新闻详情

新闻详情

首页 / 资讯中心 / 详情

Go OpenTelemetry 高级实战:Collector + Span Processor + Baggage 全攻略

发布时间:2026/11/21 4:21:37来源:尧图网络
Go OpenTelemetry 高级实战:Collector + Span Processor + Baggage 全攻略
Go OpenTelemetry 高级实战Collector Span Processor Baggage 全攻略上一篇讲了基础本文进阶OTel Collector 部署、Span Processor 二次开发、Baggage 业务传值。一、为何使用 Collector业务 SDK 不直接对接 Jaeger / Tempo而是基于 OTLP 把数据发到 Collector。Collector 做接收 OTLPgRPC/HTTP后端过滤 / 采样 / enrich路由trace / metrics / logsSDK → OTLP → Collector → Jaeger/Tempo/Prometheus二、otel-collector 配置receivers:otlp:protocols:grpc:{endpoint:0.0.0.0:4317}http:{endpoint:0.0.0.0:4318}processors:batch:{}filter:trace:span:-attributes[http.target] /healthzexporters:jaeger:endpoint:jaeger:14250prometheusremotewrite:endpoint:prom:9201service:pipelines:traces:receivers:[otlp]processors:[batch,filter]exporters:[jaeger]三、自定义 SpanProcessorimportsdktracego.opentelemetry.io/otel/sdk/tracetypeFilterProcessorstruct{sdktrace.SpanProcessor}func(p FilterProcessor)OnStart(ctx context.Context,span sdktrace.ReadWriteSpan){ifspan.Name()/healthz{span.SetAttributes(attribute.Bool(drop,true))}}注册bsp:sdktrace.NewBatchSpanProcessor(exp)tp:sdktrace.NewTracerProvider(sdktrace.WithSpanProcessor(FilterProcessor{...}))四、Baggage 实战bag:baggage.New(map[string]string{user_id:42})ctxbaggage.ContextWithBaggage(ctx,bag)span:trace.SpanFromContext(ctx)span.AddEvent(business)下游服务取出b:baggage.FromContext(ctx)for_,m:rangeb.Members(){fmt.Println(m.Key,m.Value)}五、Trace 与 Log 关联slog.With(trace_id,trace.SpanFromContext(ctx).SpanContext().TraceID().String(),).Info(processing)Grafana Loki 自动带 trace ID。六、Trace Metrics 全链路meter:otel.Meter(user-service)requestCounter,_:meter.Int64Counter(user.requests)ctx,span:tracer.Start(ctx,GetUser)deferspan.End()requestCounter.Add(ctx,1,attribute.String(status,ok))七、采样策略sampler:sdktrace.ParentBased(sdktrace.TraceIDRatioBased(0.1))// 完整保留错误请求路径error八、Context 透传importgo.opentelemetry.io/otel/propagationotel.SetTextMapPropagator(propagation.NewCompositeTextMapPropagator(propagation.TraceContext{},propagation.Baggage{},))// serverctxotel.GetTextMapPropagator().Extract(ctx,propagation.HeaderCarrier(r.Header))// clientotel.GetTextMapPropagator().Inject(ctx,propagation.HeaderCarrier(r.Header))九、Receiver / Exporter 拓展packagemainimportgo.opentelemetry.io/collector/extension/zpagesextensionfactory:zpagesextension.NewFactory()十、踩坑清单OTel collector 可能丢 trace配置 batch retry服务报告版本exporter version 必兼容Baggage 不放敏感数据会被任意中间 exporter 看到十一、企业实战全链路统计-- ErrorReporter (sampling) SDK -- OTel ---- TraceExporter - Tempo -- Metric - Prometheus十二、未来Trace AI异常检测 → Root Cause AnalysiseBPF / Pixie 可以不打 SDK 就抓 kernel trace未来统一可观测平台。十三、总结与展望OTel 是一套完整的可观测性工具链。从 SDK 到 Collector从 Span 到 Metric Baggage运筹帷幄。未来云原生化 / AI 化会让它真正成为开发运维一体的中枢。十四、参考文献OpenTelemetry 官方文档otel-collector-contribOTel OperatorK8s
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/20 0:44:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/19 15:17:14

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/20 20:45:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/20 16:11:20

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/20 18:41:01

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/20 0:44:55

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉