1. Le modèle de données #
Un log enrichi de contexte.
LogRecord #
OpenTelemetry ne crée pas un nouveau framework de logs : il définit un modèle de données commun et des ponts vers les bibliothèques existantes. Un enregistrement de log contient :
| Champ | Contenu |
|---|---|
| Timestamp / ObservedTimestamp | moment de l'événement / moment de sa collecte |
| SeverityNumber / SeverityText | 1-24 normalisé (9 = INFO, 13 = WARN, 17 = ERROR) / texte d'origine |
| Body | le message (texte ou structure) |
| Attributes | contexte (semconv : code.function.name, exception.type…) |
| TraceId / SpanId / TraceFlags | la trace et le span actifs au moment du log |
| Resource | le service émetteur, identique à ses traces et métriques |
| EventName | nom d'un événement structuré (logs « événements ») |
Pourquoi c'est utile #
- Un format unique, quel que soit le langage ou la bibliothèque de logs.
- La corrélation automatique : chaque log porte l'identifiant de la trace en cours.
- La même ressource que les autres signaux : filtrer logs, traces et métriques d'un même pod en un clic.
- Le même transport (OTLP) et le même Collector que les autres signaux.
2. Depuis l'application #
Appenders et Logs Bridge API.
Le principe #
La Logs Bridge API n'est pas destinée à être appelée par votre code : elle sert aux auteurs d'appenders (ou handlers) qui branchent Logback, Log4j, java.util.logging, le module logging de Python, Serilog ou Winston sur le SDK. Vous continuez à écrire logger.info(...).
Exemples #
# Python : avec l'auto-instrumentation
export OTEL_PYTHON_LOGGING_AUTO_INSTRUMENTATION_ENABLED=true
export OTEL_LOGS_EXPORTER=otlp
opentelemetry-instrument python app.py
# Java : l'agent capture Logback et Log4j par défaut
java -javaagent:opentelemetry-javaagent.jar -Dotel.logs.exporter=otlp -jar app.jar# Python : configuration manuelle du handler
import logging
from opentelemetry._logs import set_logger_provider
from opentelemetry.sdk._logs import LoggerProvider, LoggingHandler
from opentelemetry.sdk._logs.export import BatchLogRecordProcessor
from opentelemetry.exporter.otlp.proto.http._log_exporter import OTLPLogExporter
provider = LoggerProvider(resource=resource)
provider.add_log_record_processor(BatchLogRecordProcessor(OTLPLogExporter()))
set_logger_provider(provider)
logging.getLogger().addHandler(LoggingHandler(level=logging.INFO, logger_provider=provider))Bonne Pratique : Même sans exporter les logs en OTLP, ajouteztrace_idetspan_idà vos logs JSON : la corrélation fonctionnera aussi avec une collecte par fichier.
3. Depuis les fichiers #
Le receiver filelog du Collector.
Parser des logs JSON #
receivers:
filelog:
include: [/var/log/app/*.log]
start_at: end
storage: file_storage # reprendre là où on s'était arrêté
operators:
- type: json_parser
timestamp: { parse_from: attributes.time, layout: "%Y-%m-%dT%H:%M:%S%z" }
severity: { parse_from: attributes.level }
- type: trace_parser
trace_id: { parse_from: attributes.trace_id }
span_id: { parse_from: attributes.span_id }
- type: move
from: attributes.message
to: bodyLogs Kubernetes #
Sur Kubernetes, un Collector en DaemonSet lit /var/log/pods/*/*/*.log, utilise l'opérateur container pour décoder le format du runtime, puis le processeur k8sattributes pour ajouter pod, namespace, déploiement et labels. Le chart Helm officiel l'active avec le préréglage logsCollection.
Erreur Courante : Ne collectez pas deux fois les mêmes logs (appender OTLP et fichier) : volume doublé et doublons dans le backend. Choisissez une voie par application.
4. Traiter et interroger #
Réduire, masquer, retrouver.
Dans le Collector #
processors:
filter/debug:
logs:
log_record: ['severity_number < SEVERITY_NUMBER_INFO'] # supprimer DEBUG et TRACE
transform/pii:
log_statements:
- context: log
statements:
- replace_pattern(body, "[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+", "***@***")Dans Loki #
{service_name="checkout"} | severity_text="ERROR"
{service_name="checkout"} | trace_id="4bf92f3577b34da6a3ce929d0e0e4736"
sum by (service_name) (count_over_time({deployment_environment_name="production"} | severity_text="ERROR" [5m]))Mon suivi
Connectez-vous pour suivre votre progression et prendre des notes. Se connecter
💬 Discussions récentes de la formation
- Quels attributs utiliser pour nommer mes spans HTTP (semconv) ?✓ résolu · 1 réponse(s)
- OpenTelemetry Collector : mes traces arrivent mais pas mes métriques✓ résolu · 2 réponse(s)
Poser une question sur cette leçon →Voir toutes les discussions de la formation
Articles recommandés
Les traces OpenTelemetry en profondeur : spans, statuts, événements, liens et échantillonnage
Maîtriser le signal trace : anatomie d'une trace distribuée, span et SpanKind, attributs, statut ...
Corréler traces, métriques, logs et profils avec OpenTelemetry
Relier les quatre signaux pour diagnostiquer vite : ressource commune, trace_id dans les logs, ex...
Les profils, le quatrième signal d'OpenTelemetry : profilage continu et corrélation avec les traces
Comprendre le nouveau signal profile d'OpenTelemetry : profilage continu, flame graphs, modèle de...
OpenTelemetry : Instrumentation Automatique vs Manuelle
Comprenez les différences entre l'instrumentation automatique et manuelle avec OpenTelemetry, leu...
APM Datadog et OpenTelemetry : traces, services et corrélation avec les logs
Instrumenter ses applications pour l'APM Datadog (dd-trace, instrumentation en une étape, OpenTel...
Projet fil rouge : les quatre signaux de l'OpenTelemetry Demo dans la stack Grafana
Un projet fil rouge qui traverse les formations d'observabilité : déployer l'OpenTelemetry Demo, ...
Ingérer des logs OpenTelemetry dans Elasticsearch
Collecter et structurer des logs avec le Collector OpenTelemetry (receiver filelog, opérateurs, p...
Envoyer des traces vers Tempo : instrumentation OpenTelemetry et Alloy
Produire et acheminer des traces vers Tempo : auto-instrumentation Python/Java/Node, SDK manuel, ...
Relier traces et profils : span profiles avec Tempo et Pyroscope
Passer d'une trace lente au profil CPU exact de ce span : span profiles en Go et Java, configurat...