一、Prometheus中的基本概念
Prometheus将所有数据存储为时间序列，这里先来了解一下prometheus中的一些基本概念
指标名和标签
每个时间序列都由指标名和一组键值对（也称为标签）唯一标识。
metric的格式如下：
<metric name>{<label name>=<label value>, ...}
1
例如：
http_requests_total{host="192.10.0.1", method="POST", handler="/messages"}
1
http_requests_total是指标名；
host、method、handler是三个标签(label)，也就是三个维度；
查询语句可以基于这些标签or维度进行过滤和聚合；
指标类型
Prometheus client库提供四种核心度量标准类型。注意是客户端。Prometheus服务端没有区分类型，将所有数据展平为无类型时间序列。
1、 Counter：只增不减的累加指标
Counter就是一个计数器，表示一种累积型指标，该指标只能单调递增或在重新启动时重置为零，例如，您可以使用计数器来表示所服务的请求数，已完成的任务或错误。
2、 Gauge：可增可减的测量指标
Gauge是最简单的度量类型，只有一个简单的返回值，可增可减，也可以set为指定的值。所以Gauge通常用于反映当前状态，比如当前温度或当前内存使用情况；当然也可以用于“可增加可减少”的计数指标。
3、Histogram：自带buckets区间用于统计分布的直方图
Histogram主要用于在设定的分布范围内(Buckets)记录大小或者次数。
例如http请求响应时间：0-100ms、100-200ms、200-300ms、>300ms 的分布情况，Histogram会自动创建3个指标，分别为：
事件发送的总次数<basename>_count：比如当前一共发生了2次http请求
所有事件产生值的大小的总和<basename>_sum：比如发生的2次http请求总的响应时间为150ms
事件产生的值分布在bucket中的次数<basename>_bucket{le="上限"}：比如响应时间0-100ms的请求1次，100-200ms的请求1次，其他的0次
4、Summary：数据分布统计图
Summary和Histogram类似，都可以统计事件发生的次数或者大小，以及其分布情况。
Summary和Histogram都提供了对于事件的计数_count以及值的汇总_sum，因此使用_count,和_sum时间序列可以计算出相同的内容。
同时Summary和Histogram都可以计算和统计样本的分布情况，比如中位数，n分位数等等。不同在于Histogram可以通过histogram_quantile函数在服务器端计算分位数。 而Sumamry的分位数则是直接在客户端进行定义。因此对于分位数的计算。 Summary在通过PromQL进行查询时有更好的性能表现，而Histogram则会消耗更多的资源。相对的对于客户端而言Histogram消耗的资源更少。
作业和实例
在Prometheus中，一个可以拉取数据的端点IP:Port叫做一个实例（instance），而具有多个相同类型实例的集合称作一个作业（job）
- job: api-server
- instance 1: 1.2.3.4:5670
- instance 2: 1.2.3.4:5671
- instance 3: 5.6.7.8:5670
- instance 4: 5.6.7.8:5671
1
2
3
4
5
当Prometheus拉取指标数据时，会自动生成一些标签（label）用于区别抓取的来源：
job：配置的作业名；
instance：配置的实例名，若没有实例名，则是抓取的IP:Port。
对于每一个实例（instance）的抓取，Prometheus会默认保存以下数据：
up{job="<job>", instance="<instance>"}：如果实例是健康的，即可达，值为1，否则为0；
scrape_duration_seconds{job="<job>", instance="<instance>"}：抓取耗时；
scrape_samples_post_metric_relabeling{job="<job>", instance="<instance>"}：指标重新标记后剩余的样本数。
scrape_samples_scraped{job="<job>", instance="<instance>"}：实例暴露的样本数
该up指标对于监控实例健康状态很有用。
二、最简单的Exporter
当你安装好go的开发环境，并下载好Prometheus依赖包到vendor以后，就可以编译个最简单的Exporter，代码如下:
package main
import (
"log"
"net/http"
"github.com/prometheus/client_golang/prometheus/promhttp"
)
func main() {
http.Handle("/metrics", promhttp.Handler())
log.Fatal(http.ListenAndServe(":8080", nil))
}
1
2
3
4
5
6
7
8
9
10
11
12
执行go build编译运行，然后访问http://127.0.0.1:8080/metrics就可以看到采集到的指标数据。
这段代码仅仅通过http模块指定了一个路径/metrics，并将client_golang库中的promhttp.Handler()作为处理函数传递进去后，就可以获取指标数据了。这个最简单的 Exporter 内部其实是使用了一个默认的收集器NewGoCollector采集当前Go运行时的相关信息，比如go堆栈使用、goroutine数据等等。
三、Demo Exporter的目录结构
项目的目录结构如下：
prometheus-exporter/
|-- collector
`-- vendor
`-- github.com
|-- beorn7
|-- golang
|-- matttproud
`-- prometheus
1
2
3
4
5
6
7
8
vendor是项目依赖的外部包
collector实现一个采集器，用于采集指标数据
四、代码实现
包括以下几个主要的步骤。
1、定义指标
定义指标就是创建指标的描述符，通常把要采集的指标描述符放在一个结构体里：
// 指标结构体
type Metrics struct {
metrics map[string]*prometheus.Desc
mutex sync.Mutex
}
/**
* 函数：newGlobalMetric
* 功能：创建指标描述符
*/
func newGlobalMetric(namespace string, metricName string, docString string, labels []string) *prometheus.Desc {
return prometheus.NewDesc(namespace+"_"+metricName, docString, labels, nil)
}
/**
* 工厂方法：NewMetrics
* 功能：初始化指标信息，即Metrics结构体
*/
func NewMetrics(namespace string) *Metrics {
return &Metrics{
metrics: map[string]*prometheus.Desc{
"my_counter_metric": newGlobalMetric(namespace, "my_counter_metric", "The description of my_counter_metric", []string{"host"}),
"my_gauge_metric": newGlobalMetric(namespace, "my_gauge_metric","The description of my_gauge_metric", []string{"host"}),
},
}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
调用工厂方法即可创建一个结构体的实例
2、注册指标
metrics := collector.NewMetrics(*metricsNamespace) // 创建指标结构体实例
registry := prometheus.NewRegistry()
registry.MustRegister(metrics) // 注册指标
1
2
3
3、数据采集
数据采集需要实现collector的两个接口：
/**
* 接口：Describe
* 功能：传递结构体中的指标描述符到channel
*/
func (c *Metrics) Describe(ch chan<- *prometheus.Desc) {
for _, m := range c.metrics {
ch <- m
}
}
/**
* 接口：Collect
* 功能：抓取最新的数据，传递给channel
*/
func (c *Metrics) Collect(ch chan<- prometheus.Metric) {
c.mutex.Lock() // 加锁
defer c.mutex.Unlock()
mockCounterMetricData, mockGaugeMetricData := c.GenerateMockData()
for host, currentValue := range mockCounterMetricData {
ch <-prometheus.MustNewConstMetric(c.metrics["my_counter_metric"], prometheus.CounterValue, float64(currentValue), host)
}
for host, currentValue := range mockGaugeMetricData {
ch <-prometheus.MustNewConstMetric(c.metrics["my_gauge_metric"], prometheus.GaugeValue, float64(currentValue), host)
}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
4、启动HTTP服务
http.Handle(*metricsPath, promhttp.HandlerFor(registry, promhttp.HandlerOpts{}))
http.ListenAndServe(":"+*listenAddr, nil)
1
2
PS：这只是一个Demo，当实际需要开发一个exporter时，你需要重新定义要抓取的指标，并添加采集数据的具体逻辑。
Demo代码：https://github.com/SongLee24/prometheus-exporter
参考：
1. https://prometheus.io/docs/concepts/metric_types/
2. http://dockone.io/article/3298
3. https://blog.csdn.net/u014029783/article/details/80001251
————————————————
版权声明：本文为CSDN博主「神奕」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/lisonglisonglisong/article/details/81743555