智能标签采集器(谷歌开发了开源Dapper链路追踪组件，一套大型软件系统可能)

　　智能标签采集器(谷歌开发了开源Dapper链路追踪组件，一套大型软件系统可能)

　　在现有的微服务架构下，一个大型的软件系统可能覆盖数十个服务单元，服务之间的调用错综复杂。可能是一个客户请求需要调用N个服务，形成一个业务闭环。遇到 bug 时，开发者不得不对每个服务日志一一查看。整个过程耗时耗力、效率低下，甚至可能导致系统长时间不可用，直接造成大量业务损失。

　　针对这一现象，Google 开发了开源的 Dapper 链接跟踪组件，并于 2010 年发表了论文《Dapper, a Large-Scale Distributed Systems Tracing Infrastructure》。

　　这个文章自问世以来一直是业界链路跟踪的标杆和理论基础，具有很大的参考价值。著名的链接跟踪组件——Uber 的 Jeager、Twitter 的 Zipkin、阿里的 Eagleeye、Skywalking 和 ddtrace 等都是基于本文开发的。

　　简单来说，链接跟踪就是跟踪一个请求从发布到被响应的全过程，了解每个请求的详细过程，比如哪些服务参与，参与的顺序是什么，每个服务参与的次数已调用数据库。这样，当出现异常问题时，开发者可以快速定位问题根源，快速解决问题。

　　链接跟踪优势：

　　链路跟踪技术受到市场的热烈欢迎，相关监控产品层出不穷。但是由于技术细节的实现，各有各的特点（比如不同的数据编码格式（json/protobuf/thrift等）和不同的数据传输方式（http/udp/rpc等）），不同同语言的SDK等API），各个产品和各个客户端的互通性很差。为了解决这个问题，出现了 OpenTracing。OpenTracing 开发了一套独立于平台和独立于供应商的链接跟踪 API 规范。只要每个实施链路跟踪技术的制造商都遵守规范，当需要从一种技术实现切换到另一种技术实现时，不会有特别多的额外工作。

　　OpenTracing GitHub 网址：

　　OpenTracing 的出现减少了开发和编码的工作量。但是，随着云计算技术的不断发展，企业系统和产品结构的不断调整，企业仍然无法摆脱在数据格式转换、存储方式、前端UI界面风格等方面的差异。漏洞难以定位，数据难以监控。

　　那么有没有一款可以兼容市面上主流的链路追踪技术，并且可以多维度分析展示数据的产品呢？

　　3步有趣的链接跟踪，轻松定位错误！

　　来自中国的DataFlux——一站式数据监控云平台，不仅兼容Jeager、Zipkin、Skywalking、ddtrace等主流技术，还帮助用户专注于业务发展，更直观、专业、高效地展示数据监控分析结果。

　　在 DataFlux 上，我们可以通过以下三个步骤执行分布式链路跟踪：

　　DataKit 打开链接数据采集

　　在 DataFlux 中有一个专门用于处理各种数据的工具采集 - DataKit。对于链接数据，它提供了四种类型的采集器对应不同的技术实现：traceJaeger、traceZipkin、traceSkywalking和ddtrace。这里我们以ddtrace为例，它不需要代码埋藏，我们将介绍它在Linux平台上的基本使用。

　　《3分钟快速安装DataKit采集器》

　　安装 DataKit 后，在 /usr/local/cloudcare/dataflux/datakit/conf.d/ddtrace/ 目录下复制一份 ddtrace link data采集 配置。

　　$ sudo cp ddtrace.conf.sample ddtrace.conf

　　编辑 ddtrace.conf：

　　#[inputs.ddtrace]

# path = "/v0.4/traces" # ddtrace 链路数据接收路径，默认与ddtrace官方定义的路径相同

# [inputs.ddtrace.tags] # 自定义标签组

# tag1 = "tag1" # 自定义标签1

# tag2 = "tag2" # 自定义标签2

# tag3 = "tag3" # 自定义标签3

# env = "your_env_name" # 设置环境名

# version = "your_version" # 设置版本信息

　　至此，链接数据采集配置完毕，重启DataKit即可。

　　#toc27

　　打开需要监控的应用

　　通过ddtarce采集数据需要根据当前项目开发语言参考对应的帮助文档Datadog Tracing。

　　下面以 Python 应用程序为例：

　　第一步，安装相关依赖

　　pip install ddtrace

　　第二步，在应用初始化时设置上报地址

　　import os

from ddtrace import tracer

#通过环境变量设置服务名

os.environ["DD_SERVICE"] = "your_service_name"

#通过环境变量设置项目名，环境名，版本号

os.environ["DD_TAGS"] = "project:your_project_name,env=test,version=v1"

#设置链路数据datakit接收地址，

tracer.configure(

# datakit IP 地址

hostname="127.0.0.1",

# datakit http 服务端口号

port="9529",

)

　　第三步，打开应用

　　ddtrace-run python your_app.py

　　如果通过gunicorn运行，需要在应用初始化的时候进行如下配置，否则会生成相同的traceID

　　patch(gevent=True)

　　与其他语言应用类似，配置成功后约1-2分钟可在DataFlux Studio的“链接跟踪”中查看相关链接数据。

　　除了在应用初始化时设置项目名、环境名和版本号，还可以通过以下两种方式设置：

　　export DD_TAGS="project:your_project_name,env=test,version=v1"

　　[inputs.ddtrace]

path = "/v0.4/traces" # ddtrace 链路数据接收路径，默认与ddtrace官方定义的路径相同

[inputs.ddtrace.tags] # 自定义标签组

project = "your_project_name" # 设置项目名

env = "your_env_name" # 设置环境名

version = "your_version" # 设置版本信息

　　查看链接数据采集

　　接下来，我们可以在DataFlux平台上看到对应的链接数据：

　　与每个服务相关的统计信息：

　　通话详情：

　　服务之间的调用关系：

　　随着科技的普及和发展，链接跟踪技术将直接对企业或个人系统异常、业务Bug等问题的解决产生重大影响，也将成为越来越多企业或个人开发者的开发共识.