在之前写过两篇比较系统的关于 OpenTelemetry 的文章：
从基本概念到如何部署 demo 实战了解 OpenTelemetry，从那个 demo 中也可以得知整个 OpenTelemetry 体系的复杂性，包含了太多的组件和概念。
为了能更清晰的了解每个关键组件的作用以及原理，我打算分为几期来讲解 OpenTelemetry 的三个核心组件：
Trace Metrics Logs
首先以 Trace 讲起。
Trace
开始之前还是先复习一下 Trace 的历史背景。
如今现代的分布式追踪的起源源自于 Google 在 2010 年发布的一篇论文：
Dapper, a Large-Scale Distributed Systems Tracing Infrastructure
在这篇论文中提出了分布式追踪的几个核心概念：
Trace Span Span 的一些基础数据结构 可视化追踪以及展示
之后 Twitter 受到了 Dapper 的启发开源了现在我们熟知的 Zipkin，包含了存储和可视化 UI 展示我们的追踪链路。
Uber 也在 2015 年开源了 Jaeger 项目，它的功能和 Zipkin 类似，但目前我们用的较多的还是 Jaeger；现在已经成为 CNCF 的托管项目。
之后陆续出现过 OpenTracing 和 OpenCensus 项目，他们都企图统一分布式追踪这一领域。
直到 OpenTelemetry 的出现整合了以上两个项目，并且逐渐成为可观测领域的标准。
更多历史背景可以参考之前的文章：OpenTelemetry 实践指南：历史、架构与基本概念
这里我们结合 Dapper 论文中的资料进行分析，在这个调用中用户发起了一次请求，内部系统经历了 4 次 RPC 调用。
从第二张图会看到一些关键信息：
spanName parentId spanId
parentId 很好理解，主要是定义调用的主次关系；要注意的是并行调用时 parentId 是同一个。
spanId 在可以理解为每一个独立的操作，在这里就是一次 RPC 调用；同理一次数据库操作、消息的收发都是一个 span。
span 的更多内容在后文继续讲解。
Span
当我们把某一个具体的 span 放大会看到更加详细的信息，其中最关键的如下：
traceId spanName spanId parentId 开始时间 结束时间
由于一个完整的 trace 链路由 N 个 span 组成，所以这个链路必须得有一个唯一的 traceId 将这些 span 串联起来。这样才可以在可视化的时候更好的展示链路信息。
以上的这些字段很容易理解，都是一些必须的信息。
在 Dapper 论文中使用 Annotations 来存放 span 的属性，也就是刚才那些字段，当然也可以自定义存放一些数据，比如图中的 "foo"。
OpenTelemetry 中的 Span
OpenTelemetry 的 trace 自然也是基于 Dapper 的，只是额外做了一些优化，比如在刚才那些字段的基础上新增了一些概念：
{
"name": "/v1/sys/health",
"context": {
"trace_id": "7bba9f33312b3dbb8b2c2c62bb7abe2d",
"span_id": "086e83747d0e381e"
},
"parent_id": "",
"start_time": "2021-10-22 16:04:01.209458162 +0000 UTC",
"end_time": "2021-10-22 16:04:01.209514132 +0000 UTC",
"status_code": "STATUS_CODE_OK",
"status_message": "",
"attributes": {
"net.transport": "IP.TCP",
"net.peer.ip": "172.17.0.1",
"net.peer.port": "51820",
"net.host.ip": "10.177.2.152",
"net.host.port": "26040",
"http.method": "GET",
"http.target": "/v1/sys/health",
"http.server_name": "mortar-gateway",
"http.route": "/v1/sys/health",
"http.user_agent": "Consul Health Check",
"http.scheme": "http",
"http.host": "10.177.2.152:26040",
"http.flavor": "1.1"
},
"events": [
{
"name": "",
"message": "OK",
"timestamp": "2021-10-22 16:04:01.209512872 +0000 UTC"
}
]
}
以这个 JSON 为例，新增了：
[ ] Span ContextSpan的上下文，存放的都是不可变的数据，因为每个 Span 之间是存在关联关系的，这些关联关系都是存放在 context 中，主要就是 trace_id, span_id.Attributes: 可以理解为 Dapper 中的 Annotations，存放的是我们自定义的键值对，通常是由我们常用第三方开源 Instrumentation 内置的一些属性。Span Events: Span 的一些关键事件。
比如我们常用的 Redis 客户端 lettuce，它就会自己记录一些 Attributes。
如果有多个 span 存在依赖关系：
[Span A] ←←←(the root span)
|
+------+------+
| |
[Span B] [Span C] ←←←(Span C is a `child` of Span A)
| |
[Span D] +---+-------+
| |
[Span E] [Span F]
大部分的可视化工具都是以时间线的方式进行展示：
––|–––––––|–––––––|–––––––|–––––––|–––––––|–––––––|–––––––|–> time
[Span A···················································]
[Span B··········································]
[Span D······································]
[Span C····················································]
[Span E·······] [Span F··]
这些和 Dapper 中描述的概念没有本质区别。
Span Status
Span 还内置了一些 Status：
UnsetErrorOk
默认情况下是 Unset，出现错误时则是 Error，一切正常时则是 Ok。
通过可视化页面很容易得知某个 trace 中 span 的异常情况，点进去后可以看到具体的异常 span 以及它的错误日志。
Span Kind
最后是 Span 的类型：
Client Server Internal Producer Consumer
Client 和 Server 非常好理解，比如我们有一个 gRPC 接口，调用方的 Span 是 client，而服务端的 Span 自然就是 Server。
Internal 则是内部组件调用产生的 Span，这类 Span 相对会少一些。
Producer 和 Consumer 一般指的是发起异步调用时的 Span，我们常见的就是往消息队列里生产和消费消息。
通过这几种类型的 Span 也可以了解到什么情况下会创建 Span，通常是以下几种场景：
RPC 调用 数据库（Redis、MySQL、Mongo 等等）操作 生产和消费消息 有意义的内部调用
通常在一个函数内部再调用其他的本地函数是不用创建 span 的，不然这个链路会非常的长。
Annotations
当然也有一些特殊情况，比如我的某个内部函数非常重要，需要单独关心它的调用时长。
此时我们就可以使用 Annotations 来单独创建自己的 Span。
这个 Annotations 和 Dapper 中的不是同一个，只是 Java 中的注解。
@Override
public void sayHello(HelloRequest request, StreamObserver<HelloReply> responseObserver) {
Executors.newFixedThreadPool(1).execute(() -> {
myMethod(request.getName());
});
HelloReply reply = HelloReply.newBuilder()
.setMessage("Hello ==> " + request.getName())
.build();
responseObserver.onNext(reply);
responseObserver.onCompleted();
}
@SneakyThrows
@WithSpan
public void myMethod(@SpanAttribute("request.name") String name) {
TimeUnit.SECONDS.sleep(1);
log.info("myMethod:{}", name);
}
以这段代码为例，这是一个 gRPC 的服务端接口，在这个接口中调用了一个函数 myMethod，默认情况下并不会为它单独创建一个 Span。
但如果我们想单独记录它，就可以使用 @WithSpan 这个注解，同时也可以使用 @SpanAttribute 来自定义 attribute。
最终的效果如下：此时就会单独为这个函数创建一个 Span。
需要单独引入一个依赖:
<dependencies>
<dependency>
<groupId>io.opentelemetry.instrumentation</groupId>
<artifactId>opentelemetry-instrumentation-annotations</artifactId>
<version>2.3.0</version>
</dependency>
</dependencies>
Context Propagation
上下文传播也是 Trace 中非常重要的概念，刚才提到了每个 Span 都有自己不可变的上下文，那么后续的 Span 如何和上游的 Span 进行关联呢？
这里有两种情况：
同一进程 垮进程
同一进程
同一个进程也分为两种情况：
单线程 多线程
单线程的比较好处理，我们只需要把数据写入 ThreadLocal 中就可以做到线程隔离。
private static final ThreadLocal<Context> THREAD_LOCAL_STORAGE = new ThreadLocal<>();
@Override
@Nullable
public Context current() {
return THREAD_LOCAL_STORAGE.get();
}
这点我们可以通过源码 io.opentelemetry.context.ThreadLocalContextStorage看到具体的实现过程。
而如果是多线程时：
Executors.newFixedThreadPool(1).execute(() -> {
myMethod(request.getName());
});
则需要对使用的线程池进行单独处理，将父线程中 threadlocal 中的数据拷贝出来进行传递，比如有阿里提供的 TransmittableThreadLocal，可以提供对线程池的支持。
跨进程
而如果是垮进程的场景，就需要将 context 的信息进行序列化传递。
如果是 gRPC 调用会将信息存放到 metadata 中。
HTTP 调用则是存放在 header 中。
消息队列，比如 Pulsar 也可以将数据存放在消息中的 header 中进行传递。
数据一旦跨进程传输成功后，就和单进程一样的处理方式了。
Baggage
有时候我们需要通过垮 Span 传递信息，比如如上图所示：我们需要在 serverB 中拿到 serverA 中收到的一个请求参数：http://127.0.0.1:8181/request\?name\=1232
这个数据默认会作为 span 的 attribute ，但只会存在于第一个 span。
如果我们想要在后续的 span 中也能拿到这个数据，甚至是垮进程也能获取到。
那就需要使用 Baggage 这个对象了。
它的使用也很简单：
@RequestMapping("/request")
public String request(@RequestParam String name) {
// 写入
Baggage.current().toBuilder().
put("request.name", name).build()
.storeInContext(Context.current()).makeCurrent();
}
// 获取
String value = Baggage.current().getEntryValue("request.name");
log.info("request.name: {}", value);
只要是属于同一个 trace 的调用就可以直接获取到数据。
traceId 也是垮 Span 传递的。
而它的原理也是通过往 context 中写入数据实现的：
@Immutable
class BaggageContextKey {
static final ContextKey<Baggage> KEY = ContextKey.named("opentelemetry-baggage-key");
private BaggageContextKey() {}
}
而这个 context 是通过一个 entries 数据存储数据的，不管是在内部还是外部的跨进程调用，OpenTelemetry 都会将 context 通过
Context Propagation 传递出去。
总结
Trace 这部分的内容我觉得比 Metrics 和 Logs 更加复杂一些，毕竟多了一些数据结构；现在的内容也只是冰山一角，现在也在做 trace 的一些定制化开发，后续有新的进展会接着更新。
参考链接：
https://static.googleusercontent.com/media/research.google.com/zh-CN//archive/papers/dapper-2010-1.pdf https://opentelemetry.io/docs/languages/java/automatic/annotations/ https://opentelemetry.io/docs/specs/otel/overview/#tracing-signal https://opentelemetry.io/docs/concepts/context-propagation/ https://opentelemetry.io/docs/concepts/observability-primer/#distributed-traces https://tech.meituan.com/2023/04/20/traceid-google-dapper-mtrace.html
往期推荐
点分享
点收藏
点点赞
点在看
