Prometheus核心概念与查询语言入门指南
在现代云原生监控体系中，Prometheus 作为 CNCF（云原生计算基金会）毕业项目，已成为 Kubernetes 和微服务架构下的首选监控解决方案。它不仅提供了强大的数据采集和存储能力，还拥有灵活的查询语言 PromQL。本文将深入探讨 Prometheus 的核心概念、数据模型以及 PromQL 的基本用法，帮助初学者快速掌握 Prometheus 的理论基础。
一、Prometheus 简介
Prometheus 是一个开源的系统监控和告警工具包，最初由 SoundCloud 开发。它采用 Pull 模式采集时间序列数据，通过 HTTP 协议定期从各种目标获取指标信息。其核心特性包括：
- 多维数据模型（时间序列由指标名称和键值对标签组成）
- PromQL 查询语言，提供强大的数据查询和分析能力
- 不依赖分布式存储，单个服务器节点是自治的
- 通过服务发现或静态配置来发现目标
- 支持图表和仪表板等多种可视化方式
二、Prometheus 架构详解
Prometheus 的整体架构由多个核心组件构成，这些组件协同工作以提供完整的监控解决方案：
1. 核心组件
| 组件 | 作用 |
|---|---|
| Prometheus Server | 主服务，负责指标抓取、存储和查询 |
| Exporters | 暴露各种系统和服务的指标 |
| Alertmanager | 处理告警通知 |
| Pushgateway | 允许临时和批量作业推送指标 |
| Service Discovery | 服务发现机制，自动发现监控目标 |
2. 架构图
+--------------+
| Prometheus |
| Server |
+--------------+
|
+-----------------+-----------------+
| | |
+--------v-------+ +-------v--------+ +-----v---------+
| Exporters | | Pushgateway | | Service |
| (Node, MySQL, | | | | Discovery |
| etc.) | | | | (K8s, Consul, |
+----------------+ +----------------+ | etc.) |
+---------------+
+---------------+
| Alertmanager |
+---------------+
+---------------+
| Grafana/Other |
| Visualisation |
+---------------+
3. 工作流程
- Prometheus Server 通过配置的抓取任务定期从目标获取指标
- 通过服务发现机制动态发现监控目标
- 将抓取的指标存储在本地时序数据库中
- 用户通过 PromQL 查询语言查询和分析数据
- 当触发告警规则时，将告警发送到 Alertmanager
- Alertmanager 处理告警并发送通知（邮件、Slack 等）
- 通过 Grafana 等工具进行数据可视化
三、核心概念详解
1. 时间序列数据模型
Prometheus 存储的是时间序列数据，每个时间序列由以下部分组成：
- 指标名称（Metric Name）：描述被监控样本的含义，例如
http_requests_total表示 HTTP 请求总数 - 标签（Labels）：一组键值对，用于标识时间序列的特征，例如
method="POST"、status="200" - 时间戳（Timestamp）：样本数据的时间点
- 样本值（Sample Value）：当前时间点的具体数值
例如：http_requests_total{method="POST", handler="/api/v1/users", status="200"} 42
2. 指标类型
Prometheus 定义了四种核心指标类型：
| 指标类型 | 说明 | 示例 |
|---|---|---|
| Counter（计数器） | 只增不减的累计型指标，常用于请求总数、任务完成数等 | http_requests_total |
| Gauge（仪表盘） | 可增可减的指标，用于表示瞬时状态，如 CPU 使用率、内存用量 | node_memory_available_bytes |
| Histogram（直方图） | 对观测值（通常是请求持续时间或响应大小）进行分组计数 | http_request_duration_seconds_bucket |
| Summary（摘要） | 类似直方图，但直接提供分位数计算结果 | http_request_duration_seconds{quantile="0.99"} |
3. 作业（Job）与实例（Instance）
在 Prometheus 的术语中：
- Instance（实例）：一个单独的监控目标，通常对应一个进程或服务
- Job（作业）：具有相同目的的实例集合，例如一个 API 服务的所有副本
四、PromQL 查询语言详解
PromQL（Prometheus Query Language）是 Prometheus 提供的功能强大的表达式语言，允许用户实时选择和汇聚时间序列数据。
1. 基本表达式
最基本的 PromQL 表达式是指标名称，例如：
http_requests_total
可以通过标签匹配器来过滤时间序列：
http_requests_total{job="apiserver", status=~"5.."}
其中：
=：完全相等!=：不相等=~：正则表达式匹配!~：正则表达式不匹配
2. 常用函数
count 函数
count 函数用于计算时间序列的数量：
count(http_requests_total)
这将返回匹配指标的时间序列数量。例如，如果有多个实例都在暴露 http_requests_total 指标，该函数会返回这些实例的数量。
rate 函数
rate 函数计算时间序列在时间窗口内的每秒增长率，通常用于 Counter 类型指标：
rate(http_requests_total[5m])
这将返回 HTTP 请求在最近 5 分钟内的每秒增长率。由于 Counter 是累计值，直接查看其数值意义不大，通常需要计算其增长率。
sum 函数
sum 函数对时间序列进行求和：
sum(http_requests_total) by (status)
按状态码对 HTTP 请求总数进行分组求和。这会将所有实例中相同状态码的请求总数加在一起。
其他常用函数
| 函数 | 说明 | 示例 |
|---|---|---|
increase() | 计算时间窗口内计数器的增长量 | increase(http_requests_total[5m]) |
avg_over_time() | 计算时间窗口内值的平均值 | avg_over_time(node_cpu_seconds_total[1m]) |
max_over_time() | 计算时间窗口内值的最大值 | max_over_time(node_memory_bytes_available[1h]) |
min_over_time() | 计算时间窗口内值的最小值 | min_over_time(node_memory_bytes_available[1h]) |
predict_linear() | 基于线性回归预测未来值 | predict_linear(node_filesystem_free_bytes[1h], 4 * 3600) |
3. 操作符
Prometheus 支持多种操作符：
- 算术运算符：
+、-、*、/、%、^ - 比较运算符：
==、!=、>、<、>=、<= - 逻辑运算符：
and、or、unless
例如，使用 offset 计算指标的变化：
http_requests_total - http_requests_total offset 1h
这个表达式计算的是当前时刻的 HTTP 请求数与 1 小时前的请求数之间的差值。
4. 高级查询示例
计算错误率
计算 HTTP 错误请求的占比：
rate(http_requests_total{status=~"5.."}[5m]) / rate(http_requests_total[5m])
计算 CPU 使用率
计算 CPU 使用率：
100 - (avg by (instance) (irate(node_cpu_seconds_total{mode="idle"}[5m])) * 100)
计算内存使用率
计算内存使用率：
(1 - (node_memory_MemAvailable_bytes / node_memory_MemTotal_bytes)) * 100
五、存储机制与数据分块
1. 时序数据库（TSDB）原理
Prometheus 使用自研的时序数据库 TSDB，专门优化用于存储时间序列数据。其主要特点包括：
- 按时间分块存储（chunk）
- 高效的压缩算法
- 支持长期存储和快速查询
2. 数据分块（Chunk）
在 Prometheus 中，数据以 2 小时为单位划分为块（chunk）。每个 chunk 包含一个时间序列在该时间窗口内的所有样本数据。这种设计有以下优势：
- 提高查询效率：查询特定时间范围的数据只需访问相关块
- 优化存储：可以对整个块进行压缩
- 便于管理：可以按块进行删除或归档操作
每个 chunk 最多包含 120 个样本点，当达到最大样本数或时间窗口结束时，chunk 会被关闭并压缩。
3. 块存储结构
Prometheus 的存储结构如下：
数据目录/
├── chunks/
│ ├── 000001
│ └── 000002
├── wal/
│ ├── 000001
│ └── 000002
├── index/
└── meta.json
各目录作用：
chunks/：存储实际的样本数据块wal/：预写日志（Write-Ahead Log），用于保证数据持久性index/：倒排索引，用于快速查找时间序列meta.json：元数据文件，包含块的时间范围等信息
4. 压缩与保留策略
Prometheus 采用多种压缩策略来减少存储空间：
- Delta 编码：存储时间戳和值的差值而非绝对值
- 变长编码：使用更少的位数表示较小的数字
- 重复数据删除：移除重复的标签集
默认情况下，Prometheus 会保留 15 天的数据，但可以通过配置 --storage.tsdb.retention.time 参数来调整保留时间。
| 参数 | 说明 | 示例 |
|---|---|---|
--storage.tsdb.retention.time | 数据保留时间 | --storage.tsdb.retention.time=30d |
--storage.tsdb.retention.size | 数据保留大小 | --storage.tsdb.retention.size=10GB |
--storage.tsdb.wal-compression | 是否压缩 WAL | --storage.tsdb.wal-compression=true |
六、Prometheus 生态系统
Prometheus 拥有丰富的生态系统，包括各种 Exporter、Alertmanager、Pushgateway 等组件：
1. Exporters
Exporter 是 Prometheus 生态中的重要组件，用于将各种系统和服务的指标转换为 Prometheus 可以理解的格式。
| Exporter | 监控对象 |
|---|---|
| Node Exporter | 主机系统指标（CPU、内存、磁盘等） |
| MySQL Exporter | MySQL 数据库指标 |
| Redis Exporter | Redis 数据库指标 |
| Blackbox Exporter | 网络探测（HTTP、TCP、ICMP 等） |
| JMX Exporter | Java 应用指标 |
| cAdvisor | 容器指标 |
2. 其他核心组件
| 组件 | 作用 |
|---|---|
| Alertmanager | 处理告警通知 |
| Pushgateway | 允许临时和批量作业推送指标 |
| Prometheus Operator | 在 Kubernetes 上管理 Prometheus 实例 |
| Thanos | 提供全局查询视图、长期存储和高可用性 |
3. 可视化工具
| 工具 | 说明 |
|---|---|
| Grafana | 流行的可视化平台，支持 Prometheus 数据源 |
| Prometheus UI | Prometheus 内置的简单查询界面 |
七、实际应用场景
1. 微服务监控
在微服务架构中，Prometheus 可以通过服务发现机制自动发现并监控各个服务实例，通过标签区分不同的服务、版本和环境。
常用指标示例：
http_requests_total：HTTP 请求总数http_request_duration_seconds：HTTP 请求持续时间go_goroutines：Goroutine 数量process_resident_memory_bytes：进程内存使用量
2. Kubernetes 集群监控
Prometheus 与 Kubernetes 深度集成，可以通过 kube-state-metrics 获取集群状态，通过 node-exporter 获取节点指标，实现全面的集群监控。
关键监控指标：
- 节点资源使用情况：CPU、内存、磁盘
- Pod 状态：运行、失败、重启次数
- 容器资源使用：CPU、内存、网络
- 集群组件健康状态：API Server、etcd、kubelet
3. 业务指标监控
通过自定义指标暴露，可以监控业务关键指标，如订单量、用户活跃度等，为业务决策提供数据支持。
示例：
- 订单处理量：
orders_processed_total - 用户登录次数：
user_login_total - 支付成功率：
payment_success_rate
4. 告警规则配置
Prometheus 可以通过配置告警规则来实现自动化监控告警：
groups:
- name: example
rules:
- alert: HighErrorRate
expr: rate(http_requests_total{status=~"5.."}[5m]) / rate(http_requests_total[5m]) > 0.05
for: 10m
labels:
severity: warning
annotations:
summary: "High error rate detected"
description: "Error rate is above 5% for more than 10 minutes"
八、最佳实践建议
- 合理设计指标名称和标签：遵循命名规范，避免标签过多导致的基数问题
- 选择合适的指标类型：正确使用 Counter、Gauge、Histogram 和 Summary
- 控制时间序列基数：避免高基数标签，如 user_id、request_id 等
- 设置合理的保留时间：根据存储容量和查询需求平衡数据保留时间
- 使用记录规则优化查询：对于复杂的查询表达式，可以预先计算并存储结果
- 合理使用 Histogram 和 Summary：Histogram 更适合聚合，Summary 更适合分位数计算
- 避免查询高基数时间序列：高基数查询可能导致性能问题
- 使用服务发现自动发现监控目标：减少手动配置工作量
总结
Prometheus 作为现代监控体系的核心组件，其强大的数据模型和灵活的查询语言为系统监控提供了坚实的基础。通过理解其核心概念、掌握 PromQL 的基本用法，并了解其存储机制，我们可以更好地利用 Prometheus 构建高效的监控系统。
评论区