Datadog Application Performance Monitoring (APM) vous permet d’analyser vos applications en détail, et ainsi d’identifier les goulets d’étranglement, de résoudre les problèmes et d’optimiser vos services.
Ce guide explique comment bien débuter avec APM et envoyer votre première trace à Datadog :
Configurez Datadog APM pour envoyer des traces à Datadog.
Exécutez votre application pour générer des données.
Explorez les données collectées dans Datadog.
Configurez APM avec un agent
Install the dd-apm skill in your AI coding agent for guided APM setup.
Pour créer une application à observer dans Datadog :
Sur votre host Linux ou votre VM, créez une nouvelle application Python nommée hello.py. Par exemple, nano hello.py.
Ajoutez le code suivant à hello.py :
hello.py
fromflaskimportFlaskimportrandomapp=Flask(__name__)quotes=["Strive not to be a success, but rather to be of value. - Albert Einstein","Believe you can and you're halfway there. - Theodore Roosevelt","The future belongs to those who believe in the beauty of their dreams. - Eleanor Roosevelt"]@app.route('/')defindex():quote=random.choice(quotes)+"\n"returnquoteif__name__=='__main__':app.run(host='0.0.0.0',port=5050)
Configurez Datadog APM
Pour configurer Datadog APM sans avoir à modifier le code de votre application ni le processus de déploiement, utilisez l’instrumentation APM en une étape. Vous pouvez aussi configurer la solution APM à l’aide des bibliothèques de traçage de Datadog.
Replace <YOUR_DD_API_KEY> with your Datadog API key, <YOUR_DD_SITE> with your Datadog site, and <AGENT_ENV> with the environment your Agent is installed on (for example, development).
Redémarrez les services sur votre host ou votre VM.
Vérifiez que l’Agent est en cours d’exécution :
sudo datadog-agent status
Cette approche permet d’installer automatiquement le Datadog Agent, d’activer Datadog APM et d’instrumenter votre application au moment de l’exécution.
Exécutez l’application
Lorsque vous configurez Datadog APM avec l’instrumentation en une étape, Datadog instrumente automatiquement votre application au moment de l’exécution.
Pour exécuter hello.py :
Créez un environnement virtuel Python dans le répertoire actuel :
Définissez le nom du service et exécutez hello.py :
exportDD_SERVICE=hello
python3 hello.py
Testez l’application
Testez l’application pour envoyer des traces à Datadog :
Dans une nouvelle invite de commande, exécutez ce qui suit :
curl http://0.0.0.0:5050/
Confirmez qu’une citation aléatoire est renvoyée.
Believe you can and you're halfway there. - Theodore Roosevelt
Chaque fois que vous exécutez la commande curl, une nouvelle trace est envoyée à Datadog.
Explorez les traces dans Datadog
Dans Datadog, accédez à APM > Services. Vous devriez voir un service Python nommé hello :
Sélectionnez le service pour afficher ses métriques de performance, telles que la latence, le débit et les taux d’erreur.
Accédez à APM > Traces. Vous devriez voir une trace pour le service hello :
Sélectionnez une trace pour voir ses détails, y compris le graphique en flamme, qui aide à identifier les goulots d’étranglement de performance.
Configuration APM avancée
Jusqu’à présent, vous avez laissé Datadog instrumenter automatiquement l’application hello.py à l’aide de l’instrumentation en une seule étape. Cette approche est recommandée si vous souhaitez capturer des traces essentielles à travers les bibliothèques et langages courants sans toucher au code ni installer manuellement des bibliothèques.
Toutefois, si vous avez besoin de recueillir des traces à partir d’un code personnalisé ou si vous souhaitez un contrôle plus précis, vous pouvez ajouter l’instrumentation personnalisée.
Pour illustrer cela, vous allez importer le SDK Python de Datadog dans hello.py et créer un span personnalisé ainsi qu’un tag de span.
Pour ajouter des instrumentations personnalisées :
Installez le SDK Datadog :
pip install ddtrace
Ajoutez les lignes en surbrillance au code dans hello.py pour créer un tag de span personnalisé get_quote et un tag de span personnalisé quote :
fromflaskimportFlaskimportrandomfromddtraceimporttracerapp=Flask(__name__)quotes=["Strive not to be a success, but rather to be of value. - Albert Einstein","Believe you can and you're halfway there. - Theodore Roosevelt","The future belongs to those who believe in the beauty of their dreams. - Eleanor Roosevelt"]@app.route('/')defindex():withtracer.trace("get_quote")asspan:quote=random.choice(quotes)+"\n"span.set_tag("quote",quote)returnquoteif__name__=='__main__':app.run(host='0.0.0.0',port=5050)
Exécutez hello.py dans l’environnement virtuel créé précédemment :
ddtrace-run python hello.py
Exécutez quelques commandes curl dans une invite de commande séparée :
Trouvez le nouveau span personnalisé get_quote dans le graphique en flamme et survolez-le :
Remarquez que le tag de span personnalisé quote s’affiche sur l’onglet Info.
Quelle est la prochaine étape ?
Une fois le tracing configuré et votre application envoyant des données à Datadog, explorez les fonctionnalités APM supplémentaires :
Catalog
Catalog fournit une vue consolidée de vos services, combinant métadonnées de propriété, aperçus de performance, analyse de sécurité et répartition des coûts en un seul endroit. Configurez les métadonnées de service à l’aide de tags, d’annotations ou d’un fichier service.datadog.yaml pour enrichir vos services avec des informations de propriété, des runbooks et des liens de documentation.
Ingestion et rétention des traces
Contrôlez les coûts et gérez le volume de données en configurant des contrôles d’ingestion et des filtres de rétention. Les contrôles d’ingestion vous permettent de personnaliser les taux d’échantillonnage au niveau du Datadog Agent ou du SDK, tandis que les filtres de rétention déterminent quels spans sont indexés pour la recherche et l’analyse.
Pour aller plus loin
Documentation, liens et articles supplémentaires utiles: