Jaeger on 姚玉亮的网络日志

Jaeger 在微服务排障中的真实案例

Sun, 26 Oct 2025 10:30:00 +0800

病历保存偶尔要 5 秒

在某 SaaS 公司时期，我们把宠物医疗 SaaS 系统从 fasthttp C/S 架构迁到 go-zero B/S，服务拆成了十多个 gRPC 微服务，接了 Jaeger 做分布式链路追踪。

上线后医院端反馈：病历保存偶尔要 5 秒以上。高峰期尤其明显，又无法稳定复现。日志分散在各个服务里，光看 Nginx access log，根本判断不出卡在哪一跳。

每一跳都留 span

埋点用 OpenTelemetry SDK 统一做。gRPC unary interceptor 在服务端自动创建 span，客户端拦截器负责透传 trace context；Jaeger Collector 收 span 后写入 ES 后端，在 Jaeger UI 里按 operation 和耗时过滤。

关键一步是把 DB 查询、Redis 调用、外部 AI 影像判读接口都包成子 span，瀑布图才能真实反映每一跳的耗时。

埋点代码

初始化 TracerProvider，采样率先设 10%：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24


func InitTracer(ctx context.Context, serviceName, endpoint string) (*sdktrace.TracerProvider, error) {
 conn, err := grpc.DialContext(ctx, endpoint,
 grpc.WithTransportCredentials(insecure.NewCredentials()),
 )
 if err != nil {
 return nil, err
 }
 exp, err := otlptracegrpc.New(ctx, otlptracegrpc.WithGRPCConn(conn))
 if err != nil {
 return nil, err
 }
 tp := sdktrace.NewTracerProvider(
 sdktrace.WithBatcher(exp),
 sdktrace.WithResource(resource.NewWithAttributes(
 semconv.SchemaURL,
 semconv.ServiceName(serviceName),
 )),
 sdktrace.WithSampler(
 sdktrace.ParentBased(sdktrace.TraceIDRatioBased(0.1)),
 ),
 )
 otel.SetTracerProvider(tp)
 return tp, nil
}

gRPC 服务端拦截器，出错时记进 span：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12


func TracingInterceptor(ctx context.Context, req any,
 info *grpc.UnaryServerInfo, handler grpc.UnaryHandler) (any, error) {
 tracer := otel.Tracer("grpc-server")
 ctx, span := tracer.Start(ctx, info.FullMethod)
 defer span.End()
 resp, err := handler(ctx, req)
 if err != nil {
 span.RecordError(err)
 span.SetStatus(codes.Error, err.Error())
 }
 return resp, err
}

DB 查询也挂上 span，这样瀑布图里能看到每一次落库：

1
2
3


ctx, span := tracer.Start(ctx, "db.patient.save")
defer span.End()
err := db.WithContext(ctx).Create(&patient).Error

minDuration=3s，根因一眼可见

那次 5 秒卡顿，我们在 Jaeger UI 里用 minDuration=3s 过滤，把所有超过 3 秒的 trace 捞出来，根因基本就摆在瀑布图上了。

病历保存链路会同步调用 AI 影像判读服务，这个服务冷启动时加载模型要 4 秒多，而前端在同步等结果。改法是把 AI 调用改成异步落库加回调通知，改完 P99 立刻降到几百毫秒。

其他几个坑

第一，采样率不要一刀切。登录、支付这种核心链路我用 100% 采样（通过 span attribute 标记），普通查询 10%，不然 Jaeger 后端扛不住。

第二，context 透传是重灾区。go-zero 里有些自定义 goroutine 没把 ctx 传进去，trace 直接断链。我们规定所有异步任务必须显式接 context；跨 Kafka/RabbitMQ 时，用 otel.GetTextMapPropagator().Inject 把 carrier 塞进消息 header。

第三，span 不是越多越好。一个 for 循环里每条 SQL 都开 span，UI 会卡死，批量操作只开一个聚合 span。

第四，别把大对象塞进 span attribute，请求体只记摘要和 ID，不然 Jaeger 查询本身会很慢。

后来

那次排查之后我养成一个习惯：任何一次跨服务的慢请求，先开 Jaeger 看瀑布图，而不是翻日志。链路追踪的价值不在"接了"，而在用它解决具体问题。Trace 就是微服务时代的调试器，没有它，十多个 gRPC 服务之间的调用就是一个黑盒。

封面图：somegeekintn / Flickr · CC BY 2.0

基于 Jaeger 的全链路追踪：从 gRPC 到 HTTP 的上下文透传

Sat, 07 Oct 2023 10:30:00 +0800

三个工程师查了两小时

宠物医疗 SaaS 拆成微服务后，排查一次挂号请求要跨 API 网关、clinic-rpc、payment-rpc、inventory-rpc 四个服务。最开始出了问题只能靠日志拼时间线：每个服务打印自己的 requestId，但请求一经过 gRPC 调用，requestId 就断了，根本串不起来。

有一次线上出问题，“挂号后扣费失败”，三个工程师对着日志查了两个小时，才定位到是 inventory-rpc 超时导致的回滚失败。小问题查成这样，必须上全链路追踪了。选型用了 Jaeger，因为它兼容 OpenTracing 标准，go-zero 也有内置支持。

traceId 怎么透传

核心思路一句话能说完：在入口层生成 traceId，通过 HTTP Header 和 gRPC metadata 一路传下去，每个服务处理请求时从 context 里取出 SpanContext，创建子 Span 上报给 Jaeger Agent。

go-zero 自带了 trace 包，在 API 层配置一个 Jaeger 上报地址即可自动注入：

1
2
3
4
5
6
7
8
9


# api/etc/clinic-api.yaml
Name: clinic-api
Host: 0.0.0.0
Port: 8888
Telemetry:
 Name: clinic-api
 Endpoint: http://jaeger-agent:14268/api/traces
 Sampler: 1.0
 Batcher: jaeger

但 go-zero 内置的 trace 只覆盖它自己生成的 gRPC 客户端。我们有些连接是直接用 grpc.Dial 创建的，这种就得手动加拦截器。服务端拦截器负责从 incoming context 提取 SpanContext 并创建服务端 Span：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29


func UnaryServerInterceptor(tracer opentracing.Tracer) grpc.UnaryServerInterceptor {
 return func(ctx context.Context, req interface{},
 info *grpc.UnaryServerInfo, handler grpc.UnaryHandler) (interface{}, error) {

 md, ok := metadata.FromIncomingContext(ctx)
 var spanCtx opentracing.SpanContext
 if ok {
 // 从 gRPC metadata 的 uber-trace-id 提取
 if carriers, ok := md["uber-trace-id"]; ok && len(carriers) > 0 {
 textMap := opentracing.TextMapCarrier{"uber-trace-id": carriers[0]}
 spanCtx, _ = tracer.Extract(opentracing.TextMap, textMap)
 }
 }

 span := tracer.StartSpan(
 info.FullMethod,
 ext.RPCServerOption(spanCtx),
 )
 defer span.Finish()

 ctx = opentracing.ContextWithSpan(ctx, span)
 resp, err := handler(ctx, req)
 if err != nil {
 ext.Error.Set(span, true)
 span.LogKV("event", "error", "message", err.Error())
 }
 return resp, err
 }
}

客户端拦截器反过来，把当前 SpanContext 注入 outgoing metadata：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21


func UnaryClientInterceptor(tracer opentracing.Tracer) grpc.UnaryClientInterceptor {
 return func(ctx context.Context, method string,
 req, reply interface{}, cc *grpc.ClientConn,
 invoker grpc.UnaryInvoker, opts ...grpc.CallOption) error {

 span, ctx := opentracing.StartSpanFromContext(ctx, method)
 defer span.Finish()

 md, _ := metadata.FromOutgoingContext(ctx)
 if md == nil {
 md = metadata.New(nil)
 }
 carrier := opentracing.TextMapCarrier{}
 _ = tracer.Inject(span.Context(), opentracing.TextMap, carrier)
 for k, v := range carrier {
 md.Set(k, v)
 }
 ctx = metadata.NewOutgoingContext(ctx, md)
 return invoker(ctx, method, req, reply, cc, opts...)
 }
}

HTTP 层我们在 Gin 网关加了一个中间件，从请求头取 Uber-Trace-Id，没有就新开根 Span：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17


func TracingMiddleware(tracer opentracing.Tracer) gin.HandlerFunc {
 return func(c *gin.Context) {
 spanCtx, _ := tracer.Extract(
 opentracing.HTTPHeaders,
 opentracing.HTTPHeadersCarrier(c.Request.Header),
 )
 span := tracer.StartSpan(
 c.Request.URL.Path,
 ext.RPCServerOption(spanCtx),
 )
 defer span.Finish()

 ctx := opentracing.ContextWithSpan(c.Request.Context(), span)
 c.Request = c.Request.WithContext(ctx)
 c.Next()
 }
}

链路是在哪里断的

第一个断点是异步 goroutine。有些逻辑起 goroutine 异步处理，直接用了 context.Background()，Span 链就断了。我们的规矩是异步任务必须从父 context 派生，但要 detach，不能直接用父 ctx，因为父 ctx 在 HTTP 返回后会被 cancel。我封装了一个 detachContext，只保留 trace 信息、不继承 cancel 信号。

第二个是采样率。生产环境 100% 采样，Jaeger 后端和网络的压力都不小。我们改成 10% 采样，错误请求强制 100%（在拦截器里判断 err != nil 时设置 sampling.priority=1）。

第三个是 B3 和 Jaeger 原生头的兼容。老版本 Istio sidecar 用的是 B3 头（X-B3-TraceId），我们应用层用的是 uber-trace-id，两边串不起来。统一改成 W3C TraceContext（traceparent 头）后解决了这个问题，也是未来的标准方向。

值不值

全链路追踪的价值不在平时，而在故障时：它把跨服务的黑盒变成可观测的调用链。关键是 context 透传不能有断点，HTTP 入口、gRPC 双向、异步 goroutine 都要覆盖到。踩完这些坑之后，宠物医疗 SaaS 排查一次跨服务故障的平均时间，从小时级降到了分钟级。

封面图：dolbinator1000 / Flickr · CC BY 2.0