前端监控最容易写错的 18 个地方:从平均值到 beforeunload

监控最危险的状态不是「没数据」,而是「有数据、全绿、但数字在骗你」。本文按一条数据链路的七段,挑出 18 个写完就错的写法,每条给现象、错因、正确写法和一个能在自己项目里跑的验收动作。

一、一个「全绿却出事」的看板

某次发版后,看板显示平均 LCP 1.8 s、错误率 0.3%,一路绿灯;客服同期却收到「点了没反应」和「首屏白」的反馈。最后查出来是四件事叠在一起:看板用平均值而不是 p75;跨域资源的 transferSize 整片为 0,被当成「资源很小」;错误事件套了 1% 采样率,低频报错根本没进库;beforeunload 里的同步上报在移动端大量丢失。

四个数字里没有一个是「采集失败」,全是「采集成功但口径错」。这类问题不会报警,只会让你在复盘会上拿着一张漂亮的图解释不了客诉。

所以这篇不聊怎么装 SDK,也不做产品横评,只做一件事:把 18 个「写完就错」的地方,按数据链路七段排开,每条给一个能验的判据。说不出判据的写法,就不该进生产。

链路段 条数 最典型的一条 为什么会骗人
采什么 3 用平均值衡量加载性能 长尾被抹平,看板永远好看
怎么采 4 observer 漏 buffered SDK 加载前的 LCP 直接消失
怎么传 2 beforeunload 同步上报 移动端丢数,还阻断 bfcache
怎么存算 3 分组 p75 再平均 统计上不成立
怎么看 2 按事件数算错误率 一个死循环刷成 100%
怎么告警 2 告警只写「超阈值」 没人知道下一步做什么
怎么治理 2 Replay 默认全量 隐私与成本双重失控

二、18 个地方,按数据链路七段排开

第 1 段 采什么(01--03)

01 用平均值衡量加载性能

  • 现象:看板写「平均 LCP 1.8 s」,全绿,但慢的那一批用户始终在客诉。
  • 为什么错:用户体验是长尾分布,官方 Core Web Vitals 评估明确取 p75(按设备形态分段)。平均值会被极快样本拉平,最慢的四分之一用户被完全抹掉。
  • 正确写法:存原始值或直方图,看板同时展示 p50 / p75 / p95 与样本量,小样本标「数据不足」。
  • 怎么验:同一批数据分别算均值与 p75,看板用的是后者,且 p75 旁边能点出样本量。

02 拿 Lighthouse 分数宣称线上达标

  • 现象:周报写「Lighthouse 96 分,性能达标」,线上转化率却在掉。
  • 为什么错:实验室数据是单次、固定设备与网络的受控结果;现场数据是真实设备与网络的分布。两者数字对不上是常态,不能互相校验,更不能互相替代。
  • 正确写法:双轨 ------ CI 用 Lighthouse 做体积与回归预算门禁,线上 SLO 用 RUM 的 p75。
  • 怎么验:报告标题写清数据来源;线上 SLO 的查询 SQL 指向 RUM 表而不是 Lighthouse 结果表。

03 把 FID 和 INP 拼进同一条趋势线

  • 现象:2024 年前后的交互指标曲线看着「突然变好」,其实是换了一把尺子。
  • 为什么错:INP 于 2024-03-12 取代 FID;CrUX BigQuery 自 2024-09 起不再有 FID 数据。两个指标的定义、采样范围都不同,拼接等于伪造趋势。
  • 正确写法:在变更点断开趋势线并加注释,历史数据保留但标明口径,不做同比。
  • 怎么验:趋势图上能看到 2024-03 的变更注释,且 2024-09 之后查不到 FID 序列。

第 2 段 怎么采(04--07)

04 observer 漏了订阅三件套

  • 现象:SDK 改成异步加载后,FCP / LCP 经常收不到;Safari 控制台还有 observe 警告。
  • 为什么错 :性能条目在订阅前就进了缓冲区,不带 buffered: true 就回放不到;不支持的 entryType 直接 observe 会抛错或打警告;所有 type 共用一个回调又容易串字段。
  • 正确写法 :先用 supportedEntryTypes 特性检测,每个 type 单独注册,统一带 buffered: true,event 类型用 durationThreshold 降噪。
js 复制代码
const TYPES = ['navigation', 'resource', 'paint', 'largest-contentful-paint',
  'layout-shift', 'event', 'long-animation-frame'];
const supported = PerformanceObserver.supportedEntryTypes || [];

for (const type of TYPES) {
  if (!supported.includes(type)) continue;
  new PerformanceObserver((list) => {
    for (const e of list.getEntries()) {
      const row = { type: e.entryType, start: e.startTime, duration: e.duration };
      if (type === 'resource') {
        row.transferSize = e.transferSize;
        row.noFullTiming = e.transferSize === 0 && e.duration > 0;
      }
      enqueue(row);
    }
  }).observe(type === 'event'
    ? { type, buffered: true, durationThreshold: 40 }
    : { type, buffered: true });
}
  • 怎么验 :把采集脚本延后到 load 之后加载,LCP 仍能收到;在 Safari / Firefox 跑一遍,控制台零报错。

05 把 TAO 缺失的 0 当真实资源体积

  • 现象 :第三方域资源的 transferSize、encodedBodySize 整片为 0,看板显示「资源很小,不用优化」。
  • 为什么错:跨域资源默认只暴露受限时序,这些字段被置 0 是权限限制,不是测量结果。把「没拿到」写成「拿到了 0」,是最隐蔽的数据污染。
  • 正确写法 :资源服务端返回 Timing-Allow-Origin;采集侧对 transferSize === 0 && duration > 0 标 noFullTiming,看板单列覆盖率。
  • 怎么验 :抽查第三方域 transferSize 分布,若整片为 0,看板显示的是「无完整计时」而不是「0 KB」。

06 错误只接一种通道,或者两种都接

  • 现象:图片、脚本 404 从不上报;或者同一个异常在库里出现两条。
  • 为什么错 :资源加载失败的 error 事件不冒泡,必须在捕获阶段监听;window.onerror 与 addEventListener('error') 对同一异常会各触发一次;只接 unhandledrejection 又会漏掉同步异常。
  • 正确写法 :只用捕获阶段的 error 监听,靠 e.target 区分资源错误与脚本错误,再加一个 unhandledrejection。
js 复制代码
window.addEventListener('error', (e) => {
  if (e.target && e.target !== window && (e.target.src || e.target.href)) {
    enqueue({ kind: 'resource-error', tag: e.target.tagName,
      url: e.target.src || e.target.href });
    return;
  }
  enqueue({ kind: 'js-error', message: e.message,
    stack: (e.error && e.error.stack) || '',
    file: e.filename, line: e.lineno, col: e.colno });
}, true);

window.addEventListener('unhandledrejection', (e) => {
  const r = e.reason;
  enqueue({ kind: 'unhandled-rejection',
    message: r && r.message ? r.message : String(r),
    stack: r && r.stack ? r.stack : '' });
});
  • 怎么验 :造一个 <img src="__MISSING__"> 和一个 Promise.reject(new Error('x')),库里各一条、且各只有一条。

07 跨域脚本只拿到 Script error.

  • 现象 :CDN 上的脚本报错,上报里只有一行 Script error.,没有 message、stack 和行列号。
  • 为什么错 :跨域脚本抛错时浏览器只暴露这个字符串。只加 crossorigin 不加 CORS 响应头,脚本会直接加载失败;只加响应头不加属性,仍然拿不到栈。
  • 正确写法:标签属性与响应头两处齐备。
html 复制代码
<script src="https://cdn.example.com/app.js" crossorigin="anonymous"></script>

资源服务器同时返回 Access-Control-Allow-Origin(本站来源或 *)。

  • 怎么验 :故意在跨域脚本里抛一个错,检查上报事件带 stack 且非空。

第 3 段 怎么传(08--09)

08 用 beforeunload 做同步上报

  • 现象:移动端切后台后收尾批次大量丢失,bfcache 命中率下降。
  • 为什么错 :unload / beforeunload 在移动端不可靠,同步 XHR 已不可用,而且会阻止页面进入 bfcache;页面从 bfcache 恢复时若不重置会话上下文,两次访问的数据会串在一起。
  • 正确写法 :visibilitychange 转 hidden 时 flush 并给 CLS / INP 定稿,pagehide 兜底,用 sendBeacon 或 fetch(..., { keepalive: true }) 发最后一批;恢复时新建 view 与 session 上下文。
  • 怎么验:移动端切后台仍收到收尾批次;往返一次 bfcache 后,两次访问的 session_id 不同。

09 收尾批次塞进一个 beacon,且上报请求被自己再采一遍

  • 现象:大批次静默失败、没有任何报错;或者事件量像滚雪球一样涨。
  • 为什么错 :sendBeacon / keepalive 有约 64 KB 量级的体积上限,超限不会抛异常只会丢;包装 fetch 时没排除上报域名,采集请求会被自己的钩子再采一次,形成回环。
  • 正确写法:收尾批次按序列化后的字节数拆条;包装 fetch 先过排除名单;服务端统计「截断 / 失败」计数。
js 复制代码
const queue = [];
function enqueue(ev) { queue.push(ev); }
function shouldWrap(url) {
  const path = new URL(url, location.href).pathname;
  return path !== '/rum' && path !== '/beacon';
}
function requeue(events) {
  if (queue.length < 200) queue.unshift(...events.slice(0, 20));
}

function flush(useBeacon) {
  if (!queue.length) return;
  const batch = queue.splice(0, queue.length);
  let buf = [];
  for (const ev of batch) {
    buf.push(ev);
    if (JSON.stringify(buf).length > 48000) { send(buf, useBeacon); buf = []; }
  }
  if (buf.length) send(buf, useBeacon);
}
function send(events, useBeacon) {
  const body = JSON.stringify({ events });
  if (useBeacon && navigator.sendBeacon) navigator.sendBeacon('/rum', body);
  else fetch('/rum', { method: 'POST', body, keepalive: true,
    headers: { 'content-type': 'application/json' } }).catch(() => requeue(events));
}
// 包装 fetch 时先判断,否则 /rum 会被自己的钩子再采一次
const originFetch = window.fetch;
window.fetch = function (input, init) {
  const url = typeof input === 'string' ? input : input.url;
  const start = performance.now();
  return originFetch(input, init).finally(() => {
    if (shouldWrap(url)) enqueue({ type: 'fetch',
      duration: performance.now() - start, url: url.split('?')[0] });
  });
};
document.addEventListener('visibilitychange', () => {
  if (document.visibilityState === 'hidden') flush(true);
});
window.addEventListener('pagehide', () => flush(true));
  • 怎么验:构造 200 条事件后切后台,送达率 100%;接入层能看到「被排除请求数」大于 0。

第 4 段 怎么存算(10--12)

10 把 30 个页面的 p75 求平均,当整站 p75

  • 现象:整站 p75 比任何一个页面都低,或者怎么算都跟明细对不上。
  • 为什么错:分位数不可加。分组 p75 的平均值没有统计意义,样本量不同的分组还会把结果带偏。
  • 正确写法:保留原始事件或直方图,任何范围的整体 p75 都从原始数据重算。
  • 怎么验:对同一批事件分别算「分组 p75 平均」与「整体 p75」,两者不等是正常现象,看板必须用后者。

11 让高基数维度进聚合模型

  • 现象:查询越来越慢,存储账单先爆,结论还没出来。
  • 为什么错 :完整 URL、user_id、毫秒时间戳这类字段的唯一值近乎无限,一进 group by 就会拖垮存储与查询。
  • 正确写法 :用路由模板 /product/:id 代替原始 URL,设备 3--5 档、网络档位含 unknown;维度走白名单并设基数上限,高基数只用于单条详情查询。
  • 怎么验:看板有一张「维度基数十强」监控表;未注册维度在构建期就报错。

12 错误事件也套低采样率

  • 现象:客诉的 bug 在库里完全查不到,复盘时没有现场数据。
  • 为什么错:1% 采样对性能指标够用,对稀有错误等于直接删证据。
  • 正确写法 :错误、崩溃、白屏、慢会话强制 100% 保留;采样决策落在 session 粒度,避免同一次访问的指标残缺;sample_rate 随事件上报,后端据此还原权重。
  • 怎么验:把采样率设成 0,注入一次必现错误,库里仍能查到且只有一条。
js 复制代码
// 接在第 09 段的队列;errPayload 是归一化后的错误对象
const sampled = Math.random() < 0.01;
let dropped = 0;
function track(type, payload, forced) {
  if (!sampled && !forced) return;
  if (queue.length >= 200) { dropped++; return; }
  enqueue({ type, ts: Math.round(performance.now()),
    sample_rate: 0.01, session: sessionId, payload });
  if (queue.length >= 20) flush(false);
}
track('js-error', errPayload, true);   // 错误强制保留,不吃采样率

第 5 段 怎么看(13--14)

13 按事件数算错误率

  • 现象:某个页面死循环抛错,错误率瞬间 100%,值班同学以为全站挂了。
  • 为什么错:分母是事件数时,一个用户就能刷爆指标。
  • 正确写法:主口径用「受影响会话数 ÷ 总会话数」,事件数只作辅助的绝对量。
  • 怎么验:造一个每 100 ms 抛错一次的页面,错误率仍然只反映「一个受影响会话」。

14 用完整 stack 直接 hash 做错误指纹

  • 现象:同一个 bug 裂成几十个 issue,告警降噪完全失效。
  • 为什么错:行号漂移、构建 hash、URL 随机参数、用户 ID 都会进 stack,完整 hash 会把一次故障炸成一片。
  • 正确写法:取错误类型 + 截断后的 message + 归一化顶层 2--3 个栈帧;归一化要剥掉域名、行列号与构建参数。
js 复制代码
function fingerprint(err) {
  const frames = (err.stack || '').split(String.fromCharCode(10)).slice(1, 4)
    .map((s) => s.trim()
      .replace(/https?:\/\/[^/)]+/g, '')
      .replace(/[?&](t|v|hash|_)=[^&)\s]+/g, '')
      .replace(/:\d+:\d+/g, ''))
    .filter(Boolean);
  return hash(err.name + '|' + (err.message || '').slice(0, 80) + '|' + frames.join('|'));
}
  • 怎么验:同一 bug 造 100 次,issue 数恒为 1;再换一个不同 bug,不能并进同一条。

第 6 段 怎么告警(15--16)

15 告警只写「指标超阈值」

  • 现象:值班群天天响,多数消息没人点开,真出事时反而被淹没。
  • 为什么错:告警是「需要人立即行动」的信号,不是「数值发生了变化」。静态阈值在流量低谷还会被相对波动反复触发。
  • 正确写法:用「受影响会话数 + 持续窗口 + 与上一版本对比」三条件联合触发;同因按指纹聚合、设冷却;消息里内嵌已带好模板、版本、时间窗的下钻链接;每月把「无人处理的告警」删掉或改成报表。
  • 怎么验 :随机挑一条线上告警,值班同学能在十分钟内走完「维度切片 → 归因字段 → 慢会话详情 → Source Map 反解 → 具体文件」,最后给出一个文件名。这一步走不通,多半是 release 与 sourcemap 没对齐,或者根本没采 attribution。

要让这十分钟走得通,采集侧得先把归因字段带上。web-vitals/attribution 比标准构建大约多 1.5 KB(brotli),只有确实要做归因时才引:

js 复制代码
import { onLCP, onINP, onCLS } from 'web-vitals/attribution';

function reportCwv(m) {
  const a = m.attribution || {};
  enqueue({
    type: 'cwv', name: m.name, value: m.value, rating: m.rating,
    id: m.id, navigationType: m.navigationType, release: '__RELEASE__',
    lcpTarget: a.target, ttfb: a.timeToFirstByte,
    loadDelay: a.resourceLoadDelay, renderDelay: a.elementRenderDelay,
    inpTarget: a.interactionTarget, inputDelay: a.inputDelay,
    processing: a.processingDuration, presentation: a.presentationDelay,
    clsTarget: a.largestShiftTarget
  });
}
onLCP(reportCwv); onINP(reportCwv); onCLS(reportCwv);

LCP 拆成 TTFB、资源加载延迟、加载时长、渲染延迟四段,INP 拆成输入延迟、处理时长、呈现延迟三段。只看总值就动手优化图片,而 TTFB 占了 1.9 s,方向就完全修反了。

16 把三层错误混成一个错误率

  • 现象:前端报 5xx 风暴,后端监控说服务一切正常,两边吵半天。
  • 为什么错:断网 / CORS 被算成 5xx;HTTP 200 但业务码失败的响应被算进 HTTP 错误率。口径跟后端天然对不上。
  • 正确写法 :传输层(fetch reject、超时)、协议层(4xx / 5xx)、业务层(200 但 code != 0)做三条独立序列,业务层由业务显式埋点,SDK 猜不出来。
  • 怎么验:看板能分别开关三层;做一次断网演练,服务端 5xx 曲线不动。

第 7 段 怎么治理(17--18)

17 Session Replay 默认全量且未脱敏

  • 现象:回放里能明文看到手机号、密码或身份证号。
  • 为什么错:DOM 初始快照加增量 mutation 是信息密度最高、隐私风险也最高的信号。「我们没存 user_id 所以合规」不成立,IP、设备指纹、完整 URL 都可能构成个人信息。
  • 正确写法 :输入框、密码、证件、支付信息默认掩码,按 CSS 类或 data- 属性配脱敏白名单;同意状态作为 SDK 初始化的前置开关;只对错误会话、客诉会话抽样开启,并设更短的独立保留期。
  • 怎么验:随机抽 20 条回放人工确认无明文 PII;关闭同意后 SDK 不产生任何 mutation 数据。

18 不观测监控 SDK 自身的开销

  • 现象:上了监控之后 INP 变差,看板却把原因归到业务代码。
  • 为什么错:Replay、全埋点、高频回调里的同步大对象序列化都占主线程,监控自己就是 INP 的贡献者。
  • 正确写法:内部计数事件(丢弃数、重试数、队列长度、beacon 失败数、初始化与序列化耗时);把序列化放到空闲时段或 Worker;聊天插件、Replay、标签管理器这类第三方脚本单独审计。
  • 怎么验:对比开启 / 关闭监控 SDK 两组会话的 p75 INP,差值应低于约定预算(例如 5 ms)。

三、五组最容易混淆的口径

别再用 该用 差异在哪 一句验收
平均 LCP p75 LCP + 样本量 官方评估取 p75,按设备形态分段 p75 旁有样本量
Lighthouse 分数 CI 预算门禁 + RUM p75 双轨 实验室可复现,现场是长尾 报告标题写清数据来源
FID 与 INP 拼一条线 2024-03-12 处断开标注 指标已替换,2024-09 起 CrUX 无 FID 趋势图有变更注释
事件数错误率 受影响会话数占比 死循环不会刷爆分母 高频报错仍算一个会话
分组 p75 求平均 从原始事件重算整体 p75 分位数不可加 两种算法结果不同,用后者

四、上线前 10 分钟自查表

# 一句话验收动作
01 同一批数据算均值与 p75,看板用的是后者且显示样本量
02 线上 SLO 的 SQL 指向 RUM 表,不是 Lighthouse 结果表
03 趋势图有 2024-03 指标变更注释,2024-09 后无 FID 序列
04 采集脚本延后到 load 之后加载,LCP 仍能收到;非 Chromium 零报错
05 第三方域 transferSize 整片为 0 时,看板显示「无完整计时」
06 造一个资源 404 和一个 rejection,库里各一条且各只有一条
07 跨域脚本故意抛错,上报带非空 stack
08 移动端切后台仍收到收尾批次,bfcache 往返后 session_id 换新
09 200 条事件收尾送达率 100%,接入层有被排除请求数
10 分组 p75 平均与整体 p75 结果不同,看板用后者
11 有「维度基数十强」表,未注册维度构建期报错
12 采样率设 0 注入必现错误,库里仍查到且只有一条
13 每 100 ms 抛错一次的页面,错误率只算一个受影响会话
14 同一 bug 造 100 次仅 1 个 issue,不同 bug 不合并
15 随机一条告警十分钟内能定位到具体文件
16 三层错误可分别开关,断网演练时服务端 5xx 不动
17 抽 20 条回放无明文 PII,关闭同意后无 mutation 数据
18 开关两组 p75 INP 差值低于约定预算

五、小结

三句话收尾:

  • 采集前先问「这条数据要回答哪个问题」,答不上来就别采 ------ 成本和隐私都是这么省下来的。
  • 每条指标都要配一个「怎么验它没骗我」的动作,写不出来,说明这能力还只写在方案里。
  • 监控 SDK 自己也在被观测范围内,别让它成为那个没人怀疑的慢函数。

这 18 条是从一份 28 条的上线自查表里筛出来的,剩下 10 条偏链路与标准化,等下一篇再聊。你们踩过哪几条?我最想听 05 和 09 ------ 那两个最隐蔽,看板全绿,数据全是错的。

参考资料

相关推荐
鹿鹿鹿鹿isNotDefined14 分钟前
布局更新后,canvas 重新绘制,出现了只持续一帧的闪烁?!
前端·javascript·vue.js
zhanlang021718 分钟前
HTML 零基础入门到企业实战【第六章 表格标签】6.3 单元格合并:跨行 rowspan、跨列 colspan 实战技巧
前端·html
技术分享官20 分钟前
Geejing WebBuilder 新手指导:用 Wb.Button 按钮组件跑通企业级快速开发平台的前后端闭环
前端·javascript·低代码
SameX20 分钟前
ArkTS 没有 AbortController 怎么取消 setTimeout 链用自增 token 的做法
前端
不可能片场40 分钟前
工程实践 雪花id进JS别当数字传
前端·electron
涛涛ing1 小时前
AI帮我生成了一个炫酷的3D大屏,上线3天就卡崩了
前端
jerrywus1 小时前
用 AMD Radeon Cloud 免费跑 ComfyUI:从开机到打开界面
前端·agent·claude
学以智用1 小时前
CKEditor5 完整详解
前端·后端
掘金者阿豪1 小时前
数据库性能优化:一次慢查询背后,可能不只是SQL的问题
前端·后端