讲 InnoDB 到底在什么粒度上加锁,然后对照三个真实的高频场景,最后给出用日志和复现脚本把问题一次锁死的做法。
第一步:把最近一次死锁的现场完整读出来
InnoDB 只在死锁发生时记录一次,而且只记最近一次。查看命令很简单:
SHOW ENGINE INNODB STATUS\G输出很长,你只需要 LATEST DETECTED DEADLOCK 这一段。它由三块组成:事务一的信息、事务二的信息、以及被回滚的那一条。每一块里最关键的是 WAITING FOR 和 HOLDS THE LOCK(S) 两行,加上紧跟其后的那条 SQL。
一个典型片段读起来是这样的(结构示意,不是原文):
*** (1) TRANSACTION:
TRANSACTION 421388, ACTIVE 3 sec starting index read
mysql tables in use 1, locked 1
LOCK WAIT 3 lock struct(s), heap size 1136, 2 row lock(s)
MySQL thread id 8123, OS thread handle 139..., query id 9912 localhost app updating
UPDATE orders SET status = 2 WHERE user_id = 1001 AND id = 55
*** (1) WAITING FOR THIS LOCK TO BE GRANTED:
RECORD LOCKS space id 182 page no 4 n bits 96 index PRIMARY of table app.orders
lock_mode X locks rec but not gap waiting
*** (2) TRANSACTION:
TRANSACTION 421389, ACTIVE 3 sec starting index read
...
UPDATE orders SET status = 3 WHERE user_id = 1002 AND id = 55
*** (2) HOLDS THE LOCK(S):
RECORD LOCKS ... lock_mode X locks rec but not gap
*** (2) WAITING FOR THIS LOCK TO BE GRANTED:
RECORD LOCKS ... index idx_user_id of table app.orders
lock_mode X locks rec but not gap waiting
*** WE ROLL BACK TRANSACTION (2)读法要点,三条:
看锁的对象和索引,而不是看表名
日志里出现的是 index PRIMARY 或 index idx_user_id。这直接告诉你两件事:一是这条语句实际走了哪个索引(有时和你想的完全不同),二是它锁的是主键行还是二级索引行。很多"明明是两行不相干的数据"的死锁,就是因为一条语句走主键、另一条走了二级索引,于是同时锁住了两套结构。
分清 locks rec but not gap 与带 gap 的锁
出现 locks gap before rec 或 lock_mode X 后面跟着 insert intention,说明涉及间隙锁或插入意向锁,通常和 REPEATABLE READ 隔离级别、范围条件、唯一键冲突重试有关。只看 rec but not gap 的话,问题基本就是普通的行锁顺序不一致,好解决得多。
确认 WE ROLL BACK 的那一方
InnoDB 选择回滚的标准是"事务影响行数更少"的那一个。这条信息能反推业务代码里哪个事务更轻——通常也就是更应该加短的那个。
第二步:搞清 InnoDB 在什么粒度上加锁
要定位问题,必须先接受一个事实:InnoDB 锁的是索引记录,不是行,更不是表(除非显式加表锁或发生意向锁升级)。这句话有两个直接推论,几乎一半的死锁都源自它们被忽视。
推论一:没有索引的更新,会锁掉扫描过的所有记录
如果 UPDATE t SET a = 1 WHERE b = 5 而 b 上没有索引,InnoDB 只能全表扫描,并在扫描过程中给读到的每一行加锁。表里十万行、命中十行,它可能锁住十万行。两个这样的语句并发跑,几乎必然撞车。这就是"死锁突然出现、但其实代码没改、只是数据量涨了"最常见的原因——扫描变长,锁的范围跟着变大。
-- 先看它走不走索引,不要凭感觉
EXPLAIN UPDATE t SET a = 1 WHERE b = 5;
-- type=ALL 或 key=NULL 就意味着锁范围失控推论二:锁的顺序由索引顺序决定,不由你写的顺序决定
一条 UPDATE ... WHERE id IN (5, 6, 7) 的加锁顺序是索引顺序;一条 DELETE ... WHERE create_time < '2026-01-01' 的加锁顺序由 create_time 索引的物理顺序决定。你说不清它先锁哪一行,但当两个事务用不同的索引访问同一批数据时,环形等待就出现了。
顺带提一句唯一键冲突:INSERT ... ON DUPLICATE KEY UPDATE 在并发下会先申请共享锁再升级为排他锁,因此比单纯 INSERT 更容易出死锁。高并发写入的场景里,把它换成"先 SELECT 再决定 INSERT 或 UPDATE"反而更稳,前提是外面有唯一索引兜底并处理好重试。
第三步:三个高频真实场景
场景一:更新两张表的顺序相反
订单扣库存。service A 先更新 orders 再更新 products,service B(比如退款流程)先动 products 再回头动 orders。两条链路各自单独跑都没问题,一起跑就互相等。这种死锁在日志里非常好认:事务一 WAITING FOR 的是 products、HOLDS 的是 orders,事务二正好相反。
解法不是加锁,是约定全局加锁顺序:所有涉及多表的写事务,一律按表名字母序(或按业务重要度固定序)访问。写进团队规范,代码评审时看一眼就知道。
场景二:批量删除与批量更新交错
清理任务凌晨跑 DELETE FROM logs WHERE created_at < ?,同时业务在 UPDATE logs SET read_flag = 1 WHERE id IN (...)。清理任务走 created_at 索引,业务走主键,两边的遍历顺序不同,只要落在同一段数据上就会出环形等待。
处置办法是把批量操作切小:每次 500 行,按主键或时间排序,循环提交,并在两次之间留一点间隔。LIMIT 加排序键是关键——不带 ORDER BY 的 DELETE ... LIMIT 每次删哪一批是不确定的,锁的顺序也就不可预测。
DELETE FROM logs WHERE created_at < '2026-01-01' ORDER BY id LIMIT 500;
-- 循环执行直到受影响行数为 0场景三:长事务把锁持有到天亮
严格说这不是死锁,而是"等锁超时"混着"锁等待把连接池占满"。但表现很像:页面卡住、连接数飙到上限、日志里一片 Lock wait timeout exceeded。根因往往是一个忘了 COMMIT 的脚本,或者一个在事务里调用了外部接口(比如发短信)的流程。
排查动作非常具体:
SELECT trx_id, trx_state, trx_started,
TIMESTAMPDIFF(SECOND, trx_started, NOW()) AS age,
trx_rows_locked, trx_rows_modified, trx_mysql_thread_id, trx_query
FROM information_schema.innodb_trx
ORDER BY age DESC LIMIT 10;age 超过几十秒的就是嫌疑对象,trx_query 直接给出它卡在哪一句。trx_rows_locked 特别有诊断价值:如果行数远超你以为的更新量,一定是缺索引导致扫描锁。规则:事务里绝不调用外部 IO,短信、支付回调、HTTP 请求都要挪到提交之后。
第四步:把死锁从"偶发"变成"可复现、可验收"
死锁的麻烦之处在于低频。等你看到告警时,现场早就过去了。所以要有三层动作。
层一:让死锁日志留下来
SHOW ENGINE INNODB STATUS 只留最近一次,重启即失。想长期观察,就把错误日志配好:
[mysqld]
innodb_print_all_deadlocks = ON
log_error = /var/log/mysql/error.log打开之后每一次死锁都会写进 error log,按时间聚集起来看,就能判断是持续发生还是某次发版之后才出现。很多"死锁变多"的真相是一次发版加了一个新的 UPDATE、用了新的索引。
层二:保留两条语句,写可复现的脚本
从日志里把两条互相咬住的 SQL 抄出来,把变量换成常量,开两个 mysql 会话手动跑:BEGIN,执行语句一,切到另一个会话 BEGIN 执行语句二,再回来执行后续步骤。能稳定复现,就能验证你的修复是否有效。不能复现,说明还缺条件(通常是 WHERE 里某个范围、或者并发的事务数)。
层三:应用层必须有重试
死锁是并发系统的正常现象,不可能百分之百消灭。所以应用层必须把死锁错误码(MySQL 是 1213)识别出来,做有限次重试,通常二到三次,加指数退避,例如 50 毫秒、150 毫秒、400 毫秒。重试的前提是事务可重入,也就是事务边界内没有任何不可撤销的副作用。这一点做不到,就别指望靠重试掩盖问题。
另外,把事务隔离级别重新想一遍:很多小站从 REPEATABLE READ 换成 READ COMMITTED,间隙锁大幅减少,死锁数量会掉一大截。代价是同一事务内重复读取可能看到不同结果,需要业务能接受。这个决定要看你的业务,不要盲目照搬。
一张自查清单
把上面四步压成一张发版前会看的清单,实际用起来最省事:
- 所有涉及多表写操作的事务,加锁顺序是否固定且有文档;
- 每一条
UPDATE/DELETE的 WHERE 条件是否都能走索引,用EXPLAIN逐条确认而不是凭印象; - 批量操作是否切成了小批次,且带
ORDER BY; - 是否有事务内部调用了外部接口,或忘了
COMMIT; innodb_print_all_deadlocks是否打开,死锁是否有人按周看;- 应用层是否捕获 1213 并做有限重试,重试是否幂等。
做到这六条,死锁会从"半夜被叫起来救火"变成一个周报里的数字。它不会归零,但它不再神秘。
补一句话给写业务代码的同学:死锁报告里那两段 SQL,是你自己代码里真实存在的两条路径。改它们的时候,改的其实是业务对并发的假设。把假设写下来,比把超时调大有用得多。