很多开发者在使用GitHub Actions跑流水线时,都会遇到过类似“任务突然报错退出”“构建速度慢到离谱”“测试经常被中断”的问题,这些大多是因为GitHub Actions的资源限制没调好,导致流水线缺“粮”。接下来我们就一步步拆解怎么排查这类故障,以及怎么优化资源分配让流水线跑得更顺。

一、GitHub Actions资源不足故障的常见表现与触发原因

1.1 资源不足的典型现象

比如有时候你跑一个前端打包任务,平时1分钟搞定,这次却跑了10分钟还没完成,最后日志里跳出来“Out of memory”(内存不足);又或者后端的单元测试,明明用同样的代码,有时候顺利通过,有时候直接被系统kill掉,连错误日志都没留全;还有的流水线是并行跑多个任务,结果部分任务排队排了几十分钟,提示“资源配额不足”。这些都是很常见的资源不足表现,而且很多时候会让开发者摸不着头脑——代码明明没改,怎么突然就不行了?

1.2 为什么会触发资源限制

首先GitHub给每个项目、每个组织的自带 runner (就是官方给的服务器)都设了资源上限,比如默认的ubuntu-latest runner 是2核CPU、7GB内存,要是你跑的任务吃内存吃CPU超了,直接会被系统限流;另外要是你的流水线配置了多个并行任务,把runner的资源占满了,也会触发限制;还有的情况是用了自托管runner,但自己给的机器太小,或者没配置正确的资源配额,也会出问题。

二、资源限制的排查步骤与快速定位

2.1 日志分析:从运行日志找线索

GitHub Actions的日志里其实藏着很多信息,只是很多人没注意看。比如你打开流水线的运行日志,拉到最后如果看到类似“Killed process 12345, because it exceeded memory limit of 7168 MB”的字样,那就是明确的内存不足报错。举个例子,我之前遇到过一个Vue项目的构建,日志最后一行是:

##[error]The runner has exceeded its memory limit (7168 MB). The step was terminated.

这就直接说明问题是内存不够。还有如果是CPU不够的话,日志里可能会有“Exceeded CPU time limit”或者“Slow task detected”之类的提示,只不过CPU的限制一般是时间配额,比内存的报错隐蔽一点。

2.2 资源配额检查:项目与组织的设置

要是日志没明确说,那就要去看你的GitHub项目或者组织的资源配额。组织管理员可以去“Settings”→“Billing and plans”→“Actions”里看,每个月免费的minutes和storage是多少,超过了就会收费,但也会触发资源限制。另外如果是用自托管runner,要去“Settings”→“Actions”→“Runners”里看runner的配置,比如你的runner机器是4核8GB,那流水线里就不能同时跑太多需要高资源的任务,不然肯定挤。

2.3 任务分解:缩小范围找到瓶颈

有时候一个流水线里有好几个任务,比如有依赖安装、构建、测试、部署,那怎么知道哪个任务耗资源最多?可以在每个任务里加个步骤,打印一下资源使用情况,比如在bash脚本里加:

# 打印当前任务的内存和CPU使用情况,方便定位瓶颈
echo "当前内存使用:$(free -h | grep Mem | awk '{print $3}')"
echo "当前CPU负载:$(uptime | awk '{print $10}')"

然后跑一次流水线,看哪个任务的资源占用最高,比如构建任务用了6GB内存,那就是瓶颈在这里,需要单独优化这个任务的资源。

三、具体优化方案:从配置到代码的实践

3.1 调整Workflow的资源分配参数

GitHub Actions里可以给job设置用什么runner,默认的是ubuntu-latest,要是你需要更大的资源,可以用更大的runner,比如ubuntu-22.04-8core,这个是8核16GB内存,比默认的大很多。举个例子,原来的Workflow配置里的job是这样的:

# 技术栈:YAML
jobs:
  build:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - run: npm install
      - run: npm run build

优化成用大资源runner的话,只要改runs-on那一行,改成ubuntu-22.04-8core,就可以得到更大的资源,不过要注意,大的runner会花更多的 minutes(也就是跑的时间对应的费用),所以不要随便乱用,要是只是内存不够才用。另外要是用的是自托管runner,也可以在runs-on里指定你的runner标签,比如runs-on: self-hosted-large,这样就会分配到你配置的大机器。

3.2 优化任务并行度与依赖管理

很多时候资源不够不是因为总资源太小,而是任务太“挤”。比如你同时开了3个并行的测试任务,每个都要占2GB内存,默认runner只有7GB,那肯定不够。这时候可以调整并行任务的数量,或者把一些依赖任务改成串行,或者拆分任务。比如原来的并行配置是:

jobs:
  test:
    runs-on: ubuntu-latest
    strategy:
      matrix:
        test-group: [unit, integration, e2e]
    steps:
      - uses: actions/checkout@v4
      - run: npm run test --group ${{ matrix.test-group }}

优化的话,可以把并行数从3改成2,或者要是e2e任务特别耗资源,就单独给它分配一个runner,而不是和其他任务并行,这样就不会抢资源。另外,npm install之类的依赖安装任务,可以加上--no-optional或者--production参数,减少下载的包,既省空间又省资源,比如:

npm install --no-optional --production

这样安装的包更少,运行起来也更快。

3.3 外部资源的优化配置

除了流水线本身的资源,有时候任务依赖的外部服务也会占资源,比如你用的数据库或者缓存,要是配置不好也会导致任务需要更多资源。比如在CI里,用GitHub的缓存功能,把node_modules缓存起来,下次跑的时候不用再安装,这样任务的时间和资源都会少很多。举个例子,加上缓存步骤的Workflow:

# 技术栈:YAML
jobs:
  build:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - name: Cache node modules
        uses: actions/cache@v3
        with:
          path: ~/.npm
          key: ${{ runner.os }}-node-${{ hashFiles('**/package-lock.json') }}
          restore-keys: |
            ${{ runner.os }}-node-
      - run: npm install
      - run: npm run build

这样缓存了node_modules,就不用每次都重新下载,省了不少时间和资源。

四、应用场景与实际案例分析

4.1 前端构建流水线的资源优化

我之前帮朋友优化过一个React项目的流水线,原来的情况是:每次构建都要8分钟,还经常因为内存不足失败。排查下来发现,原来的Workflow用的是默认runner,构建任务需要5.5GB内存,加上并行的lint任务占了1GB,总共有6.5GB,接近默认的7GB,剩下的内存不够构建用。所以优化的时候,把lint任务改成串行,把构建任务换到ubuntu-22.04-8core,同时加上node_modules缓存,结果构建时间从8分钟降到2分钟,再也没出现内存不足的问题。这个场景就是典型的前端构建的资源不够,通过调整runner和并行任务解决了。

4.2 后端测试任务的资源调整

另一个案例是一个Java项目的单元测试,原来的情况是:跑测试的时候经常被kill,日志显示内存不足。排查下来是用的默认runner(2核7GB),测试任务要加载很多依赖,需要6GB内存,接近上限。优化的时候,把测试任务的runner改成ubuntu-22.04-4core(4核16GB),同时把测试的并行数从4改成2,因为原来的并行测试占了太多内存,结果测试通过时间从15分钟降到8分钟,稳定运行。这个场景是后端测试的资源调整,主要是增加runner的内存,调整并行数。

五、优化后的效果与注意事项

5.1 优化后的实际收益

优化之后,流水线的稳定性会大大提高,不会因为资源不足突然报错;同时,任务的运行时间会缩短,毕竟资源够了,不用等,也不会被系统中断;另外,要是之前因为资源不够要频繁重新跑流水线,现在也会节省很多时间,相当于间接提高了开发效率。

5.2 需要注意的细节

首先,不要随便用更大的runner,因为GitHub的官方runner是按分钟收费的,大的runner每分钟的费用是小的好几倍,要是不是真的需要,就用默认的就好;然后,不要把所有任务都并行跑,要根据runner的资源来控制并行数,比如7GB内存的runner,最多同时跑两个占2GB的任务;还有,要是用自托管runner,要定期维护机器,清理不用的文件,避免机器本身资源不足;另外,日志里的提示一定要仔细看,不要忽略任何报错信息,比如“Killed process”就是明确的资源不足信号,不用再瞎猜。

六、总结

GitHub Actions的资源不足故障,本质上是流水线的资源需求和分配不匹配导致的,只要通过日志找到线索,检查配置,调整runner、并行任务和缓存,就能解决大部分问题。关键是要理清每个任务的资源消耗,针对性优化,而不是盲目换大机器或者乱并行。