介紹

Prometheus 的基本原理是通過 HTTP 周期性抓取被監(jiān)控組件的狀態(tài)。

任意組件只要提供對應(yīng)的 HTTP 接口并且符合 Prometheus 定義的數(shù)據(jù)格式，就可以接入 Prometheus 監(jiān)控。

Prometheus Server 負(fù)責(zé)定時(shí)在目標(biāo)上抓取 metrics（指標(biāo)）數(shù)據(jù)并保存到本地存儲(chǔ)。它采用了一種 Pull（拉）的方式獲取數(shù)據(jù)，不僅降低客戶端的復(fù)雜度，客戶端只需要采集數(shù)據(jù)，無需了解服務(wù)端情況，也讓服務(wù)端可以更加方便地水平擴(kuò)展。

如果監(jiān)控?cái)?shù)據(jù)達(dá)到告警閾值，Prometheus Server 會(huì)通過 HTTP 將告警發(fā)送到告警模塊 alertmanger，通過告警的抑制后觸發(fā)郵件或者 Webhook。Prometheus 支持 PromQL 提供多維度數(shù)據(jù)模型和靈活的查詢，通過監(jiān)控指標(biāo)關(guān)聯(lián)多個(gè) tag 的方式，將監(jiān)控?cái)?shù)據(jù)進(jìn)行任意維度的組合以及聚合。

在python中實(shí)現(xiàn)服務(wù)器端，對外提供接口。在Prometheus中配置請求網(wǎng)址，Prometheus會(huì)定期向該網(wǎng)址發(fā)起申請獲取你想要返回的數(shù)據(jù)。

另外Prometheus提供4種類型Metrics：Counter, Gauge, Summary和Histogram。

準(zhǔn)備

pip install flask
pip install prometheus_client

Counter

Counter可以增長，并且在程序重啟的時(shí)候會(huì)被重設(shè)為0，常被用于訪問量，任務(wù)個(gè)數(shù)，總處理時(shí)間，錯(cuò)誤個(gè)數(shù)等只增不減的指標(biāo)。

定義它需要2個(gè)參數(shù)，第一個(gè)是metrics的名字，第二個(gè)是metrics的描述信息：

c = Counter('c1', 'A counter')

counter只能增加，所以只有一個(gè)方法：

def inc(self, amount=1):
    '''Increment counter by the given amount.'''
    if amount < 0:
      raise ValueError('Counters can only be incremented by non-negative amounts.')
    self._value.inc(amount)

測試示例：

import prometheus_client
from prometheus_client import Counter
from prometheus_client.core import CollectorRegistry

from flask import Response, Flask

app = Flask(__name__)
requests_total = Counter('c1','A counter')

@app.route("/api/metrics/count/")
def requests_count():
 requests_total.inc(1)
 # requests_total.inc(2)
 return Response(prometheus_client.generate_latest(requests_total),mimetype="text/plain")


if __name__ == "__main__":
 app.run(host="127.0.0.1",port=8081)

訪問http://127.0.0.1:8081/api/metrics/count/：

# HELP c1_total A counter
# TYPE c1_total counter
c1_total 1.0
# HELP c1_created A counter
# TYPE c1_created gauge
c1_created 1.6053265493727107e+09

HELP是c1的注釋說明，創(chuàng)建Counter定義的。

TYPE是c1的類型說明。

c1_total為我們定義的指標(biāo)輸出：你會(huì)發(fā)現(xiàn)多了后綴_total,這是因?yàn)镺penMetrics與Prometheus文本格式之間的兼容性，OpenMetrics需要_total后綴。

gauge

gauge可增可減，可以任意設(shè)置。

比如可以設(shè)置當(dāng)前的CPU溫度，內(nèi)存使用量，磁盤、網(wǎng)絡(luò)流量等等。

定義和counter基本一樣：

from prometheus_client import Gauge
g = Gauge('my_inprogress_requests', 'Description of gauge')
g.inc()   # Increment by 1
g.dec(10)  # Decrement by given value
g.set(4.2)  # Set to a given value

方法：

def inc(self, amount=1):
   '''Increment gauge by the given amount.'''
   self._value.inc(amount)

def dec(self, amount=1):
   '''Decrement gauge by the given amount.'''
   self._value.inc(-amount)

 def set(self, value):
   '''Set gauge to the given value.'''
   self._value.set(float(value))

測試示例：

import random
import prometheus_client
from prometheus_client import Gauge
from prometheus_client.core import CollectorRegistry
from flask import Response, Flask


app = Flask(__name__)
random_value = Gauge("g1", 'A gauge')
@app.route("/api/metrics/gauge/")
def r_value():
  random_value.set(random.randint(0, 10))
  return Response(prometheus_client.generate_latest(random_value),
          mimetype="text/plain")

if __name__ == "__main__":
 app.run(host="127.0.0.1",port=8081)

訪問http://127.0.0.1:8081/api/metrics/gauge/

# HELP g1 A gauge
# TYPE g1 gauge
g1 5.0

LABELS的用法

使用labels來區(qū)分metric的特征，一個(gè)指標(biāo)可以有其中一個(gè)label，也可以有多個(gè)label。

from prometheus_client import Counter
c = Counter('requests_total', 'HTTP requests total', ['method', 'clientip'])
c.labels('get', '127.0.0.1').inc()
c.labels('post', '192.168.0.1').inc(3)
c.labels(method="get", clientip="192.168.0.1").inc()

import random
import prometheus_client
from prometheus_client import Gauge
from flask import Response, Flask


app = Flask(__name__)
c = Gauge("c1", 'A counter',['method','clientip'])
@app.route("/api/metrics/counter/")
def r_value():
  c.labels(method='get',clientip='192.168.0.%d' % random.randint(1,10)).inc()
  return Response(prometheus_client.generate_latest(c),
          mimetype="text/plain")

if __name__ == "__main__":
 app.run(host="127.0.0.1",port=8081)

連續(xù)訪問9次http://127.0.0.1:8081/api/metrics/counter/：

# HELP c1 A counter
# TYPE c1 gauge
c1{clientip="192.168.0.7",method="get"} 2.0
c1{clientip="192.168.0.1",method="get"} 1.0
c1{clientip="192.168.0.8",method="get"} 1.0
c1{clientip="192.168.0.5",method="get"} 2.0
c1{clientip="192.168.0.4",method="get"} 1.0
c1{clientip="192.168.0.10",method="get"} 1.0
c1{clientip="192.168.0.2",method="get"} 1.0

histogram

這種主要用來統(tǒng)計(jì)百分位的，什么是百分位？英文叫做quantiles。

比如你有100條訪問請求的耗時(shí)時(shí)間，把它們從小到大排序，第90個(gè)時(shí)間是200ms，那么我們可以說90%的請求都小于200ms，這也叫做”90分位是200ms”，能夠反映出服務(wù)的基本質(zhì)量。當(dāng)然，也許第91個(gè)時(shí)間是2000ms，這就沒法說了。

實(shí)際情況是，我們每天訪問量至少幾個(gè)億，不可能把所有訪問數(shù)據(jù)都存起來，然后排序找到90分位的時(shí)間是多少。因此，類似這種問題都采用了一些估算的算法來處理，不需要把所有數(shù)據(jù)都存下來，這里面數(shù)學(xué)原理比較高端，我們就直接看看prometheus的用法好了。

首先定義histogram：

h = Histogram('hh', 'A histogram', buckets=(-5, 0, 5))

第一個(gè)是metrics的名字，第二個(gè)是描述，第三個(gè)是分桶設(shè)置，重點(diǎn)說一下buckets。

這里(-5,0,5)實(shí)際劃分成了幾種桶：(無窮小，-5]，（-5，0]，(0,5]，（5，無窮大）。

如果我們喂給它一個(gè)-8：

h.observe(8)

那么metrics會(huì)這樣輸出：

# HELP hh A histogram
# TYPE hh histogram
hh_bucket{le="-5.0"} 0.0
hh_bucket{le="0.0"} 0.0
hh_bucket{le="5.0"} 0.0
hh_bucket{le="+Inf"} 1.0
hh_count 1.0
hh_sum 8.0

hh_sum記錄了observe的總和，count記錄了observe的次數(shù)，bucket就是各種桶了，le表示<=某值。

可見，值8<=無窮大，所以只有最后一個(gè)桶計(jì)數(shù)了1次（注意，桶只是計(jì)數(shù)，bucket作用相當(dāng)于統(tǒng)計(jì)樣本在不同區(qū)間的出現(xiàn)次數(shù)）。

bucket的劃分需要我們根據(jù)數(shù)據(jù)的分布拍腦袋指定，合理的劃分可以讓promql估算百分位的時(shí)候更準(zhǔn)確，我們使用histogram的時(shí)候只需要知道先分好桶，再不斷的打點(diǎn)即可，最終百分位的計(jì)算可以基于histogram的原始數(shù)據(jù)完成。

測試示例：

import random
import prometheus_client
from prometheus_client import Histogram
from flask import Response, Flask
app = Flask(__name__)
h = Histogram("h1", 'A Histogram', buckets=(-5, 0, 5))
@app.route("/api/metrics/histogram/")
def r_value():
  h.observe(random.randint(-5, 5))
  return Response(prometheus_client.generate_latest(h),
          mimetype="text/plain")

if __name__ == "__main__":
 app.run(host="127.0.0.1",port=8081)

連續(xù)訪問http://127.0.0.1:8081/api/metrics/histogram/：

# HELP h1 A Histogram
# TYPE h1 histogram
h1_bucket{le="-5.0"} 0.0
h1_bucket{le="0.0"} 5.0
h1_bucket{le="5.0"} 10.0
h1_bucket{le="+Inf"} 10.0
h1_count 10.0
# HELP h1_created A Histogram
# TYPE h1_created gauge
h1_created 1.6053319432993534e+09

summary

python客戶端沒有完整實(shí)現(xiàn)summary算法，這里不介紹。

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

最新評論