1.OpenTelemetry、Spring Cloud Sleuth、Kafka、Jager实现分布式跟踪
2.Spring Cloud Sleuth 原理简介和使用
3.springcloud2022？
4.还在用Zipkin分布式服务链路追踪?源码来试试这个吧!
5.微服务实践之全链路追踪（sleuth，zipkin）详解-SpringCloud(2021.0.x)-4

OpenTelemetry、Spring Cloud Sleuth、Kafka、Jager实现分布式跟踪

        分布式跟踪可让您深入了解特定服务在分布式软件系统中作为整体的一部分是如何执行的。它跟踪和记录从起点到目的地的请求以及它们经过的系统。

        在本文中，我们将使用 OpenTelemetry、Spring Cloud Sleuth、Kafka 和 Jaeger 在三个 Spring Boot 微服务 中实现分布式跟踪。

        我们先来看看分布式追踪中的一些基本术语。

        跨度：表示系统内的单个工作单元。跨度可以相互嵌套以模拟工作的分解。例如，一个跨度可能正在调用一个 REST 端点，然后另一个子跨度可能是该端点调用另一个，等等在不同的服务中。

        Trace：所有共享相同根跨度的跨度集合，或者更简单地说，将所有跨度创建为原始请求的直接结果。跨度的层次结构（每个跨度在根跨度旁边都有自己的父跨度）可用于形成有向无环图，显示请求在通过各种组件时的路径。

        OpenTelemetry ，也简称为 OTel，是一个供应商中立的开源 Observability 框架，用于检测、生成、收集和导出遥测数据，例如 跟踪 、 指标 和 日志 。作为 云原生 计算基金会 (CNCF) 的孵化项目，OTel 旨在提供与供应商无关的统一库和 API 集——主要用于收集数据并将其传输到某处。OTel 正在成为生成和管理遥测数据的世界标准，并被广泛采用。

        Sleuth 是一个由 Spring Cloud 团队管理和维护的项目，旨在将分布式跟踪功能集成到 Spring Boot 应用程序中。它作为一个典型Spring Starter的 . 以下是一些开箱即用的 Sleuth 工具：

        Sleuth 添加了一个拦截器，以确保在请求中传递所有跟踪信息。每次调用时，都会创建一个新的 Span。它在收到响应后关闭。

        Sleuth 能够跟踪您的请求和消息，以便您可以将该通信与相应的日志条目相关联。您还可以将跟踪信息导出到外部系统以可视化延迟。

        Jaeger 最初由 Uber 的团队构建，然后于 年开源。它于 年被接受为云原生孵化项目，并于 年毕业。作为 CNCF 的一部分，Jaeger 是云原生 架构 中公认的项目。它的源代码主要是用 Go 编写的。Jaeger 的架构包括：

        与 Jaeger 类似，Zipkin 在其架构中也提供了相同的组件集。尽管 Zipkin 是一个较老的项目，但 Jaeger 具有更现代和可扩展的设计。对于此示例，我们选择 Jaeger 作为后端。

        让我们设计三个 Spring Boot 微服务：

       

        这三个微服务旨在：

        这是为了观察 OpenTelemetry 如何结合 Spring Cloud Sleuth 处理代码的自动检测以及生成和传输跟踪数据。上面的虚线捕获了微服务导出的跟踪数据的路径，通过OTLP（OpenTelemetry Protocol）传输到OpenTelemetry Collector，收集器依次处理并将跟踪数据导出到后端Jaeger进行存储和查询。

        使用 monorepo，我们的项目结构如下：

       

        第 1 步：添加 POM 依赖项

        这是使用 OTel 和 Spring Cloud Sleuth 实现分布式跟踪的关键。我们的目标是不必手动检测我们的代码，因此我们依靠这些依赖项来完成它们设计的工作——自动检测我们的代码，除了跟踪实现、将遥测数据导出到 OTel 收集器等。

        第 2 步：OpenTelemetry 配置

        OpenTelemetry 收集器端点

        对于每个微服务，我们需要在其中添加以下配置application.yml（请参阅下面部分中的示例片段）。spring.sleuth.otel.exporter.otlp.endpoint主要是配置OTel Collector端点。它告诉导出器，在我们的例子中是 Sleuth，通过 OTLP 将跟踪数据发送到指定的收集器端点.hutool.core.collection.CollectionUtil;

       importcom.netflix.hystrix.HystrixCommandGroupKey;

       importcom.netflix.hystrix.HystrixCommandKey;

       importcom.netflix.hystrix.HystrixCommandProperties;

       importcom.netflix.hystrix.HystrixObservableCommand;

       importcom.netflix.hystrix.exception.HystrixRuntimeException;

       importorg.springframework.beans.factory.ObjectProvider;

       importorg.springframework.cloud.gateway.filter.GatewayFilter;

       importorg.springframework.cloud.gateway.filter.GatewayFilterChain;

       importorg.springframework.cloud.gateway.filter.factory.AbstractGatewayFilterFactory;

       importorg.springframework.cloud.gateway.support.ServerWebExchangeUtils;

       importorg.springframework.cloud.gateway.support.TimeoutException;

       importorg.springframework.core.annotation.AnnotatedElementUtils;

       importorg.springframework.mand;

       if(CollectionUtil.isNotEmpty(apiTimeoutList)){

       //request匹配属于那种模式

ApiHystrixTimeoutapiHystrixTimeout=getApiHystrixTimeout(apiTimeoutList,源码path);

command=newUnicornRouteHystrixCommand(config.getFallbackUri(),exchange,chain,initSetter(apiHystrixTimeout.getApiPattern(),apiHystrixTimeout.getTimeout()));

       }else{

       command=newUnicornRouteHystrixCommand(config.getFallbackUri(),exchange,chain,initSetter(serviceId(exchange),null));

       }

       returncommand;

}

       /

***@paramapiTimeoutList

*@parampath

*@return

*/

privateApiHystrixTimeoutgetApiHystrixTimeout(ListapiTimeoutList,Stringpath){

       for(ApiHystrixTimeoutapiTimeoutPattern:apiTimeoutList){

       if(this.antPathMatcher.match(apiTimeoutPattern.getApiPattern(),path)){

       returnapiTimeoutPattern;

}

       }

       ApiHystrixTimeoutapiHystrixTimeout=newApiHystrixTimeout();

       apiHystrixTimeout.setApiPattern("default");

       apiHystrixTimeout.timeout=null;

       returnapiHystrixTimeout;

}

       @Override

publicGatewayFilterapply(Configconfig){

       return(exchange,chain)-{

       UnicornRouteHystrixCommandcommand=initUnicornRouteHystrixCommand(exchange,chain,config);

returnMono.create(s-{

       Subscriptionsub=command.toObservable().subscribe(s::success,s::error,s::success);

       s.onCancel(sub::unsubscribe);

}).onErrorResume((Function)throwable-{

       if(throwableinstanceofHystrixRuntimeException){

       HystrixRuntimeExceptione=(HystrixRuntimeException)throwable;

HystrixRuntimeException.FailureTypefailureType=e.getFailureType();

switch(failureType){

       caseTIMEOUT:

       returnMono.error(newTimeoutException());

       caseCOMMAND_EXCEPTION:{

       Throwablecause=e.getCause();

if(causeinstanceofResponseStatusException||AnnotatedElementUtils

       .findMergedAnnotation(cause.getClass(),ResponseStatus.class)!=null){

       returnMono.error(cause);

}

       }

       default:

       break;

}

       }

还在用Zipkin分布式服务链路追踪?来试试这个吧!

       微服务架构的兴起，为全球企业带来了转型的源码机遇与挑战。微服务的源码双刃剑效应，在带来诸多优势的源码同时，亦对运维、源码ucocii源码性能监控及错误排查提出了严峻考验。源码面对大型项目中服务节点的源码繁多与请求链路的复杂，分布式系统的源码APM管理系统应运而生，旨在帮助理解系统行为，源码分析性能问题，源码快速定位和解决问题。源码

       APM系统，源码全称Application Performance Monitor，源码是源码如何更改源码时区显示用于监控和管理应用程序性能的工具。谷歌的Dapper论文，作为最早的APM系统原型，为开发者和运维团队提供了强大支持。基于Dapper原理，Pinpoint、SkyWalking等出色APM框架相继问世。SpringCloud官网也集成了一套基于Zipkin的系统：Spring Cloud Sleuth。

       APM系统的基本原理主要围绕Google Dapper设计的几个核心概念：Span（请求的基本工作单元）与Trace（一次完整的调用链路，包含多个Span的树状结构，具有唯一的TraceID）。通过spanId、parentId，请求的每个链路得以串联。每次请求从发起至服务器开始，裂变元素和同化源码至返回response结束，每个span共享相同的唯一标识trace_id。

       在选择APM框架时，主要需考虑以下几方面：探针的性能、收集器的可扩展性、全面的调用链路数据分析能力、对开发的透明性以及对应用拓扑的完整展现。Zipkin、Pinpoint与SkyWalking等框架各有优劣，SkyWalking凭借其在探针性能、开发透明性与数据分析能力上的优势，以及部署的便利性，成为了中小型企业的理想选择。

       SkyWalking是强力买卖指标公式源码一款提供分布式追踪功能的系统，自年起发展成为完整的APM解决方案。它适用于追踪、监控和诊断分布式系统，特别是在使用微服务架构、云原生或容积技术的场景。SkyWalking提供了分布式追踪与上下文传输、应用实例与服务性能指标分析、根源分析、应用拓扑分析、应用和服务依赖分析、慢服务检测、性能优化等主要功能。

       其特色包括多语言探针或类库支持、Java自动探针，逆战人物透视源码无需修改源码即可追踪和监控程序、社区提供的其他多语言探针、.NET Core与Node.js支持、多种后端存储选择、与OpenTracing API协同工作、轻量级、完善功能的后端聚合与分析、现代化Web UI、日志集成以及应用、实例和服务的告警。

       为了使用SkyWalking，需要先确保Linux环境中的Elasticsearch服务已启动，并开放相应端口。安装过程分为三步：下载安装包、安装Skywalking的OAP服务和WebUI、部署微服务探针。在完成安装后，通过访问WebUI（默认端口为）可查看服务实例的性能监控、服务拓扑图、请求链路追踪信息与表格视图。

       本文内容由黑马程序员Java培训学院编写并发布，欢迎转载，但需注明作者及出处，以尊重版权。

微服务实践之全链路追踪（sleuth，zipkin）详解-SpringCloud(.0.x)-4

       本文介绍微服务架构中链路追踪组件Sleuth与Zipkin在SpringCloud入门的使用。

       链路追踪为何重要？在微服务中，服务间频繁调用，若调用链路出现问题，追踪请求路径、服务耗时变得困难。特别是服务数量增加到个时，链路追踪显得至关重要。

       链路追踪基于Dapper论文原理，Dapper论文提供了分布式追踪的核心概念，如Trace（跟踪）、Span（跨度）、Annotations（注解）、Sampling（采样率）等。追踪链路包括一个全局唯一标识的traceId和每个跨度的唯一spanId，记录服务名称、IP、调用时间等信息，采样率用于在高并发下高效采集。

       在SpringCloud中，通过Sleuth和Zipkin实现全链路追踪。Sleuth负责信息采集，Zipkin负责处理与展示。

       部署Zipkin服务需安装并配置Docker和MySQL数据库。Docker-compose文件用于启动服务，执行SQL脚本创建表。

       在POM文件中引入Sleuth和Zipkin依赖。配置Zipkin服务地址及采样率（测试中设置为%）。每个服务配置才能实现全链路追踪。

       引入Sleuth starter自动在调用中添加追踪信息。例如，OpenFeign接口调用会输出日志，显示traceId和spanId，传递至Zipkin。

       登录Zipkin后台查看链路详情。使用浏览器访问http://localhost:，可按条件查询链路，展示调用链、每个跨度耗时，定位性能瓶颈，优化服务。

       Zipkin展示动态链路图，直观显示服务间调用关系。利用traceId查询特定链路，获取详细信息。追踪可视化，有助于快速定位问题。

       本文介绍了SpringCloud中链路追踪的基础使用，实践操作需在实际项目中深入探索与优化。

       相关源代码可在GitHub上查找：master-microservice。