电商订单全流程可观测性最佳实践运维安全

简介
为了满足快速迭代和流量的激增，电商系统常常使用微服务的方式来进行开发部署，某个微服务系统性能瓶颈直接会影响到客户的购物体验，特别是出现了支付异常、订单取消后，我们要观测订单的整个链路，梳理出实时已支付的订单数量、异常订单数量、取消订单数量，用这些指标帮助我们分析业务瓶颈是很有帮助的。本最佳实践是基于 Java 的一个分布式电商平台，结合观测云用订单的维度来观测订单成功支付的数量，实时剖析出未成功支付的原因。
前置条件
安装 Datakit
数据接入订单
数据接入观测云的方式是通过 log ，微服务输出日志文件到云服务器，在这台云服务器上安装 DataKit ，并开通日志采集，指定日志文件的路径。为了解析出日志文件中的订单号、下单人、订单状态，需要编写Pipeline 把日志文件中的订单号、下单人、订单状态做切割。开启 Input1、开启 ddtracecd /usr/local/datakit/conf.d/ddtrace
cp ddtrace.conf.sample ddtrace.conf
2、编写 Pipelinecd /usr/local/datakit/pipeline
vi log_book_order.p
其中 %{DATA:username} 是下单人，%{DATA:order_no} 是订单号，%{DATA:order_status} 是订单状态。#2021-12-22 10:09:53.443 [http-nio-7001-exec-7] INFO c.d.s.b.s.i.OrderServiceImpl - [createOrder,164] - ecs009-book-order 7547183777837932733 2227975860088333788 test d6a3337d-ff82-4b00-9b4d-c07fb00c0cfb - 用户:test 已下单,订单号: d6a3337d-ff82-4b00-9b4d-c07fb00c0cfb
grok(_, "%{TIMESTAMP_ISO8601:time} %{NOTSPACE:thread_name} %{LOGLEVEL:status}%{SPACE}%{NOTSPACE:class_name} - \[%{NOTSPACE:method_name},%{NUMBER:line}\] - %{DATA:service1} %{DATA:trace_id} %{DATA:span_id} %{DATA:username} %{DATA:order_no} %{DATA:order_status} - %{GREEDYDATA:msg}")
default_time(time)
3、开启 Logging插件，复制 sample文件cd /usr/local/datakit/conf.d/log
cp logging.conf.sample log_book_order.conf
修改 log_book_order.conf文件，logfiles指定日志文件，Pipeline 指定上步创建的 log_book_order.p。source 指定log_book_order，方便在视图中使用该日志。[[inputs.logging]]
## required
logfiles = [

"/usr/local/df-demo/book-shop/logs/order/log.log"

]
## glob filteer
ignore = [""]
## your logging source, if it's empty, use 'default'
source = "log_book_order"
## add service tag, if it's empty, use $source.
service = "book-store"
## grok pipeline script path
pipeline = "log_book_order.p"
## optional status:
## "emerg","alert","critical","error","warning","info","debug","OK"
ignore_status = []
## optional encodings:
## "utf-8", "utf-16le", "utf-16le", "gbk", "gb18030" or ""
character_encoding = ""
## The pattern should be a regexp. Note the use of '''this regexp'''
## regexp link: https://golang.org/pkg/regexp...
multiline_match = '''^\d{4}-\d{2}-\d{2}'''
## removes ANSI escape codes from text strings
remove_ansi_escape_codes = false
[inputs.logging.tags]

app = "book-shop"

# some_tag = "some_value"
# more_tag = "some_other_value"
重启 DataKitsystemctl restart datakit
电商数据接入项目源码：book-store。使用 Pipeline 切割的日志，这里的日志是微服务产生的日志，所以需要把下单人、订单号、订单状态输出到日志中。本示例的日志工具是 Logback，要想把业务数据通过 Logback 输出，那就需要使用 MDC 机制，即在打印日志前把下单人、订单号、订单状态 Put 到 MDC，然后在 logback-spring.xml 的 PATTERN 中输出，本示例需要修改 bookstore-order-service 微服务代码。1、新建切片新建切片，把 userName、orderNo、orderStatus 添加到 MDC ，请求结束再移出。@Component
@Aspect
public class LogAop {

private static final String USER_NAME = "userName"; private static final String ORDER_NO = "orderNo"; private static final String ORDER_STATUS = "orderStatus"; @Pointcut("execution(public * com.devd.spring.bookstoreorderservice.controller..*.*(..))") public void controllerCall() { }@Before("controllerCall()") public void logInfoBefore(JoinPoint jp) throws UnsupportedEncodingException { MDC.put(USER_NAME, ""); MDC.put(ORDER_NO, ""); MDC.put(ORDER_STATUS, ""); }@AfterReturning(returning = "req", pointcut = "controllerCall()") public void logInfoAfter(JoinPoint jp, Object req) throws Exception { MDC.remove(USER_NAME); MDC.remove(ORDER_NO); MDC.remove(ORDER_STATUS); }

}
2、订单数据写入日志在下单成功后输出日志

文章图片

3、配置 logback-spring.xml
打包发布前端打包，会生成 build 目录cd bookstore-frontend-react-app
yarn build
后端打包，生成 bookstore-account-service-0.0.1-SNAPSHOT.jar，bookstore-payment-service-0.0.1-SNAPSHOT.jar，bookstore-api-gateway-service-0.0.1-SNAPSHOT.jar，bookstore-billing-service-0.0.1-SNAPSHOT.jar，bookstore-catalog-service-0.0.1-SNAPSHOT.jar，bookstore-eureka-discovery-service-0.0.1-SNAPSHOT.jar，bookstore-order-service-0.0.1-SNAPSHOT.jarmvn clean install -DskipTests
开启RUM登录观测云点击【用户访问监测】- 【新建应用】输入 book-shop，选择Web，复制js。

文章图片

Copy build 目录到服务器打开 index.html ，把上步复制的 js 粘贴到 head中，并修改 datakitOrigin 值为当前云服务器所部署的 DataKit 地址，allowedDDtracingOrgins 的值是 Gateway 的地址。

文章图片

安装 Nginx ，部署 web 项目server {

listen80; location / { proxy_set_headerHost$host:$server_port; proxy_set_headerX-Real-IP$remote_addr; proxy_set_headerX-Forwarded-For$proxy_add_x_forwarded_for; root/usr/local/df-demo/book-shop/build; indexindex.html index.htm; }

}
开启 APM观测云获取 Trace 数据，需要使用: /usr/local/datakit/data/dd-java-agent.jar。java -jar bookstore-eureka-discovery-service-0.0.1-SNAPSHOT.jar
java -javaagent:/usr/local/datakit/data/dd-java-agent.jar \
-Ddd.service=book-gateway \
-Ddd.env=dev \
-Ddd.agent.port=9529 \
-jar bookstore-api-gateway-service-0.0.1-SNAPSHOT.jar
java -javaagent:/usr/local/datakit/data/dd-java-agent.jar \
-Ddd.service=book-account \
-Ddd.env=dev \
-Ddd.agent.port=9529 \
-jar bookstore-account-service-0.0.1-SNAPSHOT.jar
java -javaagent:/usr/local/datakit/data/dd-java-agent.jar \
-Ddd.service=book-order \
-Ddd.env=dev \
-Ddd.agent.port=9529 \
-jar bookstore-order-service-0.0.1-SNAPSHOT.jar
java -javaagent:/usr/local/datakit/data/dd-java-agent.jar \
-Ddd.service=book-billing \
-Ddd.env=dev \
-Ddd.agent.port=9529 \
-jar bookstore-billing-service-0.0.1-SNAPSHOT.jar
java -javaagent:/usr/local/datakit/data/dd-java-agent.jar \
-Ddd.service=book-payment \
-Ddd.env=dev \
-Ddd.agent.port=9529 \
-jar bookstore-payment-service-0.0.1-SNAPSHOT.jar
【电商订单全流程可观测性最佳实践】java -javaagent:/usr/local/datakit/data/dd-java-agent.jar \
-Ddd.service=book-catalog \
-Ddd.env=dev \
-Ddd.agent.port=9529 \
-jar bookstore-catalog-service-0.0.1-SNAPSHOT.jar
订单监控视图登录观测云，【场景】->【新建仪表板】->【新建空白仪表板】，输入“订单监控视图”，点击【确定】。

文章图片

点击上步创建的仪表板，点击【编辑】，拖一个“时序图”，图标标题是“下单数”，时序图中选择“日志”，然后再选择 log_book_order，log_book_order 是 log_book_order.conf 中的 source 的值，再选择order_no，排序方式选“Count_distinct_by”。筛选条件选择“order_status”，值选择“已下单”，这个时序图就是统计已下单的订单数量。最后点击“+”-> 转换函数 -> cumsum，订单数量在单位时间内会转换成累计。

文章图片

拖一个“时序图”，图标标题是“已支付订单数”，时序图中选择“日志”，然后再选择 log_book_order，log_book_order 是 log_book_order.conf 中的 source 的值，再选择 order_no，排序方式选“Count_distinct_by”。筛选条件选择“order_status”，值选择“已支付”，这个时序图就是统计已支付的订单数量。最后点击“+”-> 转换函数 -> Cumsum，订单数量在单位时间内会转换成累计。

文章图片

拖一个“时序图”，图标标题是“异常订单数”，时序图中选择“日志”，然后再选择 log_book_order，log_book_order 是 log_book_order.conf 中的 source 的值，再选择 order_no，排序方式选“Count_distinct_by”。筛选条件选择“order_status”，值选择“支付异常”，这个时序图就是统计支付异常的订单数量。最后点击“+”-> 转换函数 -> Cumsum，订单数量在单位时间内会转换成累计。