gin-metrics 项目使用教程
2024-08-18 12:31:48作者:蔡怀权
1. 项目的目录结构及介绍
gin-metrics 项目的目录结构如下:
gin-metrics/
├── README.md
├── README_zh.md
├── go.mod
├── go.sum
├── ginmetrics/
│ ├── metrics.go
│ ├── middleware.go
│ ├── options.go
│ └── utils.go
└── example/
├── main.go
└── config.yaml
目录介绍
README.md和README_zh.md:项目的说明文档,分别用英文和中文编写。go.mod和go.sum:Go 模块文件,用于管理项目的依赖。ginmetrics/:核心代码目录,包含 metrics 的定义、中间件、选项和工具函数。metrics.go:定义了各种监控指标。middleware.go:实现了 Gin 中间件,用于收集指标数据。options.go:提供了配置选项。utils.go:包含一些工具函数。
example/:示例代码目录,包含一个简单的示例项目。main.go:示例项目的启动文件。config.yaml:示例项目的配置文件。
2. 项目的启动文件介绍
在 example/ 目录下,main.go 是示例项目的启动文件。以下是 main.go 的主要内容:
package main
import (
"github.com/gin-gonic/gin"
"github.com/penglongli/gin-metrics/ginmetrics"
)
func main() {
r := gin.Default()
// get global Monitor object
m := ginmetrics.GetMonitor()
// +optional set metric path, default /debug/metrics
m.SetMetricPath("/metrics")
// +optional set slow time, default 5s
m.SetSlowTime(10)
// +optional set request duration, default {0.1, 0.3, 1.2, 5, 10}
// used to p95, p99
m.SetDuration([]float64{0.1, 0.3, 1.2, 5, 10})
// set middleware for gin
m.Use(r)
r.GET("/", func(c *gin.Context) {
c.String(200, "Hello, gin-metrics!")
})
r.Run(":8080")
}
启动文件介绍
- 引入必要的包:
gin和ginmetrics。 - 创建一个 Gin 路由器实例
r。 - 获取全局监控对象
m。 - 配置监控路径、慢请求时间和请求持续时间。
- 将监控中间件应用到 Gin 路由器。
- 定义一个简单的路由处理函数。
- 启动 Gin 服务器,监听端口 8080。
3. 项目的配置文件介绍
在 example/ 目录下,config.yaml 是示例项目的配置文件。以下是 config.yaml 的内容:
metric:
path: /metrics
slowTime: 10
duration: [0.1, 0.3, 1.2, 5, 10]
配置文件介绍
path:监控指标的暴露路径,默认为/metrics。slowTime:慢请求的阈值,单位为秒,默认为 5 秒。duration:请求持续时间的分位数配置,用于计算 p95 和 p99,默认为[0.1, 0.3, 1.2, 5, 10]。
通过这些配置,可以灵活地调整监控指标的收集和暴露方式。
登录后查看全文
热门项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.18 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
690
325
Ascend Extension for PyTorch
Python
229
258
暂无简介
Dart
679
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
346
147