WedX - журнал о программировании и компьютерных науках

Метрика привода пружинной загрузки 2 из пользовательской функции

Я в spring-boot-actuator мире кослю...

Как я могу добавить свои собственные показатели, полученные из пользовательской функции из моего класса @Service?

Я ожидал бы получить что-то вроде

meterRegistry.registerNewGauge(
    "animals_count",
    "cats",
    animalCounterService::countCatsFromDatabase
);

в настоящее время я могу найти только простые показатели, такие как

meterRegistry.counter("animals_count").increment();

но это не очень помогает, когда мне приходится агрегировать такие вещи, как записи в базе данных. Мне нужен более гибкий. Я также нашел что-то вроде MeterBinder.bindTo, но это не сработало. Никаких ошибок, ничего в метриках. Я ищу сейчас в течение нескольких месяцев без каких-либо успехов.

спасибо

spring-boot-actuator metrics
16.02.2020

Ответы:


1

Я предполагаю, что вы используете Micrometer для метрик, верно?

Если это так, вы можете создать датчик и привязать его к любому объекту, который предоставляет метод, возвращающий значение типа double, например:

@Service
public class MyService {
...
   public double calculateValueForGauge() {...}
}

MyService service = ...// get from spring
MeterRegistry registry = ... // get from spring


// here is how you can create a gauge and bind it to an arbitrary method of your service
Gauge.builder("some.name.goes.here, service, (service) -> service.calculateValueForGauge())
          .register(registry);

Например, вы можете разместить код регистрации датчика в слушателе, который будет вызываться при запуске контекста приложения:

@EventListener
public void onApplicationStarted(ApplicationReadyEvent event) {
  // register gauges here
}
17.02.2020
  • это отлично работает :) просто для меня было совершенно новым, что метрики больше не имеют значений, вы должны сами перейти к каждому / metrics / metric-name. Итак, я включил / prometheus, но моих пользовательских метрик нет. Вы знаете, как я могу перенести их в /prometheus? 24.02.2020
    • Новые материалы
    Объяснение документов 02: BERT
    BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
    Как проанализировать работу вашего классификатора?
    Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
    Работа с цепями Маркова, часть 4 (Машинное обучение)
    Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
    Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
    Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
    Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
    Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
    Учебные заметки: создание моего первого пакета Node.js
    Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..
    Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
    Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..
    Для любых предложений по сайту: [email protected]