Optimización de consultas utilizando la observabilidad

Fragmento de código: rastreo de consultas PostgreSQL con 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()

El rastreo identifica los cuellos de botella de servicio cruzado que afectan la velocidad de consulta.

Detección de anomalías proactivas en latencia de consulta

Establecer umbrales de alerta dinámica basados ​​en datos de observabilidad permite la detección rápida de la degradación del rendimiento.

Fragmento 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} ms\n{query}")

Automatizar esto ayuda a mantener los SLA y evitar el impacto del usuario.