跟我学SpringCloud | 第十五篇：微服务利剑之APM平台（一）Skywalking

SpringCloud系列教程 | 第十五篇：微服务利剑之APM平台（一）Skywalking

Springboot: 2.1.7.RELEASE

SpringCloud: Greenwich.SR2

目录

• SpringCloud系列教程 | 第十五篇：微服务利剑之APM平台（一）Skywalking
  • 1. Skywalking概述
  • 2. Skywalking主要功能
  • 3. Skywalking主要特性
  • 4. Skywalking架构简介
  • 5. Spring Cloud与Skywalking实战
    • 5.1 Skywalking部署构建
    • 5.2 Spring Cloud整合Skywalking实战
  • 6. 小结

1. Skywalking概述

Skywalking与2016年11月2日由国人吴晟在Github上传v1.0版本，用于提供分布式链路追踪功能，从5.x开始，成为一个功能较为完善的APM（Application Performance Management）系统，2019年4月17日从Apache孵化器毕业，正式成为Apache顶级项目。提供分布式追踪、服务网格遥测分析、度量聚合和可视化一体化解决方案。官方对自己介绍是专为微服务，云原生和基于容器（Docker，Kubernetes，Mesos）架构而设计。

2. Skywalking主要功能

• 服务，服务实例，端点指标分析
• 根本原因分析
• 服务拓扑图分析
• 服务，服务实例和端点依赖性分析
• 慢服务检测
• 性能优化
• 分布式跟踪和上下文传播
• 数据库访问指标、检测慢速数据库访问语句（包括SQL）
• 告警

3. Skywalking主要特性

• 多种监控手段，语言探针和service mesh
• 多语言自动探针，Java，.NET Core和Node.JS
• 多种后端存储支持
• 轻量高效
• 模块化，UI、存储、集群管理多种机制可选
• 支持告警
• 优秀的可视化方案

4. Skywalking架构简介

先看一下官方提供的架构图，如图：

Skywalking总体由四个部分agent、collector、webapp-ui、storage组成。图10-11从上到下是应用层接入，可以使用无入侵性的agent探针接入，通过HTTP或者gRPC讲数据发送至Skywalking分析平台collector，collector对接受到的数据进行聚合分析，最后存储至storage中，这里支持多种存储方式，比较常用的有H2和ElasticSearch，最后可以由webapp-ui对所有的数据进行展示。

5. Spring Cloud与Skywalking实战

5.1 Skywalking部署构建

在介绍实战之前，我们先简单介绍一下Skywalking部署构建方案。

这里存储方式笔者选择使用ElasticSearch，具体版本是6.5.0，ElasticSearch的构建方式选择使用Docker，直接使用Linux搭建有点复杂，不适合初学者，使用Docker构建简单方便。

笔者构建的一些前置条件：

java：1.8

CentOS：7.6

如果当前CentOS上没有Docker环境，可以使用下面的语句快速构建：

yum install docker

当构建成功后，可以使用下面的语句查看当前Docker的版本：

docker -v

笔者这里的输出是：

Docker version 1.13.1, build 7f2769b/1.13.1

安装好Docker以后，最好配置一下国内的镜像站，否则在网络不好的情况下可能出现Docker下载失败等情况，可以使用下面的语句来修改镜像地址：

vi /etc/docker/daemon.json

笔者这里使用的是阿里云的镜像加速，如下：

{
    "registry-mirrors": ["https://xxxxxx.mirror.aliyuncs.com"]
}

各位读者可以自己去阿里云上开通自己的镜像加速，具体不多做介绍。

使用Docker构建ElasticSearch6.5.0，首先，需要下载ElasticSearch6.5.0的镜像，输入以下命令：

docker pull elasticsearch:6.5.0

等待程序下载完成，完成后就可以启动镜像了，命令如下：

docker run -d --restart=always --name es -p 9200:9200 -p 9300:9300 -e "discovery.type=single-node" elasticsearch:6.5.0

ElasticSearch的默认启动内存是1g，如果当前服务器的内存不足1g，可以使用参数-e ES_JAVA_OPTS="-Xms256m -Xmx256m"限制ElasticSearch的启动内存大小，完整的语句如下：

docker run -d --restart=always -e ES_JAVA_OPTS="-Xms256m -Xmx256m" --name es -p 9200:9200 -p 9300:9300 -e "discovery.type=single-node" elasticsearch:6.5.0

启动成功以后可以使用如下语句看一下是否启动成功：

docker ps

结果如图：

ElasticSearch6.5.0单节点版已经构建完成，为了方便后续操作，需要修改一个ElasticSearch的命名，输入命令docker exec -it es /bin/bash进入容器文件目录，输入vi config/elasticsearch.yml进入ElasticSearch配置文件，修改cluster.name的值，笔者这里修改为CollectorDBCluster，修改完成后，保存当前修改，输入exit退出容器文件目录，输入docker restart es重启当前容器，在浏览器输入http://192.168.44.128:9200/，看到如下信息可以证明ElasticSearch6.5.0单节点版已经在正常的运行了。

{
  "name" : "V-N2_ZQ",
  "cluster_name" : "CollectorDBCluster",
  "cluster_uuid" : "r9bFZ90WRyqSpMz80u61Yg",
  "version" : {
    "number" : "6.5.0",
    "build_flavor" : "default",
    "build_type" : "tar",
    "build_hash" : "816e6f6",
    "build_date" : "2018-11-09T18:58:36.352602Z",
    "build_snapshot" : false,
    "lucene_version" : "7.5.0",
    "minimum_wire_compatibility_version" : "5.6.0",
    "minimum_index_compatibility_version" : "5.0.0"
  },
  "tagline" : "You Know, for Search"
}

Skywalking构建，进入Skywalking官网，进入下载页面（http://skywalking.apache.org/downloads/ ），如图：

因为我们是要在CentOS上运行，所以这里选择Linux二进制版，就是已经编译好的版本，无需我们自己编译，下载至我们的CentOS后，解压可以看到目录结构，如图：

• agent：探针相关，后面会做更加详细的介绍。
• bin：这里放的是oapService和webappService的启动脚本，当然也有执行两个脚本的合并脚本startup.sh。
• config：这里主要存放的是collector的配置信息，我们需要修改这里的application.yml中的有关ElasticSearch的配置，如下图：

修改storage.elasticsearch.nameSpace为我们前面构建ElasticSearch设置的cluster.name，笔者这里的值为CollectorDBCluster，同时修改storage.elasticsearch.clusterNodes为我们当前构建的ElasticSearch的地址。

• logs：存放collector和webapp-ui生成的日志。
• webapp：这里存放的是Skywalking展示UI的jar和配置文件。

Skywalking中默认使用的端口有8080、11800、12800，请保证这些端口未被占用，如需修改，可以修改config目录中的application.yml和webapp目录中的webapp.yml。

接下来启动collector和webapp-ui，进入bin目录中，执行命令./startup.sh，如：

打开浏览器访问http://192.168.44.128:8080/，可以看到webapp-ui的仪表盘，如图：

Skywalking部署到这里就结束了，下面我们开始介绍Spring Cloud如何与Skywalking整合使用。

5.2 Spring Cloud整合Skywalking实战

先简单介绍一下案例内容，我们将创建4个工程，分别为Zuul-Service、Eureka-Service、Consumer-Service和Provider-Service，请求通过Zuul-Service访问至Consumer-Service再访问至Provider-Service完成一次链路调用。

整体架构图如图：

具体实现代码列出，各位读者可以参考GitHub仓库（https://github.com/meteor1993/SpringCloudLearning/tree/master/chapter15），下面我们介绍Spring Cloud是如何与Skywalking整合的。

这里我们需要使用到Skywalking的探针agent，我们在工程chapter15的跟目录中新建一个文件夹，命名为skywalking，讲刚才解压的Skywalking中的agent整个文件夹copy到skywalking，这里我们启动时只需要配置javaagen命令加载agent探针即可，在idea中使用需要修改启动配置，点击右上角的Edit Configurations...，在打开的窗口中选择Environment->VM Options，配置如下脚本：

-javaagent:D:\Development\SpringCloudLearning\chapter15\skywalking\agent\skywalking-agent.jar
-Dskywalking.agent.service_name=zuul-service
-Dskywalking.collector.backend_service=192.168.44.128:11800

如图：

还可以使用java -jar的方式来加载agent探针，我们将整个maven项目打包，运行mvn install的命令，使用java -jar的方式来启动，启动命令中增加启动参数，如下：

-javaagent:D:\Development\SpringCloudLearning\chapter15\skywalking\agent\skywalking-agent.jar -Dskywalking.agent.service_name=consumer-service -Dskywalking.collector.backend_service=192.168.44.128:11800 -jar zuul-0.0.1-SNAPSHOT.jar

顺次启动四个工程后，使用浏览器访问：http://localhost:8080/client/hello?name=spring，多刷新几次后，我们再使用浏览器访问http://192.168.44.128:8080/，如：

• all_heatmap：所有服务响应时间的热点图
• all_p99：所有服务响应时间的 p99 值

点击上边栏的拓扑图，可以看到当前我们工程的一个依赖拓扑关系，如：

点击上边栏的追踪，可以看到左边是当前所有的访问请求，随便点击一个，可以在右边看到一个详细的链路追踪过程，如：

点击链路，可以看到一些标记信息，包含端点、跨度类型、成功还是失败，以及一些Exception信息，如图：

点击仪表盘页面的Service，可以看到一些服务相关的信息，如平均响应时间、平均吞吐量、平均时延统计，如图：

• service_instance_sla：服务实例的成功率
• service_instance_resp_time：服务实例的平均响应时间
• service_instance_cpm：服务实例每分钟调用次数

点击仪表盘页面的Endpoint，可以看到一些端点相关的信息，如图：

• endpoint_cpm：端点每分钟调用次数
• endpoint_avg：端点平均响应时间
• endpoint_sla：端点成功率
• endpoint_p99：端点响应时间的 p99 值

点击仪表盘页面的Instance，可以看到一些JVM相关的信息，如图：

至此，Spring Cloud与Skywalking的介绍就结束了，感兴趣的朋友可以前往Github的官方网站进行查询。

6. 小结

这里总结一下整个案例的启动顺序：

1. 启动ElasticSearch
2. 启动collector
3. 启动web-ui（或者使用整合脚本启动）
4. 启动Agent（Eureka、provider、consumer、zuul）
5. 应用调用
6. 访问web-ui查看统计信息

以上启动顺序供各位读者参考，请各位读者最好按照以上顺序启动，因为不同的组件之前其实是有相互依赖关系的，如果随意更改启动顺序可能会造成某些未知问题。