# 方案：被动式健康检查 API（数据健康 + 服务健康）

> 目标：在增量同步进程内内置一个轻量 HTTP endpoint，对外暴露结构化健康快照，覆盖「服务健康」与「数据健康」两层。
> 形态：单进程内置（不另起服务、不新增 NSSM 配置），HTTP server 跑在后台线程，主同步循环零侵入。

---

## 一、设计原则

1. **单进程内置**：HTTP server 用标准库 `http.server` + 后台线程，跑在同步进程内。不另起进程、不新增 NSSM 服务、不引入 Flask 等第三方依赖。
2. **主循环零侵入**：健康检查线程只读共享状态、只读 SQL，不触碰 capture/apply/cleanup 任何路径。HTTP server 崩溃不影响同步。
3. **数据实时查**：服务健康（最后 cycle 时间/队列状态）从进程内存的状态对象读；数据健康（Access↔SQL 漂移、dead 行）实时查 SQL Server 和最近 compare 报告。
4. **配置可选**：通过 `config.yaml` 的 `health` 段控制开关/端口/路径，默认开启但端口可配，关闭时不起线程。

---

## 二、健康检查覆盖的两层

### 服务健康（Service Health）
回答："同步进程在跑吗？最近正常工作吗？队列有没有卡死？"

| 指标 | 来源 | 含义 |
|------|------|------|
| `status` | 综合判定 | healthy / degraded / unhealthy |
| `pid`, `started_at`, `uptime_seconds` | 进程 | 进程存活与运行时长 |
| `last_cycle_at`, `last_cycle_duration_s` | 内存状态 | 最近一次 cycle 时间与耗时 |
| `cycle_lag_seconds` | 实时计算 = now - last_cycle_at | **核心指标**：距上次 cycle 间隔，超过阈值→unhealthy |
| `last_cycle_active` | 内存状态 | 上轮是否处理了变更 |
| `queue` | 实时查 SyncQueue | pending/error/dead/cleaned 计数（dead>0→degraded） |
| `capture_since_start` | 内存状态累计 | 服务启动至今的 deferred/aged_out/enqueued 累计（aged_out>0→degraded） |

### 数据健康（Data Health）
回答："Access 和 SQL 数据一致吗？最近核对结果如何？"

| 指标 | 来源 | 含义 |
|------|------|------|
| `last_compare` | 解析最近的 `compare_ids_*.log` 报告头 | 最近一次 compare 的时间、mismatch 表数、是否一致 |
| `drift_tables` | 实时查 SyncLogArchive | 启动至今出现过的降级/异常记录涉及的表（AgedOut、Original≠Processed） |
| `dead_rows_sample` | 实时查 SyncQueue dead 行 | 卡死行的样本（表名/RecordID/错误），辅助定位 |

> 注：数据健康**不**在每次请求时跑全量 compare（太重），而是读"最近一次定时 compare 的结果" + "归档表/队列里的异常痕迹"。全量漂移检测仍由每日 05:08 的 `compare_ids` 计划任务兜底。

---

## 三、status 综合判定逻辑

```
unhealthy  : cycle_lag_seconds > 3 × poll_interval  (主循环停滞)
           或 进程内存状态长时间未更新（疑似卡死）

degraded   : queue.dead > 0          (有放弃的变更，数据可能缺)
           或 queue.error > 0        (有失败待重试)
           或 capture.aged_out > 0   (有读不到的 Insert 被判死)
           或 last_compare.mismatch  (最近核对不一致)

healthy    : 其余情况
```

`cycle_lag` 用 `3 × poll_interval`（默认 poll=10s → 30s）作阈值：正常空闲 cycle 间隔就是 10s 左右，超过 3 倍说明主循环被卡（比如 Access 锁等待）。

---

## 四、接口契约

**请求**：`GET /health`（也可配 `GET /` 简化）

**响应**：HTTP 200 + JSON（无论 healthy/degraded/unhealthy 都返回 200，状态在 body 里；这样探活失败和网络故障可区分——网络故障是连不上/超时，服务不健康是 200 但 status 字段非 healthy）。

> 可选：对 unhealthy 同时返回 HTTP 503，便于直接接入按状态码告警的监控平台。这点待定（见决策点）。

**响应示例**：
```json
{
  "service": "DataMacroSync",
  "status": "healthy",
  "checked_at": "2026-08-05T11:30:00",
  "pid": 1234,
  "started_at": "2026-08-05T11:01:51",
  "uptime_seconds": 1689,
  "service_health": {
    "last_cycle_at": "2026-08-05T11:29:50",
    "last_cycle_duration_s": 1.05,
    "cycle_lag_seconds": 10.0,
    "last_cycle_active": false,
    "queue": {"pending": 0, "error": 0, "dead": 0, "cleaned": 3829},
    "capture_since_start": {"enqueued": 103, "deferred": 0, "aged_out": 0}
  },
  "data_health": {
    "last_compare": {
      "at": "2026-08-05T05:08:21",
      "granularity": "ids",
      "tables_compared": 81,
      "mismatch": false,
      "mismatch_tables": 0
    },
    "drift_tables": [],
    "dead_rows_sample": []
  }
}
```

---

## 五、实现拆解

### 5.1 新增 `src/sync/health.py`（核心，约 200 行）
- `ServiceState` 数据类：进程内全局状态对象，由 `cycle()` 每轮更新（last_cycle_at / duration / active / 累计计数）。
- `HealthChecker` 类：持有 `ServiceState` + `SyncConfig`，方法 `snapshot()` 返回上面 JSON 对应的 dict。实时查 SQL 用一次性 SqlWriter（查完即关）。
- `run_health_server(state, cfg, host, port)`：起 `http.server.ThreadingHTTPServer`，handler 调 `HealthChecker.snapshot()` 序列化返回。

### 5.2 改 `src/sync/service.py`
- `run()` 入口创建 `ServiceState` 实例，传给 `cycle()`；`cycle()` 结束时更新 state（last_cycle_at 等）。
- `run()` 起健康检查后台线程（`threading.Thread(target=run_health_server, daemon=True)`），主循环照常。
- 新增累计：把每轮 `CaptureStats` 的 enqueued/deferred/aged_out 累加进 `ServiceState`。

### 5.3 改 `src/sync/config.py`
RuntimeConfig 或新增 HealthConfig：
```python
class HealthConfig(BaseModel):
    enabled: bool = True
    host: str = "0.0.0.0"      # 监听地址，内网可访问
    port: int = 8421            # 健康检查端口
    path: str = "/health"       # URL 路径
```
SyncConfig 增 `health: HealthConfig = HealthConfig()`（默认值，老 config.yaml 无需改动）。

### 5.4 改 `config.example.yaml`
补 `health` 段示例。

---

## 六、不改动的地方

| 模块 | 是否改动 | 原因 |
|------|---------|------|
| capture/apply/cleanup | ❌ | 主循环逻辑零侵入，只由 cycle 更新一个内存 state |
| sql_writer 的写方法 | ❌ | 健康检查只用现有的只读查询方法（queue_status_summary 等），不新增写操作 |
| NSSM 配置 | ❌ | 单进程内置，端口由进程自己起 |
| main.py | 小改 | `incremental --loop` 分支照常走 `service.run`（健康线程在 run 内起） |

---

## 七、改动文件清单

| 文件 | 改动 |
|------|------|
| `src/sync/health.py` | **新增** ServiceState + HealthChecker + run_health_server |
| `src/sync/config.py` | 新增 HealthConfig，SyncConfig 加 health 字段 |
| `src/sync/service.py` | run() 起 health 线程 + 传 state；cycle() 更新 state |
| `config.example.yaml` | 补 health 段示例 |
| `tests/test_health.py` | **新增** 覆盖 status 判定、snapshot 结构、各状态组合 |

**零 SQL 改动、零 schema 改动、零新第三方依赖（标准库 http.server）。**

---

## 八、待你确认的决策点

1. **端口** `8421` 是否合适？（避开 114 上已有服务端口）
2. **unhealthy 的 HTTP 状态码**：始终 200（状态在 body）vs unhealthy/degraded 返回 503（便于按码告警）？我倾向后者。
3. **host 监听地址**：`0.0.0.0`（内网/FRP 都可访问）vs `127.0.0.1`（仅本机，需配合 FRP 转发）？我倾向 `0.0.0.0`。
4. **drift_tables 查询范围**：查"启动至今"的异常归档 vs 查"最近 N 小时"？我倾向"启动至今"（量可控，且能发现历史遗留）。

确认后即实施。