Prometheus時序數據庫中怎么查詢數據

今天就跟大家聊聊有關Prometheus時序數據庫中怎么查詢數據，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結了以下內容，希望大家根據這篇文章可以有所收獲。

Promql

一個Promql表達式可以計算為下面四種類型:

瞬時向量(Instant Vector) - 一組同樣時間戳的時間序列(取自不同的時間序列，例如不同機器同一時間的CPU idle) 區間向量(Range vector) - 一組在一段時間范圍內的時間序列 標量(Scalar) - 一個浮點型的數據值 字符串(String) - 一個簡單的字符串

我們還可以在Promql中使用svm/avg等集合表達式，不過只能用在瞬時向量(Instant  Vector)上面。為了闡述Prometheus的聚合計算以及篇幅原因，筆者在本篇文章只詳細分析瞬時向量(Instant Vector)的執行過程。

瞬時向量(Instant Vector)

前面說到，瞬時向量是一組擁有同樣時間戳的時間序列。但是實際過程中，我們對不同Endpoint采樣的時間是不可能精確一致的。所以，Prometheus采取了距離指定時間戳之前最近的數據(Sample)。如下圖所示:

當然，如果是距離當前時間戳1個小時的數據直觀看來肯定不能納入到我們的返回結果里面。

所以Prometheus通過一個指定的時間窗口來過濾數據(通過啟動參數—query.lookback-delta指定，默認5min)。

對一條簡單的Promql進行分析

好了，解釋完Instant Vector概念之后，我們可以著手進行分析了。直接上一條帶有聚合函數的Promql吧。

SUM BY (group) (http_requests{job="api-server",group="production"})

首先,對于這種有語法結構的語句肯定是將其Parse一把，構造成AST樹了。調用

promql.ParseExpr

由于Promql較為簡單，所以Prometheus直接采用了LL語法分析。在這里直接給出上述Promql的AST樹結構。

Prometheus對于語法樹的遍歷過程都是通過vistor模式,具體到代碼為:

ast.go vistor設計模式 func Walk(v Visitor, node Node, path []Node) error {     var err error     if v, err = v.Visit(node, path); v == nil || err != nil {         return err     }     path = append(path, node)      for _, e := range Children(node) {         if err := Walk(v, e, path); err != nil {             return err         }     }      _, err = v.Visit(nil, nil)     return err } func (f inspector) Visit(node Node, path []Node) (Visitor, error) {     if err := f(node, path); err != nil {         return nil, err     }      return f, nil }

通過golang里非常方便的函數式功能，直接傳遞求值函數inspector進行不同情況下的求值。

type inspector func(Node, []Node) error

求值過程

具體的求值過程核心函數為:

func (ng *Engine) execEvalStmt(ctx context.Context, query *query, s *EvalStmt) (Value, storage.Warnings, error) {     ......     querier, warnings, err := ng.populateSeries(ctxPrepare, query.queryable, s)     // 這邊拿到對應序列的數據     ......     val, err := evaluator.Eval(s.Expr) // here 聚合計算     ......  }

populateSeries

首先通過populateSeries的計算出VectorSelector Node所對應的series(時間序列)。這里直接給出求值函數

func(node Node, path []Node) error {     ......     querier, err := q.Querier(ctx, timestamp.FromTime(mint), timestamp.FromTime(s.End))     ......     case *VectorSelector:         .......         set, wrn, err = querier.Select(params, n.LabelMatchers...)         ......         n.unexpandedSeriesSet = set     ......     case *MatrixSelector:         ...... } return nil

可以看到這個求值函數，只對VectorSelector/MatrixSelector進行操作，針對我們的Promql也就是只對葉子節點VectorSelector有效。

select

獲取對應數據的核心函數就在querier.Select。我們先來看下qurier是如何得到的.

querier, err := q.Querier(ctx, timestamp.FromTime(mint), timestamp.FromTime(s.End))

根據時間戳范圍去生成querier,里面最重要的就是計算出哪些block在這個時間范圍內，并將他們附著到querier里面。具體見函數

func (db *DB) Querier(mint, maxt int64) (Querier, error) {     for _, b := range db.blocks {         ......         // 遍歷blocks挑選block     }     // 如果maxt>head.mint(即內存中的block),那么也加入到里面querier里面。     if maxt >= db.head.MinTime() {         blocks = append(blocks, &rangeHead{             head: db.head,             mint: mint,             maxt: maxt,         })     }     ...... }

知道數據在哪些block里面，我們就可以著手進行計算VectorSelector的數據了。

// labelMatchers {job:api-server} {__name__:http_requests} {group:production}  querier.Select(params, n.LabelMatchers...)

有了matchers我們很容易的就能夠通過倒排索引取到對應的series。為了篇幅起見，我們假設數據都在headBlock(也就是內存里面)。那么我們對于倒排的計算就如下圖所示:

這樣，我們的VectorSelector節點就已經有了最終的數據存儲地址信息了，例如圖中的memSeries refId=3和4。

如果想了解在磁盤中的數據尋址，可以詳見筆者之前的博客

<<Prometheus時序數據庫-磁盤中的存儲結構>>

通過populateSeries找到對應的數據，那么我們就可以通過evaluator.Eval獲取最終的結果了。計算采用后序遍歷，等下層節點返回數據后才開始上層節點的計算。那么很自然的，我們先計算VectorSelector。

func (ev *evaluator) eval(expr Expr) Value {     ......     case *VectorSelector:     // 通過refId拿到對應的Series     checkForSeriesSetExpansion(ev.ctx, e)     // 遍歷所有的series     for i, s := range e.series {         // 由于我們這邊考慮的是instant query,所以只循環一次         for ts := ev.startTimestamp; ts <= ev.endTimestamp; ts += ev.interval {             // 獲取距離ts最近且小于ts的最近的sample             _, v, ok := ev.vectorSelectorSingle(it, e, ts)             if ok {                     if ev.currentSamples < ev.maxSamples {                         // 注意，這邊的v對應的原始t被替換成了ts,也就是instant query timeStamp                         ss.Points = append(ss.Points, Point{V: v, T: ts})                         ev.currentSamples++                     } else {                         ev.error(ErrTooManySamples(env))                     }                 }             ......         }     } }

如代碼注釋中看到，當我們找到一個距離ts最近切小于ts的sample時候，只用這個sample的value,其時間戳則用ts(Instant  Query指定的時間戳)代替。

其中vectorSelectorSingle值得我們觀察一下:

func (ev *evaluator) vectorSelectorSingle(it *storage.BufferedSeriesIterator, node *VectorSelector, ts int64) (int64, float64, bool){     ......     // 這一步是獲取>=refTime的數據，也就是我們instant query傳入的     ok := it.Seek(refTime)     ......         if !ok || t > refTime {          // 由于我們需要的是<=refTime的數據，所以這邊回退一格，由于同一memSeries同一時間的數據只有一條，所以回退的數據肯定是<=refTime的         t, v, ok = it.PeekBack(1)         if !ok || t < refTime-durationMilliseconds(LookbackDelta) {             return 0, 0, false         }     } }

就這樣，我們找到了series 3和4距離Instant  Query時間最近且小于這個時間的兩條記錄，并保留了記錄的標簽。這樣，我們就可以在上層進行聚合。

SUM by聚合

葉子節點VectorSelector得到了對應的數據后，我們就可以對上層節點AggregateExpr進行聚合計算了。代碼棧為:

evaluator.rangeEval     |->evaluate.eval.func2         |->evelator.aggregation grouping key為group

具體的函數如下圖所示:

func (ev *evaluator) aggregation(op ItemType, grouping []string, without bool, param interface{}, vec Vector, enh *EvalNodeHelper) Vector {     ......     // 對所有的sample     for _, s := range vec {         metric := s.Metric         ......         group, ok := result[groupingKey]          // 如果此group不存在，則新加一個group         if !ok {             ......             result[groupingKey] = &groupedAggregation{                 labels:     m, // 在這里我們的m=[group:production]                 value:      s.V,                 mean:       s.V,                 groupCount: 1,             }             ......         }         switch op {         // 這邊就是對SUM的最終處理         case SUM:             group.value += s.V         .....         }     }     .....     for _, aggr := range result {         enh.out = append(enh.out, Sample{         Metric: aggr.labels,         Point:  Point{V: aggr.value},         })     }     ......     return enh.out }

好了，有了上面的處理，我們聚合的結果就變為:

看完上述內容，你們對Prometheus時序數據庫中怎么查詢數據有進一步的了解嗎？如果還想了解更多知識或者相關內容，請關注億速云行業資訊頻道，感謝大家的支持。