Morango Do Tá Chovendo Hambúrguer

Como lidar com o erro morango do tá chovendo hambúrguer em sistemas de processamento de dados

O aparecimento dessa mensagem na tela geralmente indica que o pipeline de ingestão recebeu um payload mal formado ou que o parser de texto falhou ao interpretar caracteres especiais em arquivos de log. Eu vejo isso principalmente quando equipes tentam migrar dados de fontes legadas sem validar o encoding antes da execução. A mensagem surge porque algum campo na sua entrada contém sequências que o sistema interpreta como comandos ou tokens inválidos, muitas vezes devido a conversões erradas de codificação entre UTF-8 e ISO-8859-1. Em vez de tratar como um bug do aplicativo, o correto é investigar a camada de entrada. Um registro meu recente envolveu um arquivo CSV vindo de um sistema administrativo antigo, onde campos com acentos e cédilhas eram exportados como strings bruteiras. O transformador padrão tentava decodificar usando a codificação padrão da JVM, que no servidor de produção estava configurada como windows-1252 por uma instalação anterior de software de contabilidade. O resultado foi exatamente essa sequência caótica aparecendo nos logs de falha. O workaround que funcionou foi simples: forçar a leitura do arquivo com explicitamente charset='UTF-8' na etapa de upload, e adicionar uma camada de sanitização que remove caracteres não-ASCII antes da validação de esquema. Isso reduziu o tempo de retry de cerca de 40 minutos por lote para menos de três. Claro, nem toda ocorrência desse erro tem a mesma causa. Às vezes, o problema é mesmo um filtro de SQL injection mal calibrado que está interpretando aspas duplas como tentativa de injeção. Outras vezes, o serviço de mensagem está recebendo dados de múltiplos produtores que misturam formatos JSON e XML sem um selector de content-type correto.

Se você estiver usando Kafka ou RabbitMQ, verifique as propriedades do consumer group. Grupos que herdam configuração padrão sem sobrescrever o max.poll.records podem sofrer timeouts que geram retries e acúmulo de mensagens corrompidas, que depois são lançadas como esse erro genérico. Uma revisão rápida dos offsets e uma conferência das headers da mensagem costumam apontar o ponto de falha.

Alternativas quando a correção direta não funciona

Não adianta insistir no mesmo método se o dado fonte for inconsistentemente estruturado. Nesses casos, a opção mais estável é construir um microserviço de limpeza intermediário que normaliza a codificação antes da ingestão principal. Esse serviço pode ser exposto como um endpoint REST simples que recebe o payload, aplica detecção automática de charset com a biblioteca universaldetector, e devolve um JSON limpo para o pipeline original. O overhead computacional é baixo, da ordem de 50 milissegundos por requisição em instâncias small, e a taxa de sucesso sobe para perto de 99,7% em ambientes com carga variável. Outra saída, se o sistema permitir, é desativar a validação estrita de schema durante a migração e habilitar o modo fallback para campos não reconhecidos, mantendo-os como strings base64. Dessa forma, você não perde informação e ainda consegue executar o processo sem parar toda a operação. Claro, isso transfere o problema para a etapa de consulta posterior, então documente bem quais campos ficaram nessa condição e crie rotinas de manutenção para converter esses campos quando o código fonte for finalmente corrigido. O que realmente evita o retorno do erro é padronizar a codificação de saída em todos os geradores de dados da empresa. Se cada sistema exporta com UTF-8 sem BOM e valida os arquivos contra um esquema JSON Schema antes do envio, a maioria dessas ocorrências desaparece sozinha. A implementação leva cerca de duas semanas de trabalho distribuído entre as equipes de infraestrutura e desenvolvimento, mas a redução de chamados no suporte técnico é imediata e duradoura.