Nouvelles annonces sur les technologies sans serveur et réseau ainsi que sur le RUM (Real-User Monitoring) dévoilées à la conférence Dash ! Nouvelles annonces dévoilées à la conférence Dash !

Écrire un check custom d'Agent

Présentation

Cette section explique comment rédiger un check custom d’Agent simple et utiliser min_collection_interval. Comme pour les intégrations standard reposant sur l’Agent, les checks customs sont programmés afin de s’exécuter à intervalles réguliers (par défaut, toutes les 15 secondes).

Faut-il que je rédige un check d’Agent ou une intégration ?

Les checks customs sont particulièrement utiles pour recueillir des métriques à partir d’applications personnalisées ou de systèmes uniques. Cependant, si vous souhaitez recueillir des métriques à partir d’une application commercialisée, d’un service public ou encore d’un projet open source, nous vous recommandons de créer une intégration d’Agent complète.

La version 6.4 de l’Agent Datadog et les versions ultérieures prennent en charge la publication et les mises à jour d’intégrations indépendamment des mises à jour de l’Agent Datadog. Depuis cette version, vous pouvez facilement partager des intégrations, ce qui permet à l’ensemble de la communauté Datadog de les utiliser.

Pour découvrir comment rédiger une intégration, consultez la section Créer une intégration. Pour découvrir d’autres intégrations de la communauté, accédez au référentiel GitHub integrations-extras.

Implémentation

Commencez par vérifier que l’Agent est bien installé. Si vous avez le moindre problème pendant l’implémentation, contactez l’assistance Datadog.

Check custom d’Agent

Vos fichiers de configuration et de check doivent avoir le même nom. Si votre check s'appelle mycheck.py, votre fichier de configuration doit s'appeler mycheck.yaml.

Dans cet exemple, le check custom renvoie la valeur 1 pour la métrique hello.world. Le fichier de configuration n’inclut aucune information précise, mais il doit comprendre une séquence instances comprenant au moins un mappage, qui peut être vide. Voici ce qui est indiqué dans le fichier conf.d/hello.yaml :

instances: [{}]

Le check hérite des valeurs de AgentCheck et envoie un gauge de valeur 1 pour hello.world sur chaque appel. Voici ce qui est indiqué dans le fichier checks.d/hello.py :

# le bloc try/except suivant rend le check custom compatible avec toutes les versions de l'Agent
try:
    # Premier essai d'importation de la classe de base à partir des anciennes versions de l'Agent...
    from checks import AgentCheck
except ImportError:
    # ... si la commande ci-dessus a échoué, le check s'exécute dans la version6 de l'Agent ou dans une version ultérieure
    from datadog_checks.checks import AgentCheck

# Le contenu de la variable spéciale __version__ sera indiqué dans la page de statut de l'Agent
__version__ = "1.0.0"


class HelloCheck(AgentCheck):
    def check(self, instance):
        self.gauge('hello.world', 1, tags=['TAG_KEY:TAG_VALUE'])

Pour en savoir plus sur l’interface fournie par la classe de base, consultez la documentation relative à l’API.

Remarque : lors de la sélection d’un nom pour votre check custom, ajoutez custom_ en préfixe afin d’éviter tout conflit avec un nom d’intégration de l’Agent Datadog existante. Par exemple, si vous rédigez un check custom Postfix, nommez votre fichiers de check custom_postfix.py et custom_postfix.yaml, et non postfix.py et postfix.yaml.

Intervalle de collecte

Pour modifier l’intervalle de collecte de votre check, utilisez le paramètre min_collection_interval du fichier de configuration. Par défaut, sa valeur est définie sur 15, ce qui signifie que la méthode check de votre classe est invoquée à la même intervalle que le reste des intégrations sur l’Agent.

Pour la version 6 de l’Agent, min_collection_interval doit être ajouté au niveau des instances et configuré individuellement pour chaque instance.

init_config:

instances:
  - min_collection_interval: 30

Pour la version 5 de l’Agent, min_collection_interval est ajouté dans la section init_config afin de définir la fréquence globale d’exécution du check.

init_config:
  min_collection_interval: 30

instances: [{}]

Remarque : si le paramètre min_collection_interval est défini sur 30, cela ne signifie pas que la métrique est recueillie toutes les 30 secondes, mais plutôt qu’il s’agit de la fréquence de collecte optimale. Le collecteur essaiera d’exécuter le check toutes les 30 secondes, mais il est possible que celui-ci soit mis en attente, en fonction du nombre d’intégrations activées sur le même Agent. De plus, si la méthode check dure plus de 30 secondes, l’Agent identifie que le check est toujours en cours d’exécution et annule son exécution jusqu’au prochain intervalle.

Vérifier votre check

Pour vérifier que votre check s’exécute, utilisez la commande suivante :

sudo -u dd-agent -- datadog-agent check <nom_check>
sudo -u dd-agent -- dd-agent check <nom_check>

Écrire un check qui exécute des programmes en ligne de commande

Vous pouvez créer un check custom qui exécute un programme en ligne de commande et enregistrer son résultat sous la forme d’une métrique custom. Par exemple, un check peut exécuter la commande vgs afin de renvoyer des informations sur des groupes de volumes. Une fonction wrapper est fournie par souci de commodité afin d’éviter que le code réutilisable exécute un autre processus et recueille sa sortie et son code de sortie.

Pour exécuter un sous-processus au sein d’un check, utilisez la fonction get_subprocess_output() du module datadog_checks.utils.subprocess_output. La commande et ses arguments sont transmis à get_subprocess_output() sous la forme d’une liste. La commande et chacun de ses arguments constituent des chaînes de caractères au sein de la liste. Par exemple, cette commande saisie dans l’invite de commande :

$ vgs -o vg_free

doit être transmise à get_subprocess_output() comme suit :

out, err, retcode = get_subprocess_output(["vgs", "-o", "vg_free"], self.log, raise_on_empty_output=True)
Étant donné que l'interpréteur Python qui exécute les checks est intégré à l'environnement d'exécution Go multithread, les modules subprocess ou multithreading de la bibliothèque Python standard ne sont pas pris en charge dans la version 6 et les versions ultérieures de l'Agent.

Lorsque le programme en ligne de commande s’exécute, le check enregistre la même sortie que s’il était exécuté sur la ligne de commande dans le terminal. Il est important d’effectuer un traitement des chaînes de caractères pour la sortie et d’utiliser int() ou float() sur le résultat, afin d’obtenir une valeur numérique.

Si vous n’effectuez pas de traitement des chaînes de caractères pour la sortie du sous-processus, ou si celle-ci ne correspond pas à un nombre entier ou à une valeur de type float, le check s’exécute sans erreur mais ne renvoie aucune donnée.

Voici un exemple de check qui renvoie les résultats d’un programme en ligne de commande :

# ...
from datadog_checks.utils.subprocess_output import get_subprocess_output

class LSCheck(AgentCheck):
    def check(self, instance):
        files, err, retcode = get_subprocess_output(["ls", "."], self.log, raise_on_empty_output=True)
        file_count = len(files.split('\n')) - 1  #len() renvoie par défaut un nombre entier
        self.gauge("file.count", file_count,tags=['TAG_KEY:TAG_VALUE'])

Pour aller plus loin

Documentation, liens et articles supplémentaires utiles: