Docker 容器频繁重启排查：OOMKilled、退出码与资源限制实战

容器莫名重启、docker ps 里 STATUS 总是 Restarting，是线上最常见的问题之一。本文按「先看退出原因，再看资源，最后看应用」的顺序，整理一套可复现的排查流程。

1. 先确认容器为什么退出

docker ps -a --filter name=myapp
docker inspect myapp --format '{{.State.ExitCode}} {{.State.OOMKilled}} {{.State.Error}}'
docker inspect myapp --format '{{.RestartCount}} {{.HostConfig.RestartPolicy.Name}}'

• OOMKilled=true：容器内存超过限制，被内核 OOM killer 杀掉。
• ExitCode=137：128+9，收到 SIGKILL，常见于 OOM 或被 docker kill。
• ExitCode=143：128+15，收到 SIGTERM，通常是正常停止，应用没在超时内退出时会被升级为 137。
• ExitCode=1 / 2：应用自身报错退出，去看日志。
• ExitCode=126/127：命令无执行权限或找不到，多为 ENTRYPOINT / CMD 写错。

2. 看日志与事件

docker logs --tail 200 -t myapp
docker events --since 30m --filter container=myapp
dmesg -T | grep -i -E "killed process|out of memory"

dmesg 中出现 Memory cgroup out of memory 即可确认是 cgroup 内存限制触发。注意：重启后的新容器会覆盖部分现场，所以要尽早采集。

3. 检查资源限制与实际用量

docker stats --no-stream myapp
docker inspect myapp --format '{{.HostConfig.Memory}} {{.HostConfig.MemorySwap}} {{.HostConfig.NanoCpus}}'

Memory 为 0 表示未限制。若设置了 -m 512m 而应用堆很大，就会反复 OOM。典型例子是 JVM：

• 老版本 JDK 不感知容器限制，按宿主机内存估算堆大小；JDK 10+ 默认感知 cgroup。
• 推荐显式指定比例：-XX:MaxRAMPercentage=70，给堆外内存、线程栈、元空间留出余量。
• Node.js 可用 --max-old-space-size 限制老生代，避免超出容器上限。

4. 调整限制并设置合理的重启策略

docker update --memory 1g --memory-swap 1g myapp
docker run -d --name myapp --memory 1g --restart on-failure:5 myimage:tag

• --restart always 会掩盖问题并无限重启；排查期建议用 on-failure:N，让故障尽早暴露。
• Compose 中对应 deploy.resources.limits（Swarm）或 mem_limit，不同 Compose 版本写法有差异，以官方文档为准。

5. 健康检查与启动顺序

容器「起来了但服务不可用」会被编排系统反复拉起。给镜像加健康检查：

HEALTHCHECK --interval=30s --timeout=3s --start-period=40s --retries=3 \
  CMD curl -fsS http://127.0.0.1:8080/health || exit 1

--start-period 要覆盖应用冷启动时间，否则启动慢的服务会被误判不健康。依赖数据库、缓存的服务，应用内要有连接重试，而不是启动即退出。

6. 其他常见原因

• 磁盘满：docker system df 检查镜像、容器、卷占用，必要时 docker image prune。
• 端口冲突：ss -lntp | grep 8080，日志出现 address already in use。
• 挂载目录权限：容器内用户 UID 与宿主机目录属主不一致，导致写入失败后退出。
• 配置文件缺失：环境变量未注入，应用读到空值直接崩溃。

排查清单

1. docker inspect 看 ExitCode 与 OOMKilled。
2. docker logs + dmesg 确认直接原因。
3. docker stats 对比用量与限制，调整应用内存参数而不是只加大限制。
4. 加健康检查与有限次数的重启策略。
5. 若在腾讯云 CVM 或容器服务上运行，同时结合云监控的内存、磁盘曲线对照时间点，具体指标以控制台为准。

把退出码、OOM 标记和 cgroup 限制三件事先查清，大多数重启问题几分钟内就能定位。