譯者 | 陳峻

審校 | 孫淑娟

無論您是否已經實現(xiàn)了微服務，您的系統(tǒng)往往會由反向代理、應用程序、以及數(shù)據(jù)庫等多個組件組成。只要服務請求流經的組件數(shù)量越多，您對于監(jiān)控的需求就越強烈。當然，監(jiān)控只是狀態(tài)跟蹤的開始，您更需要一個能夠橫跨所有組件的聚合性視圖，通過指標和日志兩個維度，來實現(xiàn)可觀察性。

1.W3C的規(guī)范

具有跟蹤能力的解決方案通常能夠通過異構技術棧，來規(guī)范化監(jiān)控的標準格式。目前，市場上已經存在了幾個不同的實現(xiàn)規(guī)范。而在大多數(shù)情況下，正如下面著名的XKCD漫畫所描述的那樣，一個新的規(guī)范需求往往會導致另一個額外規(guī)范的實施。

在此，我向你介紹一個新的、市場正在遵守的W3C規(guī)范--Trace Context。該規(guī)范定義了標準的HTTP標頭和一種數(shù)值的格式，來支持分布式跟蹤場景的上下文信息。畢竟，上下文信息不但能夠唯一地標識分布式系統(tǒng)中的各種請求，而且定義了一種添加和傳播提供者特定信息的方法。而Trace Context規(guī)范恰好標準化了上下文信息在服務之間的發(fā)送和修改方式。其中也包含了兩個如下圖所示的關鍵性概念：

• 跟蹤（Trace）需要遵循跨越多個組件的請求路徑。
• 跨越（Span）被綁定到了單個組件上，并通過父子關系，鏈接到另一個跨越。

目前Trace Context已經有了多種實現(xiàn)，而其中一種便是OpenTelemetry。

2.OpenTelemetry可作為黃金標準

OpenTelemetry是一種工具、API和SDK的集合，適用于多種語言。用戶可以使用它來檢測、生成、收集和導出指標、日志和跟蹤等遙測類型的數(shù)據(jù)，以便分析軟件的性能和行為。

OpenTelemetry是一個由CNCF管理的項目。在它之前已有如下兩個項目：

• OpenTracing，顧名思義是專注于跟蹤的
• OpenCensus，其目標是管理指標和跟蹤

通過合并兩個項目的日志功能，OpenTelemetry目前提供了一組專注于可觀察性的層面。該層面具有如下特征：

• 通過多種語言檢測API
• 用不同的語言規(guī)范化實現(xiàn)
• 提供諸如收集器等基礎設施組件
• 提供諸如W3C Trace Context的互操作性格式

值得注意的是，OpenTelemetry雖然是Trace Context的一種實現(xiàn)，但是其功能更為廣泛。Trace Context將自身限制在HTTP場景中，而OpenTelemetry則可以跨越到Kafka等非Web組件上。

3.用例

下面，讓我們以某個電商網站為例，進行深入探討。假設該電商網站是圍繞微服務設計的，其中包含了管理產品的catalog和處理產品價格的pricing，這兩個微服務。如下圖所示，catalog是一個用Kotlin編寫的Spring Boot應用，而pricing一個Python Flask應用。

每個微服務都可以通過REST API被訪問到，并且受到API網關的保護。當用戶訪問該應用時，主頁會從后臺獲取所有產品、及其價格的信息，予以呈現(xiàn)。而跟蹤則可以讓我們跨過微服務或數(shù)據(jù)庫網關，去跟蹤某個請求的路徑。

4.網關處的跟蹤

我們將使用Apache APISIX在入口點（也就是網關）處生成跟蹤ID。此處的Apache APISIX提供了諸如：負載均衡、動態(tài)上游、金絲雀發(fā)布、斷路器、身份驗證、可觀察性等，豐富的流量管理功能。同時，基于插件架構的Apache APISIX，通過提供OpenTelemetry插件，來根據(jù)OpenTelemetry的規(guī)范產生跟蹤數(shù)據(jù)。不過，該插件僅支持基于HTTP的二進制編碼--OLTP。

下面，讓我們來配置opentelemetry插件：

YAML
apisix:
enable_admin: false              #1
config_center: yaml              #1
plugins:
-OpenTelemetry                   #2
plugin_attr:
opentelemetry:
resource:
service.name: APISIX         #3
collector:
  address: jaeger:4318      #4

#1：在獨立模式下運行Apache APISIX，以便應用易于被理解。

#2：將opentelemetry配置為全局插件。

#3：設置服務的名稱。它將成為出現(xiàn)在跟蹤顯示組件中的名稱。

#4：將跟蹤發(fā)送到jaeger服務處。我們將在下文中詳細討論。

為了跟蹤每一條路由，我們需要通過如下代碼，將插件設置為全局插件，而無需向每條路由添加插件：

YAML
global_rules:
- id: 1
plugins:
opentelemetry:
sampler:
        name:

#1：由于跟蹤本身也會對性能產生影響，而且追蹤的內容越多，影響也就越大，因此，我們全面仔細平衡性能影響與可觀察性的收益。不過，在本例中，我們仍然希望能夠跟蹤每個請求。

5.收集、存儲和顯示跟蹤

雖然Trace Context是一種W3C規(guī)范，而且OpenTelemetry是事實上的標準，但是目前市場上仍存在許多收集、存儲和顯示跟蹤的解決方案。例如，Elastic技術棧雖然可以處理各種存儲和顯示，但是用戶必須依靠其他產品進行收集；而Jaeger和Zipkin則能夠通過一個完整的套件，全面實現(xiàn)收集、存儲和顯示跟蹤。

早于OpenTelemetry的Jaeger和Zipkin雖然有著各自不同的跟蹤傳輸格式，但是它們都能夠與OpenTelemetry的格式相集成。鑒于Jaeger能夠提供一個一體化的Docker鏡像，而且每個功能都有其對應的組件，同時它們被嵌入在同一個鏡像中，以方便配置。因此，我在此選用Jaeger。其鏡像的相關端口分配如下：

其Docker Compose的代碼為：

YAML
services:
jaeger:
image: jaegertracing/all-in-one:1.37           #1
environment:
- COLLECTOR_OTLP_ENABLED=true                #2
ports:
    - "16686:16686"                              #3

#1：使用all-in-one的鏡像。

#2：啟用OpenTelemetry格式的收集器（非常重要）。

#3：暴露UI端口。

至此，我們已經完成了基礎設施的構建，下面我們將專注于在應用中啟用跟蹤。

6.Flask應用的跟蹤

pricing服務是一個簡單的Flask應用程序。它提供了從數(shù)據(jù)庫中獲取單個產品與價格的端點。下面是對應的代碼：

Python
@app.route('/price/<product_str>') #1-2
def price(product_str: str) -> Dict[str, object]:
product_id = int(product_str)
price: Price = Price.query.get(product_id)              #3
if price is None:
return jsonify({'error': 'Product not found'}), 404
else:
low: float = price.value - price.jitter              #4
high: float = price.value + price.jitter             #4
return {
'product_id': product_id,
'price': round(uniform(low, high), 2)            #4
      }

#1：端點

#2：路由需要產品的ID。

#3：使用SQLAlchemy從數(shù)據(jù)庫中獲取數(shù)據(jù)。

#4：在此，我們會隨機產生價格。當然，真實定價引擎并非如此。

值得注意的是，為了觀察跟蹤，我們在此采用的是低效的、每次僅調用并獲取單一價格的方式。而在現(xiàn)實生活中，路由應該能夠接受多個產品的ID，并在一個“請求-響應”中獲取所有相關的價格。

我們可以用自動和手動兩種方式來檢測應用。由于手動需要付出開發(fā)時間，而自動既省力又快速，因此我建議您從自動開始，如需添加手動的方式。

首先，我們需要添加幾個Python包：

• opentelemetry-distro[otlp]==0.33b0
• opentelemetry-instrumentation
• opentelemetry-instrumentation-flask

接著，我們需要配置如下參數(shù)：

YAML
pricing:
build: ./pricing
environment:
OTEL_EXPORTER_OTLP_ENDPOINT: http://jaeger:4317     #1
OTEL_RESOURCE_ATTRIBUTES: service.name=pricing      #2
OTEL_METRICS_EXPORTER: none              #3
OTEL_LOGS_EXPORTER:

左右滑動查看完整代碼

#1：將跟蹤發(fā)送給Jaeger。

#2：設置服務的名稱。它將成為出現(xiàn)在跟蹤顯示組件中的名稱。

#3：在此，我們暫時忽略日志和指標。

然后，我們并不使用標準的flask run命令，而是將其進行如下包裝：

Shell
opentelemetry-instrument flask run

至此，我們已經從方法調用和Flask路由中，收集到了跨越。

下面，我們以手動的方式，按需添加額外的跨度：

Python
fromOpenTelemetryimport trace
@app.route('/price/<product_str>')
def price(product_str: str) -> Dict[str, object]:
product_id = int(product_str)
with tracer.start_as_current_span("SELECT * FROM PRICE WHERE ID=:id", attributes={":id": product_id}) as span: #1
price: Price = Price.query.get(product_id)
# ...

#1：使用配置的標簽和屬性添加一個額外的跨度。

7.Spring Boot應用的跟蹤

catalog服務是用Kotlin開發(fā)的Reactive Spring Boot應用。它提供了如下兩個端點：

• 獲取單個產品
• 獲取所有產品

兩者都是先查看產品數(shù)據(jù)庫，再查詢上述pricing服務的價格。

而對于Python而言，我們同樣可以利用自動和手動兩種檢測方法。在此，讓我們先從唾手可得的自動化開始。在JVM上，我們通過一個代理來實現(xiàn)：

Shell
java -javaagent :opentelemetry-javaagent.jar -jar catalog.jar

與Python一樣，它為每個方法的調用和HTTP的入口點創(chuàng)建了跨越。同時，它還會檢測JDBC的調用。在本例的Reactive棧中，我們使用的是R2DBC。因此，我們需要配置如下默認行為：

YAML
catalog:
build: ./catalog
environment:
APP_PRICING_ENDPOINT: http://pricing:5000/price
OTEL_EXPORTER_OTLP_ENDPOINT: http://jaeger:4317     #1
OTEL_RESOURCE_ATTRIBUTES: service.name=orders       #2
OTEL_METRICS_EXPORTER: none                         #3
  OTEL_LOGS_EXPORTER:

#1：將跟蹤發(fā)送給Jaeger。

#2：設置服務的名稱。它將成為出現(xiàn)在跟蹤顯示組件中的名稱。

#3：在此，我們暫時忽略日志和指標。

而對于Python而言，我們直接添加手動檢測。當然，目前有兩個選項可被采用：程序化和基于注釋。除非我們引入Spring Cloud Sleuth，否則前者會略顯復雜。下面，讓我們來添加額外的依賴性：

XML
<dependency>
<groupId>io.opentelemetry.instrumentation</groupId>
<artifactId>opentelemetry-instrumentation-annotations</artifactId>
<version>1.17.0-alpha</version>
</dependency>

其對應的注釋性代碼為：

Kotlin
@WithSpan("ProductHandler.fetch") //1
suspend fun fetch(@SpanAttribute("id") id: Long): Result<Product> { //2
val product = repository.findById(id)
return if (product == null) Result.failure(IllegalArgumentException("Product $id not found"))
else Result.success(product)
}

#1：使用配置的標簽添加一個額外的跨越。

#2：將參數(shù)用作屬性，將鍵（key）設置為id，其對應的值則設置為參數(shù)的運行時數(shù)值。

8.輸出結果

下面，我們通過如下命令來查看該示例的結果：

Shell
curl localhost:9080/products
curl localhost:9080/products/1

通過如下Jaeger UI，我們可以找到兩條跟蹤（每次調用一條）：

我們也可以深入研究單個跟蹤的跨越：

值得注意的是，我們還可以在沒有前文那張UML圖表的情況下，推斷出其數(shù)據(jù)流圖。此類數(shù)據(jù)流圖很好地顯示了組件的內部調用。而且，每個跨越都包含了由自動與手動檢測添加進來的屬性：

9.小結

綜上所述，我通過簡單的示例，展示了如何使用OpenTelemetry，跨過微服務或數(shù)據(jù)庫網關，實現(xiàn)對某個請求路徑的端對端跟蹤。

雖然在現(xiàn)實世界中，跟蹤可能會涉及與HTTP無關的組件，例如Kafka和消息隊列等，但是大多數(shù)系統(tǒng)仍然會以某種方式去依賴HTTP。而且，跨組件地跟蹤HTTP請求，是實現(xiàn)系統(tǒng)可觀察性的良好開端。

原文鏈接：https://dzone.com/articles/end-to-end-tracing-with-opentelemetry