JAVA 应用监控不完善？接入 Micrometer + Prometheus 实现指标观测体系

各位朋友，大家好！今天我们来聊聊 Java 应用监控的话题。相信不少开发者都遇到过这样的困境：应用上线后，运行状态就像一个黑盒子，出了问题难以定位，只能靠猜测和重启大法。即使有一些监控数据，也往往是零散的、缺乏统一标准的，难以形成完整的监控体系。

那么，如何打破这个困境，构建完善的 Java 应用监控体系呢？今天，我们将一起探讨如何使用 Micrometer + Prometheus 这两个强大的工具，实现对 Java 应用的指标观测。

一、监控的痛点与价值

在深入技术细节之前，我们先来明确几个关键问题：

为什么需要监控？
- 故障排查： 快速定位问题根源，缩短故障恢复时间。
- 性能优化： 发现性能瓶颈，提升应用响应速度和吞吐量。
- 容量规划： 基于历史数据预测未来资源需求，避免资源浪费或不足。
- 业务分析： 了解用户行为模式，为业务决策提供数据支持。
常见的监控痛点：
- 数据采集困难： 缺乏统一的指标采集标准和工具，需要手动埋点，工作量大且容易出错。
- 数据存储和分析： 存储和分析海量监控数据需要专门的解决方案，成本较高。
- 监控告警： 告警规则配置复杂，容易产生误报或漏报。
- 可观测性差： 难以将监控数据与日志、链路追踪等信息关联起来，形成完整的可观测性体系。

二、Micrometer：Java 应用的指标门面

Micrometer 是一个 Java 应用的指标门面（Metrics Facade）。它提供了一组通用的 API，用于收集各种指标数据，并将其导出到不同的监控系统中。

1. Micrometer 的核心概念：

MeterRegistry： 指标注册表，用于注册和管理所有的 Meter。
Meter： 指标的抽象，包括 Counter、Gauge、Timer、DistributionSummary、LongTaskTimer 等。
Tag： 指标的标签，用于对指标进行分类和过滤。

2. Micrometer 的优势：

统一的 API： 提供了一组通用的 API，方便开发者收集各种指标数据。
多监控系统支持： 支持将指标数据导出到多种监控系统，例如 Prometheus、InfluxDB、Datadog 等。
低侵入性： 通过注解或 API 的方式收集指标数据，对现有代码的侵入性较低。
Spring Boot 集成： 与 Spring Boot 框架无缝集成，配置简单方便。

3. 如何使用 Micrometer：

首先，在 pom.xml 文件中添加 Micrometer 的依赖：

<dependency>
    <groupId>io.micrometer</groupId>
    <artifactId>micrometer-core</artifactId>
</dependency>
<dependency>
    <groupId>io.micrometer</groupId>
    <artifactId>micrometer-registry-prometheus</artifactId>
</dependency>

接下来，创建一个 MeterRegistry 实例：

import io.micrometer.core.instrument.MeterRegistry;
import io.micrometer.prometheus.PrometheusConfig;
import io.micrometer.prometheus.PrometheusMeterRegistry;

public class MetricsConfig {

    public static MeterRegistry meterRegistry() {
        return new PrometheusMeterRegistry(PrometheusConfig.DEFAULT);
    }
}

然后，就可以使用 MeterRegistry 注册各种 Meter 了：

import io.micrometer.core.instrument.Counter;
import io.micrometer.core.instrument.MeterRegistry;

public class MyService {

    private final Counter myCounter;

    public MyService(MeterRegistry meterRegistry) {
        this.myCounter = Counter.builder("my.counter")
                .description("A counter for my service")
                .tag("environment", "production")
                .register(meterRegistry);
    }

    public void doSomething() {
        // 业务逻辑
        myCounter.increment();
    }
}

在这个例子中，我们创建了一个名为 my.counter 的 Counter，并添加了一个名为 environment 的 Tag。每次调用 doSomething() 方法时，myCounter 的值都会增加 1。

4. 常用 Meter 类型：

Meter 类型	描述	示例
Counter	计数器，用于记录事件发生的次数。	统计请求的数量，统计错误发生的次数。
Gauge	测量值，用于记录当前的值。	记录 CPU 使用率，记录内存使用率。
Timer	计时器，用于记录事件发生的耗时。	记录请求的响应时间，记录方法的执行时间。
DistributionSummary	分布摘要，用于记录事件发生的值的分布情况，例如最大值、最小值、平均值、百分位数等。	记录请求的大小，记录延迟时间。
LongTaskTimer	长任务计时器，用于记录长时间运行的任务的耗时，例如线程池的任务执行时间。与Timer不同的是，LongTaskTimer会记录正在运行的任务的数量和总时长，可以更精确地反映长时间任务的执行情况，即使任务还在运行，也能提供实时的监控数据。	记录数据库连接池中正在使用的连接数量和总时长，记录消息队列中正在处理的消息数量和总时长。尤其适用于需要长时间处理的任务，例如批量数据处理、复杂的计算任务等，可以帮助我们更好地了解任务的执行效率和资源占用情况。

三、Prometheus：强大的监控数据存储和查询引擎

Prometheus 是一套开源的监控和告警系统。它以时间序列数据的形式存储监控数据，并提供强大的查询语言（PromQL）用于分析和可视化数据。

1. Prometheus 的核心组件：

Prometheus Server： 负责收集和存储监控数据。
PromQL： Prometheus 的查询语言，用于查询和分析监控数据。
Alertmanager： 负责处理告警事件。
Exporters： 用于将各种系统的监控数据转换为 Prometheus 可以识别的格式。

2. Prometheus 的优势：

多维数据模型： 以时间序列数据的形式存储监控数据，并支持多维度的标签。
强大的查询语言： 提供强大的查询语言（PromQL）用于分析和可视化数据。
灵活的告警规则： 支持自定义告警规则，并可以根据不同的指标设置不同的告警级别。
易于部署和维护： 采用 Go 语言开发，部署和维护简单方便。

3. 如何配置 Prometheus 抓取 Micrometer 指标：

首先，在 prometheus.yml 文件中添加以下配置：

scrape_configs:
  - job_name: 'my-java-app'
    metrics_path: '/prometheus'  # Micrometer 默认的 Prometheus 端点
    static_configs:
      - targets: ['localhost:8080']  # 你的 Java 应用的地址

然后，启动 Prometheus Server。

接下来，在你的 Java 应用中添加一个 /prometheus 端点，用于暴露 Micrometer 指标：

import io.micrometer.core.instrument.MeterRegistry;
import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;
import org.springframework.context.annotation.Bean;
import org.springframework.http.ResponseEntity;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;

@SpringBootApplication
public class MyApplication {

    public static void main(String[] args) {
        SpringApplication.run(MyApplication.class, args);
    }

    @Bean
    public MeterRegistry meterRegistry() {
        return MetricsConfig.meterRegistry();
    }
}

@RestController
class PrometheusController {
    private final MeterRegistry registry;

    PrometheusController(MeterRegistry registry) {
        this.registry = registry;
    }

    @GetMapping(value = "/prometheus", produces = "text/plain; version=0.0.4; charset=utf-8")
    public ResponseEntity<String> prometheusEndpoint() {
        return ResponseEntity.ok(((io.micrometer.prometheus.PrometheusMeterRegistry) registry).scrape());
    }
}

在这个例子中，我们使用 Spring Boot 创建了一个 /prometheus 端点，并将 Micrometer 指标暴露给 Prometheus。

启动你的 Java 应用，Prometheus 就可以从 /prometheus 端点抓取指标数据了。

4. 使用 PromQL 查询指标数据：

Prometheus 提供了强大的查询语言（PromQL）用于分析和可视化监控数据。例如，可以使用以下 PromQL 查询 my.counter 的值：

my_counter_total{environment="production"}

可以使用 Grafana 等可视化工具将 Prometheus 的数据可视化。

四、实战案例：监控 Spring Boot 应用的 HTTP 请求

我们以一个简单的 Spring Boot 应用为例，演示如何使用 Micrometer + Prometheus 监控 HTTP 请求的性能。

1. 添加依赖：

<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-web</artifactId>
</dependency>
<dependency>
    <groupId>io.micrometer</groupId>
    <artifactId>micrometer-core</artifactId>
</dependency>
<dependency>
    <groupId>io.micrometer</groupId>
    <artifactId>micrometer-registry-prometheus</artifactId>
</dependency>
<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-actuator</artifactId>
</dependency>

2. 配置 Micrometer 和 Prometheus：

在 application.properties 文件中添加以下配置：

management.endpoints.web.exposure.include=prometheus
management.metrics.export.prometheus.enabled=true

3. 创建 Controller：

import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;

import java.util.Random;

@RestController
public class MyController {

    private final Random random = new Random();

    @GetMapping("/hello")
    public String hello() throws InterruptedException {
        // 模拟耗时操作
        Thread.sleep(random.nextInt(500));
        return "Hello, world!";
    }
}

4. Spring Boot Actuator 自动配置：

Spring Boot Actuator 提供了自动配置，可以自动收集 HTTP 请求的指标数据，例如请求数量、响应时间、状态码等。

5. 验证监控数据：

启动 Spring Boot 应用，访问 /actuator/prometheus 端点，可以看到 HTTP 请求的指标数据。

可以使用 Grafana 将 Prometheus 的数据可视化，例如创建以下图表：

HTTP 请求总数
HTTP 请求平均响应时间
HTTP 请求状态码分布

五、高级用法：自定义指标与告警

除了 Spring Boot Actuator 提供的默认指标外，我们还可以自定义指标，以满足更细粒度的监控需求。

1. 自定义指标：

可以使用 Micrometer 的 API 自定义各种 Meter，例如 Counter、Gauge、Timer 等。

import io.micrometer.core.instrument.Counter;
import io.micrometer.core.instrument.MeterRegistry;
import org.springframework.stereotype.Component;

@Component
public class CustomMetrics {

    private final Counter myCustomCounter;

    public CustomMetrics(MeterRegistry meterRegistry) {
        this.myCustomCounter = Counter.builder("my.custom.counter")
                .description("A custom counter for my application")
                .register(meterRegistry);
    }

    public void incrementCustomCounter() {
        myCustomCounter.increment();
    }
}

2. 告警配置：

Prometheus 的 Alertmanager 可以根据不同的指标设置不同的告警规则。

例如，可以设置以下告警规则：

当 HTTP 请求的平均响应时间超过 500 毫秒时，触发告警。
当 HTTP 请求的错误率超过 5% 时，触发告警。

Alertmanager 支持多种告警通知方式，例如邮件、短信、Slack 等。

六、使用 Micrometer Tracing 整合链路追踪

Micrometer Tracing 是 Micrometer 的一个子项目，它提供了一组 API，用于整合链路追踪功能。链路追踪可以帮助我们了解请求在各个服务之间的调用关系，从而更好地定位问题。

1. 添加依赖：

<dependency>
    <groupId>io.micrometer</groupId>
    <artifactId>micrometer-tracing-bridge-brave</artifactId>
</dependency>
<dependency>
    <groupId>io.zipkin.reporter2</groupId>
    <artifactId>zipkin-reporter-brave</artifactId>
</dependency>

2. 配置 Zipkin：

在 application.properties 文件中添加以下配置：

spring.zipkin.baseUrl=http://localhost:9411
spring.application.name=my-java-app

3. 使用 @Observed 注解：

import io.micrometer.observation.annotation.Observed;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;

@RestController
public class MyController {

    @Observed(name = "hello.request")
    @GetMapping("/hello")
    public String hello() {
        return "Hello, world!";
    }
}

通过 @Observed 注解，Micrometer Tracing 会自动为 /hello 请求创建 Span，并将其发送到 Zipkin。

七、总结

今天，我们一起学习了如何使用 Micrometer + Prometheus 构建完善的 Java 应用监控体系。Micrometer 提供了统一的指标采集 API，Prometheus 提供了强大的监控数据存储和查询引擎。通过将两者结合起来，我们可以实现对 Java 应用的全面监控，及时发现和解决问题，保障应用的稳定运行。同时，我们也了解了如何利用 Micrometer Tracing 集成链路追踪，进一步增强应用的可观测性。

未来监控之路

我们学习了如何使用 Micrometer 和 Prometheus 进行监控，但更重要的是理解监控的价值，并不断完善监控体系，为应用的稳定性和性能保驾护航。

JAVA 应用监控不完善？接入 Micrometer + Prometheus 实现指标观测体系

发表回复 取消回复

发表回复取消回复