# 数据监控入门必读 - 在 NodeJS 中使用 OpenTelemetry 进行数据埋点指南

Source: https://greptime.cn/blogs/2024-09-25-data-monitoring

在使用 OpenTelemetry 监控应用程序时，最基础的一步是进行 "OTel 数据埋点"。所谓的数据埋点，指的是为应用程序设置一些信号（如追踪、日志、指标等），这样你就可以对它的行为进行监控和分析。通过这些信号，你可以观察应用程序的运行状态和性能表现。

## 数据埋点概览

获取被监控的可观测数据的重要前提是正确的数据埋点，本文将介绍 OpenTelemetry 数据埋点的两种方式。想要了解 OpenTelemetry 的各个组成部分以及它们之间如何协同工作，请参考这篇文章《OpenTelemetry 新手入门》。

OpenTelemetry 的数据收集和跟踪功能（即 "检测" 或 "仪表化"）是通过 OpenTelemetry API 来完成的。而 OpenTelemetry NodeJS SDK 实现了这个 API，提供了在 Node.js 应用中使用 OpenTelemetry 功能的方式。

这些组件可以无缝嵌入代码中，并生成所需的信号，以帮助用户全面掌握服务的运行状态。

OpenTelemetry 的设计注重模块化和灵活性，遵循单一职责原则。尽管涉及的术语较多，但主要的核心组件包括以下几个：
1. 通过 `Meter` 或 `Tracer` 生成数据；
2. 使用 `Reader` 或 `Processor` 对数据进行采样、过滤和转换；
3. 通过 `Exporter` 或 `Collector` 将 OTLP 数据打包并传输到用户选择的与 OpenTelemetry 兼容的后端。

这个概述能帮助用户理解如何为应用程序进行埋点（即设置监控和收集数据的信号）。通过了解数据在不同组件之间是如何流动的，就能更好地为自己的应用程序进行仪表化设置，有效地监控和分析应用程序的性能和运行状态。

## OpenTelemetry 可观测数据流向

OpenTelemetry 的设计优势在于允许用户根据 OTel API 的规范，自定义数据处理管道的各个部分。默认的实现方式能够以一致的格式生成指标和跨度（spans），并将这些数据包装成 OpenTelemetry 协议（OTLP）的格式，以便于 OTLP 后端系统进行接收和处理。

下图展示了数据如何在各组件间传输：

<figure>
<img src="/zh/blogs/2024-09-25-data-monitoring/image1.png" alt="图 1:数据在组件中传输流程图" style="width: 40%; margin: 0 auto"/>
<figcaption>图 1:数据在组件中传输流程图</figcaption>
</figure>

这些标准操作流程为可观察性工具提供了标准的指导框架，使得用户能够选择符合该标准的多种工具。更多详细信息，请参阅 [OpenTelemetry 规范](https://opentelemetry.io/docs/specs/)。

在深入了解 OTel API 的作用及数据流向后，接下来我们来看看如何实际为应用程序进行埋点。埋点主要分为两类：**自动植入和手动植入**，下节将讨论它们之间的区别及各自适用的场景。

## 自动植入埋点

自动植入是使用 OpenTelemetry 的最简单方式。该过程通过接入应用程序和服务的常见接口边缘，自动捕获一些最常见的协议操作信号。只需导入一个库并实例化一个单例，或者在某些框架和语言中，仅需安装 SDK 并导出一些环境变量即可。

以下是自动植入可以捕获的常见指标示例：
- **HTTP 请求**：
  - 请求持续时间
  - 响应状态码
  - URL 路径
  - HTTP 方法
  
- **数据库查询**：
  - 查询执行时间
  - SQL 语句（已清理）
  - 数据库类型（如 MySQL、PostgreSQL）
  
- **消息系统**：
  - 消息发布/消费操作
  - 队列名称
  - 消息大小
  
- **框架特定信号**：
  - 针对 Web 框架（如 Express.js、Flask）：路由处理、 中间件执行
  - 针对 ORM（如 Sequelize、SQLAlchemy）：模型操作（创建、读取、更新、删除）
  
- **运行时指标**：
  - CPU 使用率
  - 内存分配
  - 垃圾回收统计
  
为应用进行自动植入非常简单，以下是一个集成了 OpenTelemetry NodeJS SDK 的 Express 应用示例：

```javascript
const express = require('express');
const { UserService } = require('./services/userService')

// ---------------------------------------------------
// ---------------------------------------------------
// ---------------------------------------------------
// Import the OpenTelemetry SDK
const { NodeSDK } = require('@opentelemetry/sdk-node');
const { getNodeAutoInstrumentations } = require('@opentelemetry/auto-instrumentations-node');
const { OTLPTraceExporter } = require('@opentelemetry/exporter-trace-otlp-http');

// Initialize the OpenTelemetry SDK
const sdk = new NodeSDK({
  traceExporter: new OTLPTraceExporter(),
  instrumentations: [getNodeAutoInstrumentations()] 
 // sets up basic defaults for express http collection and app resource consumption
});

// Start the SDK
sdk.start();

// That's all the configuration needed to start collecting metrics
// ---------------------------------------------------
// ---------------------------------------------------
// ---------------------------------------------------

// Create and set up your Express app as usual
const app = express();

// Your routes and middleware here
app.get('/', (req, res) => {
  res.send('Hello, OpenTelemetry!');
});

app.listen(...);
```

通过自动植入埋点收集信号，用户可以在代码改动极少的条件下获取大量可观察性数据，帮助快速启动 OpenTelemetry。虽然自动埋点已经可以提供非常高的价值，但在某些情况下，应用程序所有者可能需要监听应用程序中发生的更多自定义信号。开发者可以通过**手动植入**实现对采集信号的精细控制。

## 手动植入埋点

手动植入的核心配置在于 `provider`，它作为用于创建输出信号对象的生成器。在这些生成器中，用户可以配置如下对象：

- `resource`：标识生成遥测数据的实体。通常包括服务名称、主机信息、容器或 Pod 标识符、云提供商详细信息或描述遥测来源的其他元数据，`resource` 提供了数据来源的上下文信息。
- `meter / tracer`:（如 `ObservableGauge`）：实际捕获指标和 Trace 的工具。这些对象将用于生成遥测数据。
- `reader`:（如 `PeriodicExportingMetricReader`）：可以用于每 `n` 秒导出一次指标。
- `sampler`: （如 `TraceIdRatioBasedSampler`）：可用于捕获 `r`% 的请求。
- `exporter`:（如 `OTLPTraceExporter`）：用于将数据发送到 OTLP 兼容后端，如 GreptimeCloud。

以下示例展示了如何通过手动植入从 Tesla API 收集电池电量数据，并将指标发送到 GreptimeCloud 托管的 OTLP 后端：

```javascript
const { MeterProvider } = require('@opentelemetry/sdk-metrics');
const { Resource } = require('@opentelemetry/resources');
const { SemanticResourceAttributes } = require('@opentelemetry/semantic-conventions');
const { NodeTracerProvider } = require('@opentelemetry/sdk-trace-node');
const { SimpleSpanProcessor, BatchSpanProcessor, ConsoleSpanExporter } = require('@opentelemetry/sdk-trace-base');
const { trace, metrics, context } = require('@opentelemetry/api');
const { OTLPMetricExporter } = require('@opentelemetry/exporter-metrics-otlp-http');
const { PeriodicExportingMetricReader } = require('@opentelemetry/sdk-metrics');
const teslajs = require('teslajs');
const options = {
  authToken: 'your-access-token',
  vehicleID: 'your-vehicle-id'
};
// Configure the resource naming the given service
const resource = new Resource({
  [SemanticResourceAttributes.SERVICE_NAME]: 'tesla-monitoring-app',
});

// Configure the exporter to be sent to Greptime cloud
const otlpExporter = new OTLPMetricExporter({
  url: 'https://6qr5e68t5wpn.us-west-2.aws.greptime.cloud/v1/otlp/v1/metrics',
  headers: {
    'Authorization': 'Basic WxN5prHHwx1ATXMvduBlgy4K:xxxxxxx',
    'X-Greptime-DB-Name': 'my-greptime-cloud-instance@tesla-monitoring',
  },
});

// Set this MeterProvider to be global to the app being instrumented.
const meterProvider = new MeterProvider({ resource });
opentelemetry.metrics.setGlobalMeterProvider(meterProvider);
const metricReader = new PeriodicExportingMetricReader({
  exporter: otlpExporter,
  exportIntervalMillis:   exportIntervalMillis: 5 * 60 * 1000
});

meterProvider.addMetricReader(metricReader);

// Create and register the tracer
const tracerProvider = new NodeTracerProvider();

// Configure span processor to send spans to simply log the results
tracerProvider.addSpanProcessor(new BatchSpanProcessor(new ConsoleSpanExporter()));
tracerProvider.register();

const tracer = trace.getTracer('example-basic-tracer-node');

const teslaMeter = metrics.getMeter(
  "tesla-instrumentation",
  '1.0',
);

const batteryGauge = teslaMeter.createObservableGauge("tesla.battery");

async function pollTeslaData() {
  const span = tracer.startSpan('pollTeslaData');
  const ctx = trace.setSpan(context.active(), span);

  try {
    await context.with(ctx, async () => {
      const vehicleData = await teslajs.vehicleData()
vehicleData.charge_state.battery_level
      batteryGauge.addCallback((result) => {
        result.observe(batteryLevel);
      });
    });
  } catch (error) {
    span.recordException(error);
  } finally {
    span.end();
  }
}

// Poll Tesla data every 5 minutes
setInterval(pollTeslaData, 5 * 60 * 1000);
```

该示例展示了 OpenTelemetry 在捕获可观察性数据方面的广泛支持，并展示了如何快速启动。

## 分析埋点所捕获的数据

通过 GreptimeDB 的 Grafana 插件，你可以在 Grafana 中直接可视化从 OpenTelemetry 捕获的所有数据。几分钟内即可完成帐户设置，利用 OpenTelemetry 为你的服务提供新的见解。

<figure>
<img src="/zh/blogs/2024-09-25-data-monitoring/image2.png" alt="图 2：Grafana Dashboard 监控数据展示" style="width: 40%; margin: 0 auto"/>
<figcaption>图 2：Grafana Dashboard 监控数据展示</figcaption>
</figure>

在后续文章中，我们将介绍如何将这些 OpenTelemetry 数据连接到 Grafana 进行可视化。如果你正在寻找性能卓越、可靠且开源的 OpenTelemetry 后端，欢迎了解 GreptimeDB。

## 关于 Greptime

[Greptime 格睿科技](https://greptime.cn/)专注于为可观测、物联网及车联网等领域提供实时、高效的数据存储和分析服务，帮助客户挖掘数据的深层价值。目前基于云原生的时序数据库 [GreptimeDB](https://github.com/GreptimeTeam/greptimedb) 已经衍生出多款适合不同用户的解决方案，更多信息或 demo 展示请联系下方小助手（微信号：greptime）。

欢迎对开源感兴趣的朋友们参与贡献和讨论，从带有 good first issue 标签的 issue 开始你的开源之旅吧～期待在开源社群里遇见你！添加小助手微信即可加入“技术交流群”与志同道合的朋友们面对面交流哦~

Star us on GitHub Now: https://github.com/GreptimeTeam/greptimedb

官网：https://greptime.cn/

文档：https://docs.greptime.cn/

Twitter: https://twitter.com/Greptime

Slack: https://greptime.com/slack

LinkedIn: https://www.linkedin.com/company/greptime/
