Otimizando consultas usando a observabilidade

Snippet de código: rastreamento de consultas PostGresql com Opentelemetry (Python)

from opentelemetry import trace
from opentelemetry.instrumentation.psycopg2 import Psycopg2Instrumentor
from opentelemetry.sdk.trace import TracerProvider
from opentelemetry.sdk.trace.export import BatchSpanProcessor, ConsoleSpanExporter

trace.set_tracer_provider(TracerProvider())
tracer = trace.get_tracer(__name__)
Psycopg2Instrumentor().instrument()

span_processor = BatchSpanProcessor(ConsoleSpanExporter())
trace.get_tracer_provider().add_span_processor(span_processor)

import psycopg2

conn = psycopg2.connect("dbname=test user=postgres")
cur = conn.cursor()

with tracer.start_as_current_span("run-heavy-query"):
    cur.execute("SELECT * FROM large_table WHERE condition = 'value';")
    results = cur.fetchall()

O rastreamento identifica gargalos de serviço transversal que afetam a velocidade da consulta.

Detecção proativa de anomalia em latência de consulta

Definir limiares dinâmicos de alerta com base nos dados de observabilidade permitem a rápida detecção da degradação do desempenho.

Trenó de código: alerta de python para consultas lentas

import psycopg2

LATENCY_THRESHOLD_MS = 500

conn = psycopg2.connect("dbname=test user=postgres")
cur = conn.cursor()

cur.execute("""
SELECT query, mean_time 
FROM pg_stat_statements 
WHERE mean_time > %s;
""", (LATENCY_THRESHOLD_MS,))

for query, latency in cur.fetchall():
    print(f"WARNING: Query exceeding latency threshold: {latency} msn{query}")

Automatando isso ajuda a manter SLAs e evitar o impacto do usuário.