Prometheus查询及接口服务

清疚 2022-03-08 08:39 407阅读 0赞

**目录**

1.查询语句

1.1 直接使用metrics的name进行查询

1.2 使用标签查询

2.使用记录

2.1 查询语句有加上时间限制

2.2 聚合分组查询

2.3 对区间向量求聚合

2.4 关于Prometheus的api

3 其他

3.1 采集到重复数据

3.2 丢失更新数据

3.3 时区问题

参考文献

--------------------

# 1.查询语句 #

## 1.1 直接使用metrics的name进行查询 ##

例如我定义如下几个度量

CONST.GAUGE0 = Gauge.build()
    		.name(CONST.HOST_NAME+"_a")
    		.labelNames("prov","label")
    		.help(CONST.HOST_DES)
    		.register();
    CONST.GAUGE1 = Gauge.build()
    		.name(CONST.HOST_NAME+"_s")
    		.labelNames("host_ip","process_port","label")
    		.help(CONST.HOST_DES)
    		.register();
    CONST.GAUGE2 = Gauge.build()
    		.name(CONST.HOST_NAME+"_c")
    		.labelNames("host_ip","process_port","label","d_label","to_ip","to_port")
    		.help(CONST.HOST_DES)
    		.register();

*其中CONST.HOST\_NAME="online\_access\_host\_1"*

在Graph中，直接输入 online\_acces\_host\_1\_a，就能看到如下**向量集**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpYW5nY2hhMDA3_size_16_color_FFFFFF_t_70][]

## 1.2 使用标签查询 ##

使用label查询是非常方便的，我们可以通过如下的查询获取所有label=2.1.1的向量。

{label="2.1.1"}

其他的标签也是一样的效果。

其实比较重要的是如何进行聚合查询，例如sum的使用、avg的使用。[参考文献1][1]中对这方面有比较好的讲解。

这里记录下我自己在使用过程中的一些体会。

# 2.使用记录 #

## 2.1 查询语句有加上时间限制 ##

{label="2.1.2"} [5m]

它的结果类型是“matrix”，就是一个数据集，不是向量集。是不能用sum聚合的。sum进行聚合是对向量的聚合，结果还是向量集。

## 2.2 聚合分组查询 ##

**场景：**在GAUGE1这个度量中，存在这样情况，一台设备有4个process\_port，对应标签50个。

*  我们想查询某台设备不同端口号下标签等于1.2.1的数据向量集，我们可以如下写：

{host_ip="192.168.1.1",label="1.2.1"}

按照上面这样写，可以直接出来四条记录如下：

![20190315100106396.png][]

*  我想看设备192.168.1.1每个process\_port产生的所有数据量，即不考虑指标值了。这时候，我们可以如下写：

sum({host_ip="192.168.1.1"}) by (process_port)

使用 by关键字进行分类聚合，结果如下：

![2019031510045418.png][]

*  我们想按照主机ip分组查询所有标签等于1.6.1的数据情况，即：想获取每一个设备的1.2.1指标的数据向量集

sum({label="1.6.2"})  by  (host_ip)

灵活的运用标签进行筛选，结合聚合函数，Prometheus能提供非常强大的数据查询效果。

## 2.3 对区间向量求聚合 ##

例如：求某一个指标一小时内的最大值，这是对向量的某个固定区间求最大值，而不是不同纬度的最大值。

max_over_time({label='1.4.1'} [3h])

类似用法的还有如下函数

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpYW5nY2hhMDA3_size_16_color_FFFFFF_t_70 1][]

## 2.4 关于Prometheus的api ##

先看下一下代码

public static void main(String[] args) throws Exception
        {
            String query = URLEncoder.encode("{label=\"2.1.2\"} [5m]","utf-8");
            String url = "http://localhost:9090/api/v1/query?query="+query;
            String ret = HttpKit.get(url);
            System.out.println(ret);
        }

这段代码的意思，就是模拟请求Prometheus的api接口，将查询语句直接传递过去，就能获取对应的数据。我们可以自己定制化的开发对应的展示效果。

出参如下：

{
    	"status": "success",
    	"data": {
    		"resultType": "matrix",
    		"result": [{
    			"metric": {
    				"__name__": "online_accse_host_1_a",
    				"instance": "sp1-exp",
    				"job": "bis-sp1",
    				"label": "2.1.2",
    				"prov": "yunnan"
    			},
    			"values": [
    				[1552558929.044, "3903089"],
    				[1552559214.044, "3903089"]
    			]
    		}]
    	}
    }

这是一个标准的JSON串。一般情况下，我们在使用Prometheus的时候，都会配套的使Grafana等其他数据展示的工具，但其实，我们也可以自己开发自定义的panel。通过访问Prometheus的接口服务，来获取对应的数据。

# 3 其他 #

在使用的过程中，还有以下小细节问题记录。Prometheus通过配置scrape\_interval和evaluation\_interval参数来设置向exporter采集数据的间隔时间。采集数据的间隔和数据生成的时间间隔大小不同，会对数据采集结果有影响。

## 3.1 采集到重复数据 ##

假如采集的间隔时间小于数据生成的间隔时间，就会采集到重复的数据。

即：假设Prometheus是每5秒采集一次，但是exporter是每11秒生成一次数据，那么第一次采集成功后，第二次采集的数据还是之前的历史数据，并未更新。

## 3.2 丢失更新数据 ##

假如采集的时间间隔大于数据生成的时间间隔，那么就会丢失更新数据。上一次的数据还未被采集，就被新的数据覆盖了。

简而言之：Prometheus每次向exporter获取数据的时候，都是获取的当前值，不会取到历史数据。

同样的：在使用pushgetway做中转的时候，也有同样的问题，并不能获取到历史数据，或者避免重复数据。

## 3.3 时区问题 ##

通过prometheus的UI查询界面查询的到数据在查看graph的时候会发现时间对不上，经过观察比对，会发现时间永远是比当前时间小8个小时。检查Prometheus所在主机的时区以及业务bis\_exporter的主机的时区以及时间都相同，但是查看的时候时间数据时间对不上，不过，最怪异的是通过Grafana展示的数据曲线却是正确的，时间也正确。

最后经过搜索发现，Prometheus为了保证时序的准确性，内部所有组件都是会用UTC时间，查了下出的日志文件时间也是少8个小时，这就对的上了。

> **时间戳必须使用UTC时间么？**
> 
> 是的。为了避免时区的混乱，prometheus所有的组件内部都强制使用Unix时间，对外展示使用UTC时间。如果想改变时区，可以在UI改为合适的时区时间。

# 参考文献 #

[【1】Prometheus 查询语言][1]

[【2】Prometheus监控系统简介(2.1.0)][2_Prometheus_2.1.0]

[【3】Prometheus FAQ][3_Prometheus FAQ]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpYW5nY2hhMDA3_size_16_color_FFFFFF_t_70]: /images/20220308/57dca3c75e4a4c0b97346ebb16053024.png
[1]: https://www.jianshu.com/p/3bdc4cfa08da
[20190315100106396.png]: /images/20220308/6c3acaef97b6479e856bf12a1f158d58.png
[2019031510045418.png]: /images/20220308/f41495ac756848b7856c2fffa245c68a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpYW5nY2hhMDA3_size_16_color_FFFFFF_t_70 1]: /images/20220308/644f16aeac884083bf92cc6f42e87aa8.png
[2_Prometheus_2.1.0]: https://www.jianshu.com/p/695d9e0e8af4
[3_Prometheus FAQ]: https://www.jianshu.com/p/3cecf738b172