3. OpenTelemetry 基础：Trace、Span、Context Propagation、Sampler、Exporter

在深入 Kafka 堆积场景的调优之前，必须牢固掌握 OpenTelemetry（OTel）的核心数据模型与组件。本章将拆解构成分布式追踪的五个基石：Trace、Span、Context Propagation、Sampler 和 Exporter。理解这些概念是后续分析链路延迟、定位堆积根因的前提。

3.1 核心概念：Trace 与 Span

Trace（追踪）代表一个端到端的请求或事务在分布式系统中的完整路径。它由多个 Span（跨度）组成，这些 Span 通过父子关系连接成有向无环图（DAG）。

Span 是追踪的最小工作单元，记录了一个操作（如“从 Kafka 拉取消息”、“处理消息”、“写入数据库”）的元数据：

3.2 Context Propagation：跨进程传递追踪上下文

Context Propagation（上下文传播）是分布式追踪的核心机制。它确保一个请求经过多个服务（如 Kafka 生产者 → Broker → 消费者）时，所有 Span 能归属于同一个 Trace。

在 Kafka 场景中，传播通过 消息头（Headers） 实现：

1. 注入（Inject）：生产者将当前 Span 的 TraceId、SpanId 等信息序列化后写入 Kafka 消息的 Headers。
2. 提取（Extract）：消费者从消息 Headers 中读取上下文，创建新的 Child Span 并关联到父 Span。

3.3 Sampler：控制数据采集量

Sampler（采样器）决定哪些 Trace 被记录并导出。在高吞吐的 Kafka 场景中，全量采样会带来巨大的存储和性能开销，必须合理配置采样策略。

3.4 Exporter：将数据发送到后端

Exporter（导出器）负责将 Span 数据发送到分析后端（如 Jaeger、Zipkin、Prometheus 或自建平台）。导出方式直接影响链路数据的实时性和系统负载。

常见 Exporter 类型：

• OTLP Exporter：OpenTelemetry 原生协议，支持 gRPC 和 HTTP，推荐用于生产。
• Jaeger Exporter：直接发送到 Jaeger Collector，适合已有 Jaeger 基础设施的团队。
• Prometheus Exporter：将 Span 指标（如延迟、错误率）暴露为 Prometheus 格式，适合监控告警。
• Console Exporter：输出到标准输出，仅用于调试。

// OTLP Exporter 配置示例（Java）
SpanExporter exporter = OtlpGrpcSpanExporter.builder()
    .setEndpoint("http://otel-collector:4317")
    .setTimeout(30, TimeUnit.SECONDS)  // 防止导出阻塞
    .build();

// 批量导出参数（影响性能）
SdkTracerProvider tracerProvider = SdkTracerProvider.builder()
    .addSpanProcessor(
        BatchSpanProcessor.builder(exporter)
            .setMaxExportBatchSize(512)       // 每批最大 Span 数
            .setMaxQueueSize(2048)            // 队列大小，堆积时防止丢数据
            .setScheduleDelay(5000)           // 导出间隔（毫秒）
            .build()
    )
    .build();

3.5 组件协作流程

以下流程图展示了五个组件在 Kafka 消费链路中的完整协作关系：

1. 生产者创建 Root Span，通过 Context Propagation 注入到消息 Headers。
2. 消费者提取上下文，创建 Child Span，并附加 Kafka 属性（分区、偏移量）。
3. Sampler 根据配置决定是否保留该 Trace。
4. 保留的 Span 被 BatchSpanProcessor 缓存并批量发送给 Exporter。
5. Exporter 将数据推送到后端存储，供后续分析。