Druid数据源指标监控

Spring Boot 3+Druid多数据源配置与监控实战 数据库连接池是Java企业级应用中的核心组件,负责管理数据库连接的创建、使用和回收。Druid作为阿里开源的连接池实现,不仅具备高性能连接管理能力,更以其强大的监控功能著称。通过内置的SQL统计、连接池状态可视化等特性,开发者可以实时掌握SQL执行情况,快速定位性能瓶颈。结合Spring Boot 3的自动化配置,可以轻松实现多数据源动态切换,满足主从分离、分库分表等复杂场景需求。本文以电商系统为例,详细演示如何配置Druid监控页面、实现SQL日志打印,并分享生产环境中连接泄漏检测、慢SQL优化等实战经验 阅读详情
AI摘要

本文围绕Druid数据源指标监控展开,介绍了相关软件环境、官方文档等。其指标监控分数据采集和指标告警,通过开发Java代码获取指标并暴露到端点,由监控工具拉取,告警工具配置阈值实现。还列举了Springboot应用中Druid连接池常用指标及查看方式,助于了解连接池状态。

软件环境

Druid Starter官方网址:https://github.com/alibaba/druid/tree/master/druid-spring-boot-starter

Druid帮助文档:https://github.com/alibaba/druid/wiki/%E9%A6%96%E9%A1%B5

Druid源代码工程:https://github.com/alibaba/druid

Druid官方文档    

https://github.com/alibaba/druid/wiki

Druid配置文档    

https://github.com/alibaba/druid/wiki/DruidDataSource配置属性列表

Druid最佳实践    

https://github.com/alibaba/druid/wiki/DruidDataSource配置

摘要    

       Druid数据源指标监控分数据采集和指标告警,是指通过开发java代码获取应用的Druid数据源指标并暴露到应用的指标端点,然后通过普米等监控工具拉取该指标,然后通过alert-manager、n9e等告警工具配置域值从而实现告警和监控的能力。


本文亮点

  1、实现了一般的Druid数据源监控,
  2、还额外支持tomcat内置JNDI做为底层数据源的Druid数据源监控
  3、如需实现HikariCP数据源指标采集只需改一下代码中的指标名即可(代码可复用)

特别说明

     Springboot2的较新版本自带HikariCP且默认HikariCP,且不需要额外开发,自带此类监控指标。如果需要附加其他指标tag(属性)可参考此文稍作修改。


标签

JNDI数据源指标监控、Druid指标监控、HikariCP指标监控

一、效果图


二、数据流图/组件架构图

三、代码

1、Druid数据源指标配置类

package person.daizhongde.common.monitor.druid;

import person.daizhongde.datasources.DynamicDataSource;// AbstractRoutingDataSource 的实现类,用于支持Druid代理tomcat JNDI数据源
import com.alibaba.druid.pool.DruidDataSource;
import io.prometheus.client.CollectorRegistry;
import lombok.extern.slf4j.Slf4j;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.autoconfigure.condition.ConditionalOnClass;
import org.springframework.boot.autoconfigure.condition.ConditionalOnProperty;
import org.springframework.boot.jdbc.DataSourceUnwrapper;
import org.springframework.context.annotation.Configuration;

import javax.sql.DataSource;
import java.util.Collection;
import java.util.LinkedHashMap;
import java.util.Map;

/**
 * @Description:    Druid数据源指标配置类
 * @Author:         bricklayer(飞火流星02027)
 * @CreateDate:     2024/10/23 10:28 AM
 * @Version:        1.0
 */
@Slf4j
@Configuration
@ConditionalOnClass({DruidDataSource.class, CollectorRegistry.class})
@ConditionalOnProperty(name = "monitor.datasource.druid.enabled", havingValue = "true", matchIfMissing = false )
public class DruidMetricsConfiguration {
    private static final Logger LOGGER = LoggerFactory.getLogger(DruidMetricsConfiguration.class);
    private final CollectorRegistry registry;

    public DruidMetricsConfiguration(CollectorRegistry registry) {
        this.registry = registry;
    }

    @Autowired
    public void bindMetricsRegistryToDruidDataSources(Collection<DataSource> dataSources) {
        Map<String, DruidDataSource> druidDataSources = new LinkedHashMap<>();

        for (DataSource dataSource : dataSources) {
            // 如果没有使用动态数据源代理可以注释掉if代码,只保留else中的
            if(dataSource instanceof DynamicDataSource){
                DynamicDataSource dynamicDataSource = (DynamicDataSource)dataSource;

                Map<Object, Object> map = dynamicDataSource.getTargetDataSources();

                //Lambda表达式
                map.forEach((k,v) ->{
                    // key 为 name  , v为 datasource
                    log.info("数据源:{}====={}",k, v);
//                    System.out.println("$$$$$$$$$$$$$$  test5  $$$$$$$$");
                    DataSource crmDataSource = (DataSource) map.get(k);
                    DruidDataSource druidDataSource = DataSourceUnwrapper.unwrap(crmDataSource, DruidDataSource.class);
                    if (druidDataSource != null) {
                        druidDataSources.put(druidDataSource.getName()+"-"+k, druidDataSource);
                    }else{

                        Object obj1 = map.get(k);
                        try {
                            druidDataSource = (DruidDataSource)DruidAopUtils.getProxyTarget(obj1 );
                            druidDataSources.put( druidDataSource.getName()+"-"+k,  druidDataSource );
                        } catch (Exception e) {
                            log.error("DruidAopUtils获取Druid数据源代码时出错!error:{}",e.getLocalizedMessage());
                            throw new RuntimeException(e);
                        }
                    }
                });
            }else{
                DruidDataSource druidDataSource = DataSourceUnwrapper.unwrap(dataSource, DruidDataSource.class);
                if (druidDataSource != null) {
                    druidDataSources.put(druidDataSource.getName(), druidDataSource);
                }
            }
        }
        DruidCollector druidCollector = new DruidCollector( druidDataSources );
        druidCollector.register(registry);
    }
}

2、Druid数据源指标聚合类

package person.daizhongde.common.monitor.druid;

import com.alibaba.druid.pool.DruidDataSource;
import io.prometheus.client.Collector;
import io.prometheus.client.GaugeMetricFamily;

import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;
import java.util.Map;
import java.util.function.Function;

/**
 * @Description:    Druid数据源指标聚合类
 * @Author:         bricklayer(飞火流星02027)
 * @CreateDate:     2024/10/23 10:28 AM
 * @Version:        1.0
 */
public class DruidCollector extends Collector {

    private static final List<String> LABEL_NAMES = new ArrayList<String>();
    static {
        LABEL_NAMES.add("pool");
        LABEL_NAMES.add("username");
        LABEL_NAMES.add("url");
    }

    private final Map<String, DruidDataSource> dataSources;

    public DruidCollector(Map<String, DruidDataSource> dataSources) {
        this.dataSources = dataSources;
    }

    @Override
    public List<MetricFamilySamples> collect() {
        return Arrays.asList(
                createGauge("druid_active_count", "Active count",
                        druidDataSource -> (double) druidDataSource.getActiveCount()),
                createGauge("druid_active_peak", "Active peak",
                        druidDataSource -> (double) druidDataSource.getActivePeak()),
                createGauge("druid_error_count", "Error count",
                        druidDataSource -> (double) druidDataSource.getErrorCount()),
                createGauge("druid_execute_count", "Execute count",
                        druidDataSource -> (double) druidDataSource.getExecuteCount()),
                createGauge("druid_max_active", "Max active",
                        druidDataSource -> (double) druidDataSource.getMaxActive()),
                createGauge("druid_min_idle", "Min idle",
                        druidDataSource -> (double) druidDataSource.getMinIdle()),
                createGauge("druid_max_wait", "Max wait",
                        druidDataSource -> (double) druidDataSource.getMaxWait()),
                createGauge("druid_max_wait_thread_count", "Max wait thread count",
                        druidDataSource -> (double) druidDataSource.getMaxWaitThreadCount()),
                createGauge("druid_pooling_count", "Pooling count",
                        druidDataSource -> (double) druidDataSource.getPoolingCount()),
                createGauge("druid_pooling_peak", "Pooling peak",
                        druidDataSource -> (double) druidDataSource.getPoolingPeak()),
                createGauge("druid_rollback_count", "Rollback count",
                        druidDataSource -> (double) druidDataSource.getRollbackCount()),
                createGauge("druid_wait_thread_count", "Wait thread count",
                        druidDataSource -> (double) druidDataSource.getWaitThreadCount())

                // 还可添加其他指标
                // .....
        );
    }

    private GaugeMetricFamily createGauge(String metric, String help,
                                          Function<DruidDataSource, Double> metricValueFunction) {
        GaugeMetricFamily metricFamily = new GaugeMetricFamily(metric, help, LABEL_NAMES);
        dataSources.forEach((s, druidDataSource) -> {

            List<String> list = new ArrayList<String>();
            list.add(s);
            list.add(druidDataSource.getUsername());
            String url = druidDataSource.getUrl();
            url = url.length()>60?url.substring(0,60)+"...":url;
            list.add( url );

            metricFamily.addMetric(
                list,
                metricValueFunction.apply(druidDataSource)
            );
        });
        return metricFamily;
    }
}

3、从代理对象中取druid数据源对象的工具类

package person.daizhongde.common.monitor.druid;

import org.springframework.aop.framework.AdvisedSupport;
import org.springframework.aop.framework.AopProxy;
import org.springframework.aop.support.AopUtils;

import java.lang.reflect.Field;

/**
 * @Description: 从代理对象中取druid数据源对象的工具类
 * @Author:         bricklayer(飞火流星02027)
 * @CreateDate:     2024/10/23 10:28 AM
 * @Version: 1.0
 */
public class DruidAopUtils {
    public static Object getProxyTarget(Object proxy) throws Exception {
        //判断是否是代理对象
        if(AopUtils.isAopProxy(proxy)){
            //cglib 代理
            if(AopUtils.isCglibProxy(proxy)){
                //通过暴力反射拿到代理对象的拦截器属性,从拦截器获取目标对象
                Field h = proxy.getClass().getDeclaredField("CGLIB$CALLBACK_0");
                h.setAccessible(true);
                Object dynamicAdvisedInterceptor = h.get(proxy);

                Field advised = dynamicAdvisedInterceptor.getClass().getDeclaredField("advised");
                advised.setAccessible(true);
                Object target = ((AdvisedSupport)advised.get(dynamicAdvisedInterceptor)).getTargetSource().getTarget();
                //返回目标对象
                return target;
            }
            //jdk代理
            if(AopUtils.isJdkDynamicProxy(proxy)){
                //通过暴力反射拿到代理对象的拦截器属性,从拦截器获取目标对象
                Field h = proxy.getClass().getSuperclass().getDeclaredField("h");
                h.setAccessible(true);
                AopProxy aopProxy = (AopProxy) h.get(proxy);

                Field advised = aopProxy.getClass().getDeclaredField("advised");
                advised.setAccessible(true);

                Object target = ((AdvisedSupport)advised.get(aopProxy)).getTargetSource().getTarget();

                return target;
            }
        }
        return null;
    }
}

附件一、参考资料(不支持JNDI数据源)

https://github.com/lets-mica/mica

https://github.com/feicuimeipo/nx-cloud

https://github.com/gtiger666/taotao-cloud-project

当前github上实现该功能的项目约21个,上面列举了排名靠前的3个

附件二:Springboot 应用中Druid数据库连接池常用指标及指标名

在使用Spring Boot结合Druid数据库连接池时,了解和监控连接池的性能和健康状态是非常重要的。Druid提供了丰富的监控指标,帮助开发者了解连接池的使用情况、性能瓶颈以及可能的配置问题。以下是一些常用的Druid数据库连接池指标及其对应的指标名,这些指标主要通过Druid的监控页面或JMX(Java Management Extensions)来查看。

1. 基本指标

  • ActiveConnections:当前活跃的连接数。

  • Connections:当前空闲的连接数。

  • CreateCount:自启动以来创建的连接数。

  • DestroyCount:自启动以来销毁的连接数。

  • PoolingCount:当前在池中的连接数。

  • WaitThreadCount:等待获取连接的线程数。

2. 性能指标

  • ConnectError:建立连接的错误次数。

  • ConnectTimeout:建立连接的超时次数。

  • MaxWait:获取连接所等待的最大时间(毫秒)。

  • MaxWaitThreadCount:等待时间最长的线程数。

  • NotEmptyWaitCount:连接池非空时,等待获取连接的次数。

  • NotEmptyWaitMillis:连接池非空时,等待获取连接的总时间(毫秒)。

3. 配置与限制

  • MaxActive:池中最大活跃连接数。

  • MinIdle:池中最小空闲连接数。

  • InitialSize:初始化时建立连接的数目。

  • MaxWait:获取连接时的最大等待时间(毫秒)。

  • TimeBetweenEvictionRunsMillis:两次检查连接是否有效的间隔时间(毫秒)。

  • MinEvictableIdleTimeMillis:连接在池中最小生存时间(毫秒),到达这个时间后,默认逐出连接。

  • MaxEvictableIdleTimeMillis:连接在池中最大生存时间(毫秒),到达这个时间后,逐出连接,不再使用时立即关闭。

4. 异常与警告

  • ErrorBorrowConnection:从池中获取连接时发生的错误次数。

  • ErrorPutBackConnection:归还连接时发生的错误次数。

  • NotClosedConnections:未关闭的连接数。

5. 性能优化指标

  • RemoveAbandoned:是否移除弃用(超过removeAbandonedTimeout)的连接。

  • RemoveAbandonedTimeout:超过时间限制被视为被遗弃而应被清除的时长(秒)。

  • TestOnBorrow:当从池中借用连接时,是否执行connection.isValid()验证。

  • TestOnReturn:当归还到池中时,是否执行connection.isValid()验证。

  • TestWhileIdle:当连接空闲时,是否执行connection.isValid()验证。

如何查看这些指标?

  1. Druid Stat页面:在启动Spring Boot应用后,通常可以通过访问http://localhost:8080/druid/index.html来访问Druid的监控页面(端口和路径可能根据配置不同而变化)。在这个页面上,你可以看到上述提到的所有指标以及它们的当前值和历史趋势图。

  2. JMX监控:你也可以通过JMX连接到你的应用,然后使用JConsole或者VisualVM等工具来查看和管理这些指标。在JMX中,你可以找到com.alibaba.druid.pool下的相关MBean来获取和监控这些指标。

通过这些指标,你可以更好地理解你的数据库连接池的运行状态,及时发现并解决潜在的性能问题或配置错误。

德鲁伊(Druid)后台监控配置详细操作。生产环境定位问题方法 从写System.out.println(“hello world!”)开始,到现在我一直认为,一个项目的系统上线,完成CURD(增删改查)的代码远远不够。为便于项目快速定位问题、排查思路、压力监控、加载缓慢等疑难杂症,你们如今又留了几手去捕捉呢?当然,成熟的软件公司会有运维部的支撑,极大程度上帮忙定位和解决了非代码上问题。对我现在的情况而言,拿到的产线环境,甚至还要自己去敲命令挂载磁盘…因此,不得不为上线后的问题排查做好几手的准备。今天就分下一下个人在项目中使用的Druid的监控配置。 阅读详情

相关推荐

【Spring Boot实战与进阶】集成Druid数据库连接池和监控

看完美团、字节、腾讯这三家的面试问题,是不是感觉问的特别多,可能咱们又得开启面试造火箭、工作拧螺丝的模式去准备下一次的面试了。开篇有提及我可是足足背下了1000道题目,多少还是有点用的呢,我看了下,上面这些问题大部分都能从我背的题里找到的,所以今天给大家分享一下互联网工程师必备的面试1000题。注意不论是我说的互联网面试1000题,还是后面提及的算法与数据结构、设计模式以及更多的Java学习笔记等,皆可分享给各位朋友互联网工程师必备的面试1000题而且从上面三家来看,算法与数据结构是必备不可少的。

2401_84048034的博客 426

配置Druid数据源监控

配置Druid数据源监控

qq_52183856的博客 2639

Druid连接池性能调优指南:从监控数据看懂SQL优化关键指标

本文深入解析了如何利用Druid连接池的监控数据,特别是其监控页面中的核心指标,进行数据库性能调优与SQL优化。文章详细解读了活跃连接数、等待线程数、SQL执行时间等关键指标,并提供了从连接泄漏排查、慢SQL定位到连接池参数配置的实战指南,帮助开发者从数据层面精准发现和解决数据库性能瓶颈。

o9p0q1的博客 615

阿里巴巴(alibaba)系列_druid 数据库连接池_监控(一篇搞定)记录执行慢的sql语句...

参考帖子:http://www.cnblogs.com/han-1034683568/p/6730869.html Druid数据连接池简介 Druid是Java语言中最好的数据库连接池。Druid能够提供强大的监控和扩展功能。 性能好,同时自带监控页面,可以实时监控应用的连接池情况以及其中性能差的sql,方便我们找出应用中连接池方面的问题。 Druid是一个JDBC组件,它...

weixin_34235371的博客 777

Spring Boot 集成 druid,实现 SQL 监控

Druid提供了强大的监控和扩展功能,通过配置StateFilter可以监控和记录慢SQL。

甘蓝的专栏 1085

UE5.5 PCGFrameWork程序化内容生成实战指南

本文是UE5.5 PCGFrameWork程序化内容生成的实战指南。详细介绍了从点云采样、DynamicMesh几何生成到子图与蓝图扩展的核心工作流。通过实战案例演示如何利用该框架高效构建丰富的程序化场景,为技术美术、独立开发者及爱好者提供从入门到进阶的系统性指引。

tea88的博客 921

连接池 druid DruidDataSource 配置

    注: 属性跟 dbcp 连接池的差不多. 加入了 filters 监控(value 值要有 stat)   在web.xml里加入下面的Servlet  就可查看  例: http://localhost:8080/BenbearGame_test/druid 跟spring 一起用时( 只要配置  initialSize      maxActive   就...

鬼烧java 2114

MIT-BEVFusion系列六--bevfusion网络部分流程理解

简述bevfusion网络部分

duanmushuangquan的博客 4897

Druid Web控制台与运维管理

Apache Druid的Web控制台是一个基于React和TypeScript构建的现代化数据管理界面,提供了强大的可视化监控和管理能力。本文详细解析了控制台的架构技术栈、核心功能模块(包括数据源管理、SQL工作台、数据加载和集群监控),以及运维最佳实践和故障排查方法,帮助用户高效管理和维护Druid集群。 ## Web控制台功能与界面解析 Apache Druid的Web控制台是一个功能强

gitblog_00662的博客 651

对称加密和非对称加密,数字签名和证书

在对称加密中,任何人都可以使用公钥进行加密。在数字签名中,任何人都可以使用公钥验证签名。数字签名,其实就是将非对称加密反过来使用。公钥私钥非对称加密发送者加密时使用接收者解密时使用数字签名验证者验证签名时使用签名者生成签名时使用谁持有密钥?只要有需要,任何人都可以持有个人持有既然是加密,那肯定是不希望别人知道我的消息,所以只有我才能解密。公钥负责加密,私钥负责解密。既然是签名,那肯定是不希望有人冒充我发消息,所以只有我才能签名。私钥负责签名,公钥负责验签。

m0_70432049的博客 1410

【GameFramework框架】三、快速启动

这篇文章就带领大家如何快速启动GameFramework框架。

优快云博客专家,Unity3D高级软件工程师,《Unity 3D从入门到实战》作者。 4435

druid 整合dynamic datasource,显示多数据源监控

application.yml配置文件加上这一句,否则只显示主数据源监控: spring: datasource: type: com.alibaba.druid.pool.DruidDataSource

Wewon_real的博客 780

【入门AUTOSAR网络管理测试】AUTOSAR网络管理规范需求解读

AUTOSARAutomotive Open System Architecture,汽车开放系统架构,由全球汽车制造商、部件供应商及其他电子、半导体和软件系统公司联合建立,致力于制定汽车电子软件标准的联盟。网络管理网络管理的目的是使网络中的ECU节点有序的睡眠和唤醒。在没有通信需求的时候睡眠,在需要通信的时候唤醒,可以节约汽车电池的电量。

测试领域技术分享 5171

Dynamic-Datasource连接池监控面板:自定义指标终极指南

在复杂的微服务架构中,多数据源管理是每个开发者都会面临的挑战。Dynamic-Datasource作为Spring Boot生态中强大的动态数据源解决方案,其连接池监控功能更是项目稳定运行的守护神。本指南将带你深入了解如何配置和使用dynamic-datasource的监控面板,让你的应用性能监控达到专业级别!🚀 ## 为什么需要连接池监控? 连接池是数据库访问性能的关键所在。没有监控的连接

gitblog_00386的博客 329

lammps蒙特卡洛MC模拟案例

在lammps中,和MC相关的模拟命令有三个:fix gcmc、fix atom/swap、fix sgcmc。在一个lammps模拟中,mc和md可同时存在,间隔运行,所以设置fix sgcmc命令的同时,可以同时设置系综(nve、nvt或者npt)。lammps官网自带案例中也有一个fix sgcmc的案例,主要模拟FeCu合金的MC建模。sgcmc命令可应用到合金的模拟中,如短程有序模拟。MC运行间隔为100步,最终的浓度比例为0.02,也就是2%的Fe原子交换为Cu原子。大家好,我是小马老师。

lammps_jiayou的博客 1829

RK3588 部署 ArcFace(r100)人脸识别模型:ONNX 转 RKNN 全流程详解

本文介绍了将ArcFace人脸识别模型转换为RKNN格式并部署到RK3588 NPU的方法。ArcFace是主流的人脸特征提取模型,适用于1:1比对和1:N检索等场景。文章详细说明了模型特点(输入112x112 RGB图像,输出512维特征向量)及转换步骤:首先使用torch2onnx将PyTorch模型转为ONNX格式,再通过RKNN工具进行量化转换。提供了完整的Python转换代码,包括预处理配置、模型加载、构建和导出过程。该方法能有效提升边缘设备上的人脸识别实时性,适用于门禁、考勤等应用场景。

J。 421

深啃项目第五篇-Druid 数据源监控

组件关键监控指标告警策略Druid(活跃连接数)接近maxActive时告警(等待连接数) /持续增长或数值过高时告警(慢SQL数)> 0 即告警(SQL错误数)短时间内激增告警(回滚数)激增告警Kafka消息堆积 LagLag 超过阈值告警生产/消费速率速率突降或为0告警Broker 离线任一Broker下线告警Redis内存使用率> 90% 告警连接数接近maxclients告警阻塞客户端数量> 0 告警缓存命中率命中率过低告警MySQL连接数接近告警慢查询数量。

默的博客 692

YOLOv11改进 | Conv/卷积篇 | 轻量化多尺度异构卷积(MSHC)优化YOLOv11精度(全网独家首发)

本文介绍了Hype-YOLO提出的MANet结构,这是C3、C2f、C3k2的升级版,能显著增强特征提取能力。MANet整合了DSConv和C2f结构,通过多分支异构设计提升梯度流动和特征语义深度。文章详细解析了MSHC模块的原理,包括其多尺度并行建模、通道混洗等核心机制,并提供了完整的代码实现和训练教程。实验表明,Hype-YOLO的精度优于YOLOv11。该结构在保持轻量化的同时,通过异构分支设计实现了更丰富的特征表达,适用于目标检测等视觉任务。

Snu77的博客 959

springboot 整合Druid 实现sql监控

springboot 整合Druid 实现sql监控 环境介绍 springboot2.1.6 druid 1.1.18 pom配置 <!--druid依赖的导入,druid依赖log4j--> <!--注意这里导入的是druid-spring-boot-starter,可以不用再次导入druid包--> <depend...

qpalzmwodyz的博客 407

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

如何通过监控指标保障数据库连接池稳定性?动态数据源连接池问题诊断与优化实践

在高并发业务场景中,数据库连接池往往成为系统性能的关键瓶颈。当应用出现"数据库连接超时"、"连接池耗尽"等错误时,开发团队常常陷入被动排查。dynamic-datasource作为Spring Boot生态中成熟的动态数据源解决方案,通过内置的监控指标体系为开发者提供了主动发现问题的能力。 **核心问题表现**: - 连接池配置与业务负载不匹配导致频繁等待 - 连接泄露造成连接资源耗尽 - 主从

gitblog_00064的博客 279

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

若依的数据源配置,包括druid监控filter

# 数据源配置 spring: datasource: type: com.alibaba.druid.pool.DruidDataSource driverClassName: com.mysql.cj.jdbc.Driver druid: # 主库数据源 master: url: jdbc:mysql://xxx:3306/ry-vue?useUnicode=true&

做你想做的人,没有时间的限制,只要愿意,什么时候都可以start。 2037

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

Druid数据库连接池监控实战:配置、指标与故障排查

数据库连接池是 Java 应用访问数据库的关键资源池,核心矛盾集中在连接不够分、连接被占着不还以及 SQL 执行质量劣化。连接池监控通过采集活跃连接数、等待线程数、物理连接创建次数和 SQL 耗时等指标,把资源使用从黑盒变成可观测的白盒。其技术价值在于提前识别连接泄漏、慢查询挤压和配置失当,避免接口超时、线程池打满等整站级故障。在 Spring Boot、多数据源和容器化部署场景中,结合 StatFilter 做 JDBC 调用链统计、StatViewServlet 暴露 JSON 指标,再配合慢 SQL

weixin_32821533的博客 231

SpringBoot3 整合 Druid 数据源:从配置到监控的完整实践

本文详细介绍了如何在SpringBoot3项目中整合Druid数据源,从基础配置到高级监控功能的完整实践。Druid作为阿里巴巴开源的数据库连接池,提供了完善的监控和SQL防火墙功能,特别适合高并发场景。文章涵盖了环境搭建、核心配置、监控功能配置及常见问题解决方案,帮助开发者高效使用Druid提升应用性能。

weixin_28338005的博客 323

Spring Boot整合Druid连接池与监控配置实战

数据库连接池作为Java应用性能优化的关键组件,其核心原理是通过复用连接减少创建销毁开销。Druid凭借内置的监控体系在众多连接池中脱颖而出,特别适合高并发场景下的性能诊断。通过stat过滤器实现SQL执行耗时统计,结合wall过滤器提供安全防护,开发者可以快速定位慢查询和连接泄漏问题。在电商、金融等需要应对3000+ QPS的系统中,Druid的实时监控面板能直观展示连接数波动、事务统计等关键指标。本文以Spring Boot为例,详细演示从基础配置到Prometheus集成的全流程实践,包含多数据源监控

weixin_30702441的博客 260

SpringBoot整合Druid连接池配置与监控实践

数据库连接池是Java企业级应用性能优化的核心技术组件,通过复用数据库连接减少创建和销毁的开销。Druid作为阿里巴巴开源的连接池实现,相比HikariCP等方案提供了更强大的监控能力,包括SQL执行统计、连接池状态可视化等功能。在SpringBoot项目中集成Druid需要显式排除默认的HikariCP依赖,并通过yml文件配置连接参数和监控面板。这种方案特别适合需要详细监控SQL性能的金融系统、高频访问的电商平台等场景,开发者可以通过/druid路径访问内置监控界面,实时分析慢查询和连接泄漏问题。

weixin_30920513的博客 350

Spring Boot集成Druid数据源:配置优化与监控实践

数据库连接池是Java应用性能优化的关键组件,通过管理数据库连接的创建、复用和释放,显著提升系统吞吐量。Druid作为阿里巴巴开源的高性能连接池,内置SQL监控、防火墙和连接泄漏检测等企业级功能,特别适合Spring Boot生产环境。相比HikariCP等方案,Druid提供可视化监控面板,可实时分析SQL执行性能、拦截恶意查询,并支持多数据源管理。在电商、金融等对数据安全要求较高的场景中,其WallFilter能有效防范SQL注入攻击。通过YAML配置即可实现连接池参数调优、慢SQL记录等核心功能,配合

weixin_33428613的博客 263
上一篇: Excel数字签名技术总结
下一篇: 多数据源SpringBoot应用集成ElasticJob3.0.4并实现作业事件追踪【最佳实践】
飞火流星02027
博客等级 码龄19年 783粉丝 121原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

飞火流星02027

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值