Spring Cloud Sleuth 使用教程
项目介绍
Spring Cloud Sleuth 是一个用于分布式系统中实现跟踪的工具。它为 Spring Cloud 提供了分布式跟踪的解决方案,可以轻松地与各种日志分析系统(如 Zipkin)集成。Spring Cloud Sleuth 通过在日志中添加跟踪信息,帮助开发者理解和分析微服务之间的调用链路。
项目快速启动
添加依赖
首先,在你的 Spring Boot 项目中添加 Spring Cloud Sleuth 的依赖。可以在 pom.xml 文件中添加如下内容:
<dependency>
<groupId>org.springframework.cloud</groupId>
<artifactId>spring-cloud-starter-sleuth</artifactId>
</dependency>
配置应用
在 application.properties 或 application.yml 文件中配置应用名称:
spring.application.name=my-service
启动应用
启动你的 Spring Boot 应用,Spring Cloud Sleuth 会自动为你的日志添加跟踪信息。例如,控制台输出的日志可能包含如下内容:
[my-service,7891234567890123,1234567890123456,false]
其中,各部分的含义如下:
my-service:应用名称7891234567890123:Trace ID1234567890123456:Span IDfalse:是否将该信息输出到 Zipkin 等服务中
应用案例和最佳实践
案例一:微服务调用链路跟踪
假设你有两个微服务 service-a 和 service-b,service-a 调用 service-b。通过 Spring Cloud Sleuth,你可以轻松跟踪这两个服务之间的调用链路。
代码示例
在 service-a 中调用 service-b:
@RestController
public class ServiceAController {
@Autowired
private RestTemplate restTemplate;
@GetMapping("/call-service-b")
public String callServiceB() {
return restTemplate.getForObject("http://localhost:8081/service-b", String.class);
}
}
在 service-b 中:
@RestController
public class ServiceBController {
@GetMapping("/service-b")
public String serviceB() {
return "Hello from Service B";
}
}
最佳实践
- 集成 Zipkin:将 Spring Cloud Sleuth 与 Zipkin 集成,可以更直观地查看和分析调用链路。
- 配置抽样策略:根据需求配置抽样策略,避免过多的跟踪信息影响性能。
典型生态项目
Zipkin
Zipkin 是一个开源的分布式跟踪系统,可以与 Spring Cloud Sleuth 无缝集成。通过 Zipkin,你可以收集和分析 Spring Cloud Sleuth 生成的跟踪信息,从而更好地理解微服务之间的调用关系。
ELK 平台
ELK 平台(Elasticsearch, Logstash, Kibana)是另一个常用的日志分析系统。通过将 Spring Cloud Sleuth 生成的日志发送到 ELK 平台,可以集中收集、存储和搜索跟踪信息,提高问题排查的效率。
通过以上内容,你可以快速了解和使用 Spring Cloud Sleuth,并结合实际案例和最佳实践,更好地在分布式系统中实现跟踪和监控。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00