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
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust074- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00
项目优选
收起
暂无描述
Dockerfile
689
4.46 K
Ascend Extension for PyTorch
Python
544
668
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++
955
928
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
415
74
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
407
323
昇腾LLM分布式训练框架
Python
146
172
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
650
232
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
1.08 K
564
🎉 (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
1.59 K
925
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
642
292