Python 应用实现 APM 自动注入（Kubernetes 篇）本文面向 Kubernetes 与观测云 APM 用

前言

本文面向 Kubernetes 与观测云 APM 的使用者，提供一套零代码侵入、可直接落地的 Python 容器应用全链路监控方案。你无需修改任何业务代码，只需跟着本文分步操作，即可快速实现 Python 应用的 HTTP 调用、数据库 / 缓存依赖等全链路数据采集，为微服务问题排查、性能优化提供数据支撑。

核心概念与架构

核心组件说明

先搞懂每个组件的作用，后续操作不迷茫：

组件	核心职责	新手一句话理解
观测云工作空间	链路数据的存储、可视化、分析平台	监控数据的 "后台管理系统"
DataKit	观测云的数据采集核心，以 DaemonSet 形式运行在 K8s 集群每个节点，通过 ddtrace 采集器接收 Python 探针上报的链路数据，最终上报至观测云	集群里的 "数据采集快递员"，负责把探针数据送到观测云
DataKit Operator	基于 K8s 准入控制机制，为目标 Pod 自动注入探针初始化容器和环境变量，无需修改业务代码	探针的 "自动安装机器人"，不用你手动改应用配置，自动给符合条件的 Python 应用装监控探针
ddtrace 探针	Python 应用的链路埋点探针，自动采集应用调用链路数据	装在 Python 应用里的 "数据记录仪"，自动记录应用的每一次调用

核心架构

本文示例为典型前后端分离场景，全链路数据流转架构如下：

前置准备

请先确认以下条件全部满足，再开始后续操作：

你有一个正常运行的 Kubernetes 集群，拥有集群管理员权限（可执行 kubectl apply、修改命名空间资源等操作）
你的 Python 容器应用已经正常部署在 K8s 集群中，且能正常对外提供服务
你已开通观测云工作空间，并获取到了对应工作空间的 Token（Dataway Token）
本地 kubectl 工具已配置好集群访问凭证，可正常连接并操作 K8s 集群

第一步：部署并配置 DataKit

1.1 部署 DataKit

执行官方清单快速部署 DataKit，默认以 DaemonSet 形式运行在所有节点：

# 部署 DataKit
kubectl apply -f https://static.guance.com/datakit/datakit.yaml

1.2 配置关键环境变量

执行以下命令，更新 DataKit 的环境变量，请务必替换尖括号内的参数为你自己的实际值：

kubectl -n datakit set env daemonset/datakit \
  # 替换为实际的 Dataway 地址和 Token
  ENV_DATAWAY="https://openway.guance.com?token=<YOUR-WORKSPACE-TOKEN>" \
  # 自定义集群名称，便于多集群数据区分
  ENV_CLUSTER_NAME_K8S="python-k8s-demo" \
  # 必须包含 ddtrace，否则无法接收 Python 探针数据
  ENV_DEFAULT_ENABLED_INPUTS="statsd,dk,cpu,disk,diskio,mem,swap,system,hostobject,net,host_processes,container,kubernetesprometheus,ddtrace"

可选方式：你也可以直接编辑 datakit.yaml 文件，修改对应环境变量后，重新执行 kubectl apply -f datakit.yaml 生效。

注意提示：

ENV_DEFAULT_ENABLED_INPUTS 里必须包含ddtrace，多个采集器之间只能用英文逗号分隔，不能有空格，否则采集器无法正常启用

Dataway 地址和 Token 必须填写正确，否则数据无法上报到观测云，Token 可在观测云工作空间的「管理」-「基本设置」中获取

确保集群节点能正常访问你的 Dataway 地址，无网络策略或防火墙拦截

1.3 验证 DataKit 部署状态

验证 Pod 运行状态

kubectl -n datakit rollout status daemonset/datakit
kubectl -n datakit get pods

预期结果：所有 DataKit Pod 状态为 Running，且分布在各节点。

第二步：部署并配置 DataKit Operator

2.1 部署 DataKit Operator

执行官方清单部署 Operator 组件（负责 Pod 探针注入）：

kubectl apply -f https://static.guance.com/datakit-operator/datakit-operator.yaml

2.2 配置 Python 精准注入规则

为避免全量注入，通过 ConfigMap 配置命名空间 + 标签双维度的精准注入规则，本案例仅对 python-apm-demo 命名空间（namespace）、带有 guance-auto-inject=python 标签（label）的 Pod 生效。

创建/更新注入配置

创建 datakit-operator-configmap.yaml 文件：

执行配置更新：

kubectl apply -f datakit-operator.yaml
# 重启 Operator 使配置生效
kubectl -n datakit rollout restart deployment/datakit-operator
kubectl -n datakit rollout status deployment/datakit-operator

新手提示：Operator 必须和 DataKit 部署在同一个datakit命名空间下，否则会出现权限和配置读取异常。

关键提醒：必须重启业务 Pod，Operator 才会在 Pod 创建时执行注入操作，已经运行的 Pod 不会被注入。

2.3 验证注入效果

验证 Operator 运行状态

kubectl -n datakit get pods -l app=datakit-operator -o wide

预期结果：datakit-operator Pod 状态为 Running.

验证业务 Pod 注入结果

kubectl -n python-apm-demo describe pod -l app=server

预期注入特征（关键验证点）：

Env 中包含 DD_AGENT_HOST、DD_TRACE_AGENT_PORT 等环境变量

效果展示

总结

本文基于观测云生态完成了 Python 容器应用的探针自动注入与全链路采集，核心价值在于：

无需修改业务代码，通过 Operator 实现无侵入式探针注入
精准控制注入范围，避免对集群内其他应用造成影响
完整采集 HTTP 调用、数据库/缓存依赖等全链路数据，满足可观测性需求

只要确保 DataKit 的 ddtrace 插件启用、Operator 注入规则配置正确，即可快速实现 Python 应用的全链路可观测性，为问题排查、性能优化提供数据支撑。