Jaeger 分布式追踪实战：架构、部署与链路分析

Jaeger 是 Uber 开源、CNCF 毕业的分布式追踪系统，由 Agent、Collector、Query 与存储后端组成，用于采集、存储和分析微服务的调用链数据，可用于理解 Span 的父子关系与跨服务耗时。

核心要点速览

• Jaeger 数据流：应用探针（SDK）→ Agent/Collector → 存储（ES/Cassandra/Kafka）→ Query/UI；
• 链路分析三板斧：时间线视图找慢环节、Span 标签看上下文、Span 日志查异常细节；
• 自建与托管都需要核对采样、保留期、查询方式和迁移后的链路完整性。

Jaeger 的架构是怎样的？

Jaeger 经典部署包含四层：

1. Client/SDK：应用内埋点库，生成 Span（注意：官方客户端库已停止维护，新项目应使用 OpenTelemetry SDK 输出 Jaeger 格式）；
2. Agent（可选）：本机 UDP 代理，缓冲并转发 Span；
3. Collector：接收、校验、写入存储；
4. Storage + Query/UI：Cassandra/Elasticsearch 存储，Web UI 提供链路检索与瀑布图。

一体化部署（all-in-one）把除存储外的组件打包，适合本地学习与测试。

本地快速上手的路径是什么？

官方推荐的体验路径：

docker run -d --name jaeger -p 16686:16686 -p 14250:14250 jaegertracing/all-in-one:latest

然后运行官方 HotROD 演示应用（一个由多个微服务组成的打车 Demo），在浏览器打开 http://localhost:16686 即可看到真实链路数据。

如何读懂 Jaeger 的链路详情？

时间线视图（瀑布图）：每个 Span 一根横条，长度代表耗时，缩进代表父子关系。排障时先找最长的自耗时（Self Time）Span——它通常是瓶颈所在。

Span 详情三层信息：

1. Tags：结构化属性（http.method、status_code、db.statement 等），用于理解这次调用的参数与结果；
2. Process：产生该 Span 的进程与运行时信息；
3. Logs：Span 生命周期中的时间戳事件，异常堆栈通常在这里。

典型排障手法：发现一个慢请求 → 瀑布图中找到耗时异常的服务 → 展开该 Span 的 Tags 看 SQL/HTTP 细节 → 必要时顺 Span 日志找到具体异常。

生产环境用 Jaeger 要注意什么？

• 存储运维：ES/Cassandra 集群的容量规划、索引生命周期与查询性能都需要专人维护；
• 采样策略：全量采集成本随流量线性增长，需配置 head-based/adaptive 采样；
• 高可用：Collector 需要负载均衡与扩容方案；
• 多信号割裂：Jaeger 只管链路，日志和指标在别处，排障时要在多套系统间跳转。

更换追踪后端时如何验证

评估观测云作为接收端时，可按 APM 接入说明选择 DataKit 收集 Jaeger 或 OpenTelemetry 数据的方式。先确认现有 SDK/Collector 的输出协议与接收配置一致，再将一个测试服务的出口切到新地址。

发送一条经过多个服务的请求，核对服务名、trace ID、父子 Span、耗时和错误状态。需要从链路查看日志时，日志中必须有可匹配的 trace ID。保留原有配置作为回退基线，确认正常请求与异常请求都能追溯后再扩大接入范围。

常见问题（FAQ)

Q：Jaeger 客户端库停止维护了，新项目怎么办？ 用 OpenTelemetry SDK 埋点，通过 OTLP 上报到所选 Collector 或后端，并核对其接收协议。

Q：Jaeger 和 Zipkin、SkyWalking 怎么选？ 功能定位相似；选型更多看生态契合与团队熟悉度。还要比较已有探针、采样策略和运维方式的迁移成本。

Q：链路数据一般保留多久？ 排障场景 3-7 天够用，审计/趋势分析场景建议 15-30 天。保留期还应结合事件发现时间、审计需求与数据量调整。

Q：Jaeger all-in-one 能用于生产吗？ 不建议。all-in-one 默认内存存储，重启丢数据，仅供本地体验；生产需另行设计持久化存储、高可用与容量管理。

系列阅读

• 上一篇：《理解高基数问题》
• 下一篇：《eBPF 可观测性详解》
• 相关：《分布式追踪详解》 · 《什么是 OpenTelemetry》 · 《返回索引》