Posted in

Go单体项目重构实战（百万行代码零停机迁移全记录）

by 容器守护者||0

第一章：Go单体项目重构实战（百万行代码零停机迁移全记录）

面对运行超五年、代码量达127万行的Go单体服务，我们启动了渐进式模块化重构，目标是在业务峰值期保持100%可用性，不中断任何支付、订单或实时通知链路。

迁移策略设计

采用“流量双写 + 特征开关 + 语义版本灰度”三重保障机制：

  • 所有核心接口新增v2路由前缀，旧路径通过http.StripPrefix透明代理至新模块；
  • 使用gofeatureflag动态控制流量分发比例，支持按用户ID哈希分流（如 hash(uid) % 100 < 5 表示5%灰度）；
  • 数据层引入“双写校验中间件”，在事务提交后异步比对新旧库字段差异并告警。

关键代码改造示例

在订单创建入口处插入兼容逻辑：

// order/handler/create.go
func CreateOrder(w http.ResponseWriter, r *http.Request) {
    // 1. 解析原始请求（兼容v1协议）
    req := parseLegacyOrderRequest(r)

    // 2. 启动v2模块处理（非阻塞，失败不影响主流程）
    go func() {
        if _, err := orderV2.Create(context.WithTimeout(r.Context(), 3*time.Second), req); err != nil {
            log.Warn("v2 create failed, fallback to v1", "err", err)
        }
    }()

    // 3. 主流程仍走稳定v1，确保SLA
    resp, err := orderV1.Create(r.Context(), req)
    if err != nil {
        http.Error(w, err.Error(), http.StatusInternalServerError)
        return
    }
    json.NewEncoder(w).Encode(resp)
}

稳定性保障措施

措施 实现方式 触发阈值
自动熔断 基于gobreaker监控v2调用错误率 连续5分钟>15%
数据一致性巡检 每日凌晨扫描昨日订单，比对v1/v2状态 差异数>0即告警
回滚通道 通过Consul KV快速切换/feature/order_v2_enabled为false 秒级生效

整个迁移历时14周，累计发布67个增量版本，期间未发生一次P0级故障。最终在第七次全量切流后，安全下线全部v1订单服务，完成单体到模块化架构的平滑演进。

第二章：迁移前的系统诊断与架构解耦

2.1 依赖图谱分析与循环引用识别（理论+go mod graph实践）

Go 模块系统通过 go.mod 文件构建有向无环图（DAG），但人为误操作可能引入隐式循环依赖。

依赖图谱可视化

执行以下命令生成模块级依赖关系：

go mod graph | head -n 10

该命令输出形如 a/b v1.2.0 c/d v0.5.0 的边，每行表示一个直接依赖。注意：不包含间接依赖，且未去重。

循环检测原理

  • Go 工具链本身禁止编译时存在 import 循环（源码级）
  • 但 replace、indirect 或多模块工作区可能造成语义循环（如 A→B→C→A）

常见循环模式识别表

场景 触发条件 检测方式
替换式循环 replace github.com/A => ./A go list -m all + 图遍历
工作区跨模块引用 go work use ./X ./Y 中 X/Y 互引 go work graph

自动化检测流程

graph TD
    A[go mod graph] --> B[解析为邻接表]
    B --> C{DFS遍历}
    C -->|发现回边| D[报告循环路径]
    C -->|无回边| E[确认DAG]

2.2 接口契约提取与领域边界划定（理论+OpenAPI+Protobuf双轨验证）

接口契约是领域边界的显式表达。单一规范易引入盲区，故采用 OpenAPI（面向 HTTP/REST）与 Protobuf（面向 gRPC/IDL）双轨交叉验证，确保语义一致性。

双轨契约比对关键维度

维度 OpenAPI v3.1 Protobuf 3
类型系统 string, integer string, int32
可选性 nullable: true + required: [] optional（v3.21+）或字段缺失隐式可选
枚举约束 enum: ["CREATED", "PROCESSING"] enum Status { CREATED = 0; PROCESSING = 1; }

OpenAPI 片段示例（简化）

# components/schemas/Order.yaml
Order:
  type: object
  required: [id, status]
  properties:
    id:
      type: string
      format: uuid
    status:
      type: string
      enum: [CREATED, CONFIRMED, SHIPPED]

▶️ 逻辑分析：required 明确界定聚合根必含字段；enum 限定了领域状态机的合法取值，直接映射到限界上下文中的 OrderStatus 值对象。

Protobuf 等价定义

message Order {
  string id = 1 [(validate.rules).string.uuid = true];
  OrderStatus status = 2;
}

enum OrderStatus {
  ORDER_STATUS_UNSPECIFIED = 0;
  CREATED = 1;
  CONFIRMED = 2;
  SHIPPED = 3;
}

▶️ 逻辑分析：[(validate.rules).string.uuid] 提供运行时校验能力；枚举从 开始且含 UNSPECIFIED，强制客户端处理未初始化状态——这在领域建模中对应“空值语义需显式建模”的原则。

graph TD A[HTTP API文档] –>|提取| B(OpenAPI Schema) C[gRPC接口定义] –>|提取| D(Protobuf IDL) B & D –> E[契约差异检测引擎] E –>|不一致告警| F[领域边界修正] E –>|一致通过| G[生成领域事件契约与DTO映射表]

2.3 运行时性能基线采集与瓶颈定位（理论+pprof+trace+自研采样探针）

建立可复现的性能基线是瓶颈分析的前提。需在相同负载、配置与环境约束下，采集多维度运行时指标。

三类核心采集手段协同工作

  • pprof：聚焦 CPU/heap/block/mutex 等静态剖面，适合突刺型热点定位
  • runtime/trace：记录 Goroutine 调度、网络阻塞、GC 事件等时序行为，揭示并发模型缺陷
  • 自研轻量采样探针：基于 eBPF 注入关键路径计数器（如 DB query 延迟分布、HTTP handler 阶段耗时），弥补 Go 运行时盲区

典型 pprof 分析代码示例

import _ "net/http/pprof"

func startPprof() {
    go func() {
        log.Println(http.ListenAndServe("localhost:6060", nil)) // 默认暴露 /debug/pprof/
    }()
}

启动后可通过 go tool pprof http://localhost:6060/debug/pprof/profile?seconds=30 采集 30 秒 CPU 样本；-http= 参数支持可视化火焰图生成。

采集策略对比表

维度 pprof trace 自研探针
时间精度 ~10ms ~1μs 可配（默认 100μs）
数据粒度 函数级 事件级（Goroutine） 业务语义级（如“支付验签耗时”）
开销 中（CPU profile 约5%） 低（ 极低（采样率 1%） 
graph TD
    A[请求入口] --> B{是否命中采样率？}
    B -- 是 --> C[记录阶段耗时+标签]
    B -- 否 --> D[透传]
    C --> E[聚合上报至时序库]
    D --> F[正常处理]

2.4 数据库耦合度评估与分库分表可行性建模（理论+pt-archiver+schema diff工具链）

数据库耦合度本质反映业务实体间数据依赖强度。高耦合（如订单、支付、库存共用 user_id 且频繁 JOIN）将显著抬高分库分表迁移成本。

耦合度量化指标

  • 外键引用密度（每张表平均外键数）
  • 跨表查询频次（慢日志中 JOIN 表组合统计）
  • 共享字段变更影响域（通过 pt-online-schema-change --dry-run 模拟 DDL 影响）

自动化评估流水线

# 使用 pt-archiver 抽样分析关联强度（保留原始时序与分布特征）
pt-archiver \
  --source h=prod1,D=shop,t=orders \
  --where "created_at > '2024-01-01'" \
  --limit 10000 \
  --no-delete \
  --statistics \
  --output-file /tmp/orders_sample.csv

此命令从生产订单表抽样 10,000 条近期记录，不删除源数据；--statistics 输出字段值分布及 NULL 率，用于识别高频关联字段（如 buyer_id, shop_id）的离散度——离散度低（

Schema 差异建模（关键输出）

组件 工具 输出目标
结构一致性 skeema diff 生成跨库 DDL 差异矩阵
逻辑依赖 mysqlpump --skip-definer + grep -E "(JOIN|UNION)" 提取视图/存储过程隐式耦合路径 
graph TD
  A[原始单库] --> B{耦合度评分 < 0.3?}
  B -->|Yes| C[可安全分片]
  B -->|No| D[需先解耦：拆分共享维度表+引入事件溯源]

2.5 零停机迁移能力成熟度模型（CMM）打分与风险矩阵构建（理论+定制化checklist落地）

零停机迁移CMM覆盖同步能力、回滚保障、数据一致性验证、流量灰度控制、监控可观测性五大维度，每维按1–5分量化评估。

数据同步机制

采用双写+校验补偿模式，关键代码片段如下：

def sync_with_compensation(src_db, tgt_db, record_id):
    # 同步主路径：事务内双写（需分布式事务或最终一致兜底）
    with src_db.transaction(), tgt_db.transaction():
        src_data = src_db.get(record_id)
        tgt_db.upsert(record_id, src_data)  # 幂等写入
    # 异步一致性校验（TTL=30s，失败触发补偿任务）
    schedule_consistency_check(record_id, timeout=30)

src_db与tgt_db需支持幂等写入；schedule_consistency_check基于MD5哈希比对关键字段，超时后自动拉起补偿Worker。

风险-成熟度交叉矩阵

CMM等级 同步RPO 回滚窗口 典型风险场景
2级 >30min 主键冲突导致脏数据
4级 跨库事务未对齐

定制化Checklist示例

  • [ ] 双写链路全链路Trace ID透传验证
  • [ ] 补偿任务重试上限≥3次，退避策略为指数增长
  • [ ] 监控大盘集成sync_lag_ms与compensation_fail_rate双指标告警 
graph TD
    A[源库变更] --> B{双写事务}
    B --> C[目标库写入]
    B --> D[本地日志落盘]
    D --> E[异步校验服务]
    E -->|不一致| F[触发补偿Worker]
    E -->|一致| G[标记校验通过]

第三章：渐进式服务拆分与通信治理

3.1 基于gRPC Gateway的HTTP/gRPC双协议兼容设计（理论+反向代理层动态路由实现）

gRPC Gateway 是核心桥梁：它将 Protobuf 定义的 gRPC 接口自动映射为 RESTful HTTP/JSON 端点，同时保留底层 gRPC 服务不变。

动态路由决策逻辑

反向代理层（如 Envoy 或自研网关）依据请求头 content-type 与路径前缀实时分流：

  • application/grpc → 直连 gRPC 后端（二进制流透传）
  • application/json 或 /v1/ 路径 → 转发至 gRPC Gateway 实例
# Envoy 路由配置片段（YAML）
route_config:
  virtual_hosts:
  - name: api
    routes:
    - match: { prefix: "/v1/", headers: [{ name: "content-type", regex_match: "application/json" }] }
      route: { cluster: "gateway" }
    - match: { prefix: "/", headers: [{ name: "content-type", exact_match: "application/grpc" }] }
      route: { cluster: "grpc-backend" }

该配置实现无状态协议识别：regex_match 支持 JSON 变体（如 application/json;charset=utf-8），exact_match 严格匹配 gRPC 二进制标识，避免协议混淆。

协议转换关键能力对比

能力 gRPC Gateway 自研中间件
Protobuf → JSON 编解码 ✅ 内置 ⚠️ 需手动维护
HTTP 错误码映射 ✅ 标准化（400→INVALID_ARGUMENT） ❌ 易不一致
流式响应支持 ✅ Server-Sent Events (SSE) ❌ 通常仅支持 unary

graph TD A[客户端请求] –>|HTTP/JSON| B(gRPC Gateway) A –>|gRPC binary| C(gRPC Service) B –>|Unary/Streaming| C C –>|Response| B B –>|JSON/SSE| A C –>|gRPC| A

3.2 上下文透传与分布式追踪统一规范（理论+OpenTelemetry SDK集成+traceID全链路染色）

在微服务架构中，一次用户请求常横跨多个服务，传统日志无法关联跨进程调用。OpenTelemetry 提供了标准化的上下文传播机制，基于 W3C Trace Context 规范实现 traceID、spanID 和 traceflags 的自动注入与提取。

核心传播载体

  • traceparent: 00-<trace-id>-<span-id>-<trace-flags>（如 00-4bf92f3577b34da6a3ce929d0e0e4736-00f067aa0ba902b7-01）
  • tracestate: 扩展供应商上下文（可选）

OpenTelemetry Java SDK 集成示例

// 初始化全局 TracerProvider（自动注册 Propagators）
SdkTracerProvider tracerProvider = SdkTracerProvider.builder()
    .addSpanProcessor(BatchSpanProcessor.builder(OtlpGrpcSpanExporter.builder()
        .setEndpoint("http://otel-collector:4317").build()).build())
    .build();
OpenTelemetrySdk.builder().setTracerProvider(tracerProvider)
    .setPropagators(ContextPropagators.create(W3CTraceContextPropagator.getInstance())) // 关键：启用标准透传
    .buildAndRegisterGlobal();

✅ W3CTraceContextPropagator 确保 HTTP Header 中自动读写 traceparent；
✅ 全局注册后，所有 instrumented 客户端（如 OkHttp、Spring WebMvc）自动携带 trace 上下文；
✅ Span 创建时自动继承父上下文，实现 traceID 全链路染色。

跨服务调用链路示意

graph TD
    A[Frontend] -->|traceparent: 00-...-01| B[API Gateway]
    B -->|traceparent: 00-...-02| C[Order Service]
    C -->|traceparent: 00-...-03| D[Payment Service]
组件 是否自动透传 依赖方式
Spring Boot ✅（需 otel-spring-starter） 自动注入 HttpServerTracingFilter
Feign Client ✅ 通过 RequestInterceptor 注入 header
Kafka Producer ⚠️需手动包装 使用 KafkaTracing.create(tracer)

3.3 服务间异步消息解耦与幂等事务保障（理论+Redis Stream + Saga补偿模式Go实现）

数据同步机制

Redis Stream 提供天然的持久化、多消费者组与消息回溯能力，是服务解耦的理想消息总线。每个事件以 XADD 写入，消费者通过 XREADGROUP 按组消费，避免重复拉取。

幂等性核心设计

  • 每条消息携带唯一 event_id（如 UUIDv7）与业务主键 biz_key
  • 使用 Redis SETNX + 过期时间（PX 3600000）构建幂等令牌： 
    // 检查并注册幂等令牌（原子操作）
ok, err := rdb.SetNX(ctx, "idempotent:"+eventID, "1", 1*time.Hour).Result()
if err != nil || !ok {
return errors.New("duplicate event rejected")
}

    逻辑分析：SetNX 确保仅首次写入成功；1h 过期兼顾幂等窗口与内存回收；eventID 全局唯一，避免跨业务冲突。

Saga 补偿链路

步骤 服务动作 补偿操作
1 订单服务创建订单 取消预留库存
2 库存服务扣减库存 释放锁定库存 
graph TD
    A[订单服务: 创建订单] -->|Success| B[库存服务: 扣减库存]
    B -->|Success| C[支付服务: 发起支付]
    C -->|Fail| D[支付补偿: 退款]
    D -->|Success| E[库存补偿: 释放库存]
    E -->|Success| F[订单补偿: 取消订单]

第四章：数据一致性与灰度发布体系构建

4.1 双写+校验+修复三阶段数据迁移方案（理论+binlog监听+diff-sync工具开发）

核心设计思想

采用“双写保障一致性 → 异步校验识别差异 → 智能修复收敛状态”三阶段闭环，规避单点故障与长事务阻塞。

数据同步机制

基于 MySQL Binlog 的增量捕获，使用 canal 或 Debezium 解析 ROW 格式事件，实时投递至 Kafka：

// CanalClient 示例：监听 user 表变更
CanalConnector connector = CanalConnectors.newSingleConnector(
    new InetSocketAddress("canal-server", 11111), 
    "example", "", "");
connector.connect();
connector.subscribe(".*\\..*"); // 全库订阅
Message message = connector.getWithoutAck(1024); // 拉取一批事件

逻辑说明：getWithoutAck(1024) 批量拉取最多 1024 条事件，避免高频 ACK 压力；subscribe(".*\\..*") 支持正则匹配，便于灰度迁移时按表粒度控制。

差异检测与修复流程

graph TD
    A[源库双写] --> B[目标库双写]
    B --> C[Binlog监听→Kafka]
    C --> D[Diff-Sync服务消费并比对]
    D --> E{存在diff？}
    E -->|是| F[生成修复SQL/调用API重放]
    E -->|否| G[标记该分片同步完成]

关键参数对照表

参数 含义 推荐值
batchSize 单次校验行数 5000
verifyIntervalMs 校验周期 30000
repairTimeoutSec 单次修复超时 60

4.2 基于Feature Flag的细粒度流量切分（理论+etcd驱动动态开关+AB测试埋点闭环）

Feature Flag 不仅是功能开关，更是实时流量调度的原子单元。其核心价值在于将发布决策与代码部署解耦，并支持按用户ID、设备类型、地域等多维上下文动态路由。

动态配置同步机制

基于 etcd 的 Watch 机制实现毫秒级配置推送：

from etcd3 import Etcd3Client

client = Etcd3Client(host='etcd-cluster', port=2379)
# 监听 /flags/login/v2 路径变更
events, cancel = client.watch_prefix('/flags/login/v2/')

for event in events:
    flag_key = event.key.decode()
    flag_value = event.value.decode() if event.value else None
    # 解析 JSON：{"enabled": true, "traffic_ratio": 0.15, "rules": [{"field": "user_id", "mod": 100, "range": [0,14]}]}
    update_runtime_flag(flag_key, json.loads(flag_value))

逻辑分析：watch_prefix 长连接监听路径前缀变更；mod + range 实现哈希分流，避免状态存储，满足无状态服务横向扩展需求。

AB测试闭环关键字段

字段名 类型 说明
experiment_id string 唯一实验标识
variant string ‘control’ / ‘treatment_a’
track_event bool 是否触发埋点上报

流量决策流程

graph TD
    A[请求到达] --> B{读取用户上下文}
    B --> C[查询 etcd 中对应 Flag 规则]
    C --> D[执行规则匹配：user_id % 100 ∈ [0,14]？]
    D -->|true| E[分配 variant=treatment_a]
    D -->|false| F[分配 variant=control]
    E & F --> G[注入 X-Feature-Variant Header]
    G --> H[前端/后端埋点自动捕获]

4.3 熔断降级与故障注入演练机制（理论+go-hystrix替代方案+chaos-mesh集成）

微服务架构中，熔断是防止雪崩的核心防线。go-hystrix 已归档，社区转向更轻量、更契合 Go 生态的替代方案——如 resilience-go。

熔断器核心参数语义

  • MaxRequests: 触发熔断前允许并发请求数上限
  • Timeout: 单次调用超时阈值（毫秒）
  • ErrorPercentThreshold: 连续错误率阈值（如60%）
  • SleepWindow: 熔断后休眠时长，期满自动试探半开状态

使用 resilience-go 实现熔断示例

import "github.com/resilience-go/resilience-go/v2"

cb := resilience.NewCircuitBreaker(
    resilience.WithFailureThreshold(60), // 错误率阈值
    resilience.WithMinRequests(10),       // 最小采样请求数
    resilience.WithTimeout(5 * time.Second),
)

// 执行受保护调用
result, err := cb.Execute(func() (any, error) {
    return http.Get("https://api.example.com/users")
})

该代码构建了基于滑动窗口统计的熔断器；WithMinRequests 避免低流量下误判，Execute 自动捕获 panic/err 并更新状态机。

Chaos Mesh 故障注入协同流程

graph TD
    A[业务服务] -->|调用| B[熔断器]
    B --> C{健康？}
    C -->|是| D[正常转发]
    C -->|否| E[返回降级响应]
    F[Chaos Mesh] -->|注入网络延迟/失败| A
故障类型 注入方式 验证目标
HTTP 超时 NetworkChaos 熔断器是否进入 OPEN 状态
Pod 异常终止 PodChaos 降级逻辑与重试是否生效
DNS 故障 DNSChaos 客户端是否触发 fallback

4.4 全链路可观测性看板与SLO自动告警（理论+Prometheus+Grafana+Alertmanager定制规则）

全链路可观测性需统一采集指标、日志、追踪三大信号，并映射至业务SLO（如“API 99分位延迟 ≤ 800ms”）。Prometheus 负责拉取服务/中间件/基础设施指标；Grafana 构建多维度下钻看板；Alertmanager 实现基于SLO偏差的分级告警。

SLO计算核心逻辑

使用 Prometheus Recording Rule 预计算关键SLO指标：

# recording_rules.yml
groups:
- name: slo-rules
  rules:
  - record: job:slo_latency_p99_ms:mean5m
    expr: |
      # 过去5分钟各job的P99延迟（单位ms）
      histogram_quantile(0.99, sum by (job, le) (rate(http_request_duration_seconds_bucket[5m]))) * 1000

histogram_quantile 从直方图桶中插值计算P99；rate(...[5m]) 消除计数器重置影响；*1000 转为毫秒便于比对SLO阈值。

告警策略分级

级别 触发条件 通知渠道 抑制规则
P3 P99 > 800ms 持续5分钟 企业微信（值班群） 抑制同服务其他P4告警
P2 P99 > 1200ms 持续2分钟 电话+钉钉 不抑制，立即升级

告警路由拓扑

graph TD
  A[Prometheus] -->|alerting.rules| B[Alertmanager]
  B --> C{Route by severity}
  C -->|P2| D[Phone + DingTalk]
  C -->|P3| E[WeCom Group]
  C -->|P4| F[Email Digest]

第五章：重构后的效能复盘与工程文化沉淀

重构前后关键指标对比分析

我们以订单履约服务为观测对象，实施为期12周的模块化重构（从单体Spring Boot应用拆分为3个独立Bounded Context微服务）。重构后CI流水线平均耗时由14.2分钟降至6.8分钟，部署失败率从12.7%压降至1.3%，生产环境P99响应延迟下降41%。下表为关键效能指标变化：

指标 重构前 重构后 变化幅度
单次构建平均耗时 14.2min 6.8min ↓52.1%
每日可发布次数 1.2 8.6 ↑616%
平均故障恢复时间(MTTR) 47min 9min ↓80.9%
单人日均有效代码提交量 18.3行 32.7行 ↑78.7%

跨团队协作模式的实质性演进

重构过程中强制推行“契约先行”实践：API接口通过OpenAPI 3.0规范定义，经Contract Testing平台自动校验；前端团队基于Swagger UI实时查看变更并生成Mock服务；后端团队使用Spring Cloud Contract生成消费方测试桩。该机制使接口联调周期从平均5.3天压缩至0.7天，跨团队阻塞工单减少76%。

工程实践知识的显性化沉淀

所有重构决策均记录于内部Wiki的“架构决策记录（ADR）”专区，每份ADR包含上下文、选项分析、最终选择及验证结果。例如《订单状态机迁移至事件溯源》ADR中，详细对比了Saga模式、状态表轮询、Event Sourcing三种方案在事务一致性、审计追溯、扩展性维度的量化评估，并附带压测数据截图与回滚预案。截至目前已积累47份可检索、可复用的ADR文档。

flowchart LR
    A[开发提交代码] --> B[触发Git Hook]
    B --> C[执行模块级单元测试+契约测试]
    C --> D{是否全部通过？}
    D -->|是| E[自动合并至main分支]
    D -->|否| F[阻断并推送失败详情至企业微信机器人]
    E --> G[触发跨服务集成流水线]
    G --> H[部署至灰度集群并运行金丝雀流量比对]

技术债治理的闭环机制

建立“重构-度量-反馈”飞轮：每月初通过SonarQube扫描技术债热力图，识别Top5高风险模块；中旬组织跨职能小组开展重构冲刺（Refactor Sprint），限定40小时集中攻坚；月末在回顾会议中展示债务减少量（如圈复杂度均值下降、重复代码行数归零等硬指标），并将成果同步至OKR系统。过去三个季度累计消除技术债条目132项，其中17项涉及核心支付链路稳定性提升。

文档即代码的落地实践

所有架构图采用Mermaid语法编写，嵌入Git仓库README.md；接口文档随代码变更自动更新——Maven插件在编译阶段解析@Api注解生成OpenAPI JSON，再由CI任务推送到Confluence API Portal。当某次重构导致/v2/orders/{id}/cancel接口新增X-Cancellation-Reason头字段时，前端SDK自动生成脚本在2小时内完成更新并发布新版本。

团队认知模型的集体校准

每季度举办“重构复盘工作坊”，使用真实生产事故作为沙盘推演素材。例如针对一次因缓存穿透导致数据库雪崩的故障，团队重放重构前后的缓存策略代码差异，现场用JMeter模拟10万QPS冲击，直观验证新引入的布隆过滤器+本地缓存二级防护机制的有效性。此类实践使新人掌握核心链路的时间缩短至平均11天。

Docker 与 Kubernetes 的忠实守护者，保障容器稳定运行。

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注