OpenTelemetry-JS中如何为Fetch请求添加自定义Span属性
2025-06-27 18:36:12作者:尤峻淳Whitney
在OpenTelemetry-JS的实践中,开发者经常需要监控前端应用的网络请求行为。当使用浏览器原生的Fetch API时,OpenTelemetry会自动创建对应的Span记录请求过程,但有时我们需要在这些Span中添加业务相关的自定义属性(例如GraphQL查询语句)。
核心问题分析
默认情况下,Fetch请求的Span会在HTTP请求完成时立即结束(遵循HTTP语义约定)。这意味着在常见的异步处理模式中:
const res = await fetch(url); // Span在此阶段已结束
processResponse(res); // 此时已无法修改Span属性
这种设计符合OpenTelemetry的语义规范,因为HTTP Span应该只包含协议层面的信息(如状态码、请求方法等),而业务逻辑数据更适合放在自定义Span中。
解决方案
方案一:使用Fetch插件的自定义属性回调
OpenTelemetry-JS的@opentelemetry/instrumentation-fetch插件提供了applyCustomAttributesOnSpan配置项:
import { FetchInstrumentation } from '@opentelemetry/instrumentation-fetch';
new FetchInstrumentation({
applyCustomAttributesOnSpan: (span, request, response) => {
if (request.method === 'POST' && request.url.includes('/graphql')) {
const body = JSON.parse(request.body?.toString() || '{}');
span.setAttribute('graphql.query', body.query);
}
}
});
注意事项:
- 回调执行时请求体可能尚未完全加载
- 需要处理可能的异常情况(如非JSON请求体)
- 建议只添加与协议相关的扩展属性
方案二:创建业务层Span(推荐)
更符合OpenTelemetry设计理念的做法是创建独立的业务Span:
const tracer = trace.getTracer('graphql-client');
async function queryGraphQL(query) {
return tracer.startActiveSpan('graphql.query', async (span) => {
try {
span.setAttribute('graphql.query', query);
const res = await fetch(GRAPHQL_URL, {
method: 'POST',
body: JSON.stringify({ query })
});
// 可以关联HTTP Span和业务Span
const otelContext = propagation.extract(context.active(), res.headers);
context.with(otelContext, () => { /* ... */ });
return await res.json();
} finally {
span.end();
}
});
}
这种方式的优势:
- 明确分离协议层和业务层监控
- 支持更复杂的业务属性记录
- 可以建立Span之间的父子关系
- 避免污染标准HTTP语义属性
最佳实践建议
- 分层监控:基础设施层(HTTP)和业务层分开监控
- 属性命名规范:自定义属性建议使用业务域前缀(如
graphql.) - 性能考量:避免在Span中记录过大文本(如完整响应体)
- 错误处理:确保Span在任何情况下都能正确结束
通过合理设计监控点,开发者既能获得OpenTelemetry标准化的协议层监控,又能灵活记录业务关键信息,构建完整的应用可观测性体系。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
570
3.84 K
Ascend Extension for PyTorch
Python
381
456
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++
894
679
暂无简介
Dart
803
198
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
353
209
昇腾LLM分布式训练框架
Python
119
146
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
12
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
🎉 (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
1.37 K
781