介绍
Prometheus 的基本原理是通过 HTTP 周期性抓取被监控组件的状态。
任意组件只要提供对应的 HTTP 接口并且符合 Prometheus 定义的数据格式，就可以接入 Prometheus 监控。
Prometheus Server 负责定时在目标上抓取 metrics（指标）数据并保存到本地存储。它采用了一种 Pull（拉）的方式获取数据，不仅降低客户端的复杂度，客户端只需要采集数据，无需了解服务端情况，也让服务端可以更加方便地水平扩展。
如果监控数据达到告警阈值，Prometheus Server 会通过 HTTP 将告警发送到告警模块 alertmanger，通过告警的抑制后触发邮件或者 Webhook。Prometheus 支持 PromQL 提供多维度数据模型和灵活的查询，通过监控指标关联多个 tag 的方式，将监控数据进行任意维度的组合以及聚合。
在python中实现服务器端，对外提供接口。在Prometheus中配置请求网址，Prometheus会定期向该网址发起申请获取你想要返回的数据。
另外Prometheus提供4种类型Metrics：Counter, Gauge, Summary和Histogram。
准备
pip install flask
pip install prometheus_client
Counter
Counter可以增长，并且在程序重启的时候会被重设为0，常被用于访问量，任务个数，总处理时间，错误个数等只增不减的指标。
定义它需要2个参数，第一个是metrics的名字，第二个是metrics的描述信息：
c = Counter(\'c1\', \'A counter\')
counter只能增加，所以只有一个方法：
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)
测试示例：
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)
访问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的注释说明，创建Counter定义的。
TYPE是c1的类型说明。
c1_total为我们定义的指标输出：你会发现多了后缀_total,这是因为OpenMetrics与Prometheus文本格式之间的兼容性，OpenMetrics需要_total后缀。
gauge
gauge可增可减，可以任意设置。
比如可以设置当前的CPU温度，内存使用量，磁盘、网络流量等等。
定义和counter基本一样：
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))
测试示例：
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)
访问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来区分metric的特征，一个指标可以有其中一个label，也可以有多个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)
连续访问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
这种主要用来统计百分位的，什么是百分位？英文叫做quantiles。
比如你有100条访问请求的耗时时间，把它们从小到大排序，第90个时间是200ms，那么我们可以说90%的请求都小于200ms，这也叫做”90分位是200ms”，能够反映出服务的基本质量。当然，也许第91个时间是2000ms，这就没法说了。
实际情况是，我们每天访问量至少几个亿，不可能把所有访问数据都存起来，然后排序找到90分位的时间是多少。因此，类似这种问题都采用了一些估算的算法来处理，不需要把所有数据都存下来，这里面数学原理比较高端，我们就直接看看prometheus的用法好了。
首先定义histogram：
h = Histogram(\'hh\', \'A histogram\', buckets=(-5, 0, 5))
第一个是metrics的名字，第二个是描述，第三个是分桶设置，重点说一下buckets。
这里(-5,0,5)实际划分成了几种桶：(无穷小，-5]，（-5，0]，(0,5]，（5，无穷大）。
如果我们喂给它一个-8：
h.observe(8)
那么metrics会这样输出：
# 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记录了observe的总和，count记录了observe的次数，bucket就是各种桶了，le表示<=某值。
可见，值8<=无穷大，所以只有最后一个桶计数了1次（注意，桶只是计数，bucket作用相当于统计样本在不同区间的出现次数）。
bucket的划分需要我们根据数据的分布拍脑袋指定，合理的划分可以让promql估算百分位的时候更准确，我们使用histogram的时候只需要知道先分好桶，再不断的打点即可，最终百分位的计算可以基于histogram的原始数据完成。
测试示例：
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)
连续访问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客户端没有完整实现summary算法，这里不介绍。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。
暂无评论内容