Spring Cloud 專題之Sleuth 服務跟蹤實現(xiàn)方法
在一個微服務架構中，系統(tǒng)的規(guī)模往往會比較大，各微服務之間的調用關系也錯綜復雜。通常一個有客戶端發(fā)起的請求在后端系統(tǒng)中會經(jīng)過多個不同的微服務調用阿里協(xié)同產(chǎn)生最后的請求結果。在復雜的微服務架構中，幾乎每一個前端請求都會形成一條復雜的分布式的服務調用鏈路，在每條鏈路中任何一個依賴服務出現(xiàn)延遲過高或錯誤的時候都有可能引起請求最后的失敗。
這個時候，對于每個請求，全鏈路調用的跟蹤就邊得越來越重要，通過實現(xiàn)對請求調用的跟蹤可以幫助我們快速發(fā)現(xiàn)問題根源以及監(jiān)控分析每條請求鏈路上的性能瓶頸等。而Spring Cloud Sleuth就是一個提供了一套完整的解決方案的組件。
在開始今天的這個例子之前，可以看一下我之前的幾篇博客，特別是hystrix之前的博客。本篇博客就是在這基礎上所增加的新功能。在之前的實踐中，通過9004的customer-server項目調用9003的hello-server項目的接口。
準備工作在之前的服務調用的方法上加上日志操作。
customer-server的CustomerController類：
@RequestMapping('/sayHello1')@ResponseBodypublic String invokeSayHello1(String name){ logger.info('調用了customer-server的sayHello1方法，參數(shù)為：{}',name); return serivce.invokeSayHello1(name);}
hello-server的Hello1Controller類：
@RequestMapping('/sayHello1')public String sayHello1(@RequestParam('name') String name){ logger.info('你好,服務名：{},端口為：{},接收到的參數(shù)為：{}',instanceName,host,name); try {int sleepTime = new Random().nextInt(3000); logger.error('讓線程阻塞 {} 毫秒',sleepTime);Thread.sleep(sleepTime); } catch (InterruptedException e) {e.printStackTrace(); } return '你好,服務名：'+instanceName+'，端口為：'+host+',接收到的參數(shù)為：'+name;}
在頁面上訪問localhost:9004/sayHello1?name=charon
# customer-server中的打印日志2021-08-09 23:22:33.905 INFO 19776 --- [nio-9004-exec-8] c.c.e.controller.CustomerController : 調用了customer-server的sayHello1方法，參數(shù)為：charon# hello-server中的打印日志2021-08-09 23:22:33.917 INFO 2884 --- [nio-9003-exec-9] c.c.e.controller.Hello1Controller: 你好,服務名：hello-server,端口為：9003,接收到的參數(shù)為：charon實現(xiàn)跟蹤
在修改完上面的代碼后，為customer-server項目和hello-server項目添加服務跟蹤的功能，引入依賴
<!--引入sleuth鏈路追蹤的jar包--><dependency> <groupId>org.springframework.cloud</groupId> <artifactId>spring-cloud-starter-sleuth</artifactId></dependency>
頁面調用查看日志：
# customer-server中的打印日志2021-08-09 23:30:44.782 INFO [customer-server,0e307552774ef605,0e307552774ef605,true] 14616 --- [nio-9004-exec-2] c.c.e.controller.CustomerController : 調用了customer-server的sayHello1方法，參數(shù)為：charon# hello-server中的打印日志2021-08-09 23:30:44.807 INFO [hello-server,0e307552774ef605,4cf4d9dd57ca7478,true] 6660 --- [nio-9003-exec-2] c.c.e.controller.Hello1Controller: 你好,服務名：hello-server,端口為：9003,接收到的參數(shù)為：charon
從上面的控制臺的輸出內容可以看到形如[customer-server,0e307552774ef605,0e307552774ef605,true] 的日志信息，而浙西而元素正是實現(xiàn)分布式服務跟蹤的重要組成部分，每個值的含義如下：
customer-server：應用的名稱，也就是application.properties中的soring。application.name的值 0e307552774ef605：Spring Cloud Sleuth生成的一個ID，成微Trace ID,它用來標識一條請求鏈路，一條請求鏈路中包含一個Trace ID,多個Span ID。 0e307552774ef605：Spring Cloud Sleuth生成的另一個ID，成為Span ID,它表識一個基本的工作單元，比如發(fā)慫一個HTTP請求 true：表示是否要將改信息輸出到Zipkin等服務中來收集和展示在一個服務請求鏈路的調用過程中，會包吃并傳遞同一個Trace ID,從而將整個分布于不容微服務進程中的請求跟蹤信息串聯(lián)起來。以上面輸出內容為例，customer-server和hello-server同屬于一個前端服務請求來源，所以他們的Trace ID是相同的，處于同一個請求鏈路中。通過Trace ID，我們就能將所有請求過程的日志關聯(lián)起來。
在Spring Boot應用中，通過引入spring-cloud-starter-sleuth依賴之后，他會自動為當前應用構建起通道跟蹤機制，比如：
通過RabbitMQ，Kafka等中間件傳遞的請求 通過Zuul代理傳遞的請求 通過RestTemplate發(fā)起的請求。抽樣收集通過TraceID和SpanID已經(jīng)實現(xiàn)了對分布式系統(tǒng)中的請求跟蹤，而記錄的跟蹤信息最終會被分析系統(tǒng)收集起來，并用來實現(xiàn)對分布式系統(tǒng)的監(jiān)控和分析功能。
理論上講，收集的跟蹤信息越多就可以越好的反應系統(tǒng)的真實運行情況，并給出更精準的預警和分析，但是在高并發(fā)的分布式系統(tǒng)運行時，大兩的請求調用會產(chǎn)生海量的跟蹤日志信息，如果收集過多對整個系統(tǒng)的性能也會造成一定的影響，同時保存大兩的日志信息也需要很大的存儲開銷。所以在Sleuth中菜用了抽樣收集的方式來為跟蹤信息打商收集標記。也就是我們之前在日志信息中看到的第4個布爾類型的值，它代表了改信息是否要改后續(xù)的跟蹤信息收集器獲取或存儲。
默認情況下，Sleuth會使用 zipkin brave的ProbabilityBasedSampler的抽樣策略（現(xiàn)在已經(jīng)不推薦使用），即以請求百分比的方式配置和收集跟蹤信息，我們可以在配置文件中配置參數(shù)對其百分比值進行設置（它的默認值為 0.1，代表收集 10% 的請求跟蹤信息）。
spring.sleuth.sampler.probability=0.5
而如果在配置文件中配置了 spring.sleuth.sampler.rate 的屬性值，那么便會使用zipkin Brave自帶的RateLimitingSampler的抽樣策略。不同于ProbabilityBasedSampler菜用概況收集的策略，RateLimitingSampler是菜用的限速收集，也就是說它可以用來限制每秒跟蹤請求的最大數(shù)量。
如果同時設置了 spring.sleuth.sampler.rate 和 spring.sleuth.sampler.probability 屬性值，也仍然使用 RateLimitingSampler 抽樣策略（即 spring.sleuth.sampler.probability 屬性值無效） RateLimitingSampler 策略每秒間隔接受的 trace 量設置范圍：最小數(shù)字為 0，最大值為 2,147,483,647（最大 int）整合ZipkinZipkin是twitter的一個開源項目，它基于Google Dapper實現(xiàn)，我們可以用它來實現(xiàn)收集各個服務器上的請求鏈路的跟蹤。并通過它提供的REST API接口來輔助查詢跟蹤數(shù)據(jù)以實現(xiàn)對分布式系統(tǒng)的監(jiān)控程序，從而及時發(fā)現(xiàn)系統(tǒng)中出現(xiàn)的延遲升高問題并找出系統(tǒng)性能瓶頸的根源。同時，Zipkin還提供了方便的UI組件來幫助我們直觀地所搜跟蹤信息和分析請求地鏈路明細，比如可以查詢某段時間內各用戶請求地處理時間等。
Spring Boot 2.x 以后官網(wǎng)不推薦使用源碼方式編譯，推薦使用官網(wǎng)編譯好的jar執(zhí)行。所以我們不熟Zipkin也使用jar包的方式。
1.下載Zipkin我這里是到maven倉庫中下載的。
https://search.maven.org/remote_content?g=io.zipkin.java&a=zipkin-server&v=LATEST&c=exec
下載完成后，使用java -jar命令啟動zipkin。
為customer-server和hello-server的項目引入zipkin的包:
<dependency> <groupId>org.springframework.cloud</groupId> <artifactId>spring-cloud-sleuth-zipkin</artifactId></dependency>
配置文件添加zipkin的地址:
spring.zipkin.base-url=http://localhost:94113.測試與分析
完成所有接入Zipkin的工作后，依次講服務起來，瀏覽器發(fā)送請求做測試。
點擊查找按鈕，下方出現(xiàn)服務調用的信息。注意，只有在sleuth的最后一個參數(shù)為true的時候，才會講改跟蹤信息輸出給Zipkin Server。
單擊其中的某一個，還可以得到Sleuth跟蹤到的詳細信息。其中就包括時間請求時間消耗等。
單擊導航欄中的依賴按鈕，還可以查看到Zipkin根據(jù)跟蹤信息分析生成的系統(tǒng)關系請求鏈路依賴關系圖。
在SpringBoot2.0之前的版本，Zipkin-Server端由我們自己創(chuàng)建項目來搭建。可以比較靈活的選擇數(shù)據(jù)持久化的配置，SpringBoot2.0之后的版本，Zipkin-Server端由官方提供，無需我們自己搭建，那么如何選擇去配置將數(shù)據(jù)持久化到MySQL呢？
1.創(chuàng)建zipkin數(shù)據(jù)庫在下載好的zipkin-serve的jar包中，找到zipkin-server-shared.yml的文件，
在里面可以找到關于mysql的持久化配置，可以看到數(shù)據(jù)庫名稱默認為zipkin，
初始化mysql的腳本：https://github.com/openzipkin/zipkin/blob/master/zipkin-storage/mysql-v1/src/main/resources/mysql.sql
創(chuàng)建的數(shù)據(jù)庫如下：
在啟動zipkin的時候，以命令行的方式啟動，輸入mysql的參數(shù)
java -jar zipkin-server-2.12.9-exec.jar --STORAGE_TYPE=mysql --MYSQL_HOST=127.0.0.1 --MYSQL_TCP_PORT=3306 --MYSQL_DB=zipkin --MYSQL_USER=root --MYSQL_PASS=root3.測試與分析
瀏覽器訪問，因為我這次調用服務超時了，觸發(fā)了hystrix的斷路器功能，所以這次有8個span。
關閉zipkin-server，然后重啟，發(fā)現(xiàn)依然能夠查詢到上一次請求的服務鏈路跟蹤數(shù)據(jù)。查看數(shù)據(jù)庫表，發(fā)現(xiàn)數(shù)據(jù)都存儲到表里了。
參考文章:
翟永超老師的《Spring Cloud微服務實戰(zhàn)》
https://www.hangge.com/blog/cache/detail_2803.html
https://blog.csdn.net/Thinkingcao/article/details/104957540
到此這篇關于Spring Cloud 專題之Sleuth 服務跟蹤的文章就介紹到這了,更多相關Spring Cloud Sleuth 服務跟蹤內容請搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持好吧啦網(wǎng)！
相關文章：
網(wǎng)公網(wǎng)安備