Prometheus時(shí)序數(shù)據(jù)庫-數(shù)據(jù)的查詢前言

在之前的博客里，筆者詳細(xì)闡述了Prometheus數(shù)據(jù)的插入過程。但我們最常見的打交道的是數(shù)據(jù)的查詢。Prometheus提供了強(qiáng)大的Promql來滿足我們千變?nèi)f化的查詢需求。在這篇文章里面，筆者就以一個(gè)簡(jiǎn)單的Promql為例，講述下Prometheus查詢的過程。

Promql

一個(gè)Promql表達(dá)式可以計(jì)算為下面四種類型:

瞬時(shí)向量(Instant Vector) - 一組同樣時(shí)間戳的時(shí)間序列(取自不同的時(shí)間序列，例如不同機(jī)器同一時(shí)間的CPU idle)區(qū)間向量(Range vector) - 一組在一段時(shí)間范圍內(nèi)的時(shí)間序列標(biāo)量(Scalar) - 一個(gè)浮點(diǎn)型的數(shù)據(jù)值字符串(String) - 一個(gè)簡(jiǎn)單的字符串

【資料圖】

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

瞬時(shí)向量(Instant Vector)

前面說到，瞬時(shí)向量是一組擁有同樣時(shí)間戳的時(shí)間序列。但是實(shí)際過程中，我們對(duì)不同Endpoint采樣的時(shí)間是不可能精確一致的。所以，Prometheus采取了距離指定時(shí)間戳之前最近的數(shù)據(jù)(Sample)。如下圖所示:當(dāng)然，如果是距離當(dāng)前時(shí)間戳1個(gè)小時(shí)的數(shù)據(jù)直觀看來肯定不能納入到我們的返回結(jié)果里面。所以Prometheus通過一個(gè)指定的時(shí)間窗口來過濾數(shù)據(jù)(通過啟動(dòng)參數(shù)—query.lookback-delta指定，默認(rèn)5min)。

對(duì)一條簡(jiǎn)單的Promql進(jìn)行分析

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

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

首先,對(duì)于這種有語法結(jié)構(gòu)的語句肯定是將其Parse一把，構(gòu)造成AST樹了。調(diào)用

promql.ParseExpr

由于Promql較為簡(jiǎn)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(jié)構(gòu)。Prometheus對(duì)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(shè)計(jì)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(shù)式功能，直接傳遞求值函數(shù)inspector進(jìn)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(shù)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(duì)應(yīng)序列的數(shù)據(jù)    ......    val, err := evaluator.Eval(s.Expr) // here 聚合計(jì)算    ......}

populateSeries

首先通過populateSeries的計(jì)算出VectorSelector Node所對(duì)應(yīng)的series(時(shí)間序列)。這里直接給出求值函數(shù)

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(gè)求值函數(shù)，只對(duì)VectorSelector/MatrixSelector進(jìn)行操作，針對(duì)我們的Promql也就是只對(duì)葉子節(jié)點(diǎn)VectorSelector有效。

select

獲取對(duì)應(yīng)數(shù)據(jù)的核心函數(shù)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(jù)時(shí)間戳范圍去生成querier,里面最重要的就是計(jì)算出哪些block在這個(gè)時(shí)間范圍內(nèi)，并將他們附著到querier里面。具體見函數(shù)

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(nèi)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(shù)據(jù)在哪些block里面，我們就可以著手進(jìn)行計(jì)算VectorSelector的數(shù)據(jù)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(duì)應(yīng)的series。為了篇幅起見，我們假設(shè)數(shù)據(jù)都在headBlock(也就是內(nèi)存里面)。那么我們對(duì)于倒排的計(jì)算就如下圖所示:這樣，我們的VectorSelector節(jié)點(diǎn)就已經(jīng)有了最終的數(shù)據(jù)存儲(chǔ)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(shù)據(jù)尋址，可以詳見筆者之前的博客

<>

evaluator.Eval

通過populateSeries找到對(duì)應(yīng)的數(shù)據(jù)，那么我們就可以通過evaluator.Eval獲取最終的結(jié)果了。計(jì)算采用后序遍歷，等下層節(jié)點(diǎn)返回?cái)?shù)據(jù)后才開始上層節(jié)點(diǎn)的計(jì)算。那么很自然的，我們先計(jì)算VectorSelector。

func (ev *evaluator) eval(expr Expr) Value {    ......    case *VectorSelector:    // 通過refId拿到對(duì)應(yīng)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(huán)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(duì)應(yīng)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(dāng)我們找到一個(gè)距離ts最近切小于ts的sample時(shí)候，只用這個(gè)sample的value,其時(shí)間戳則用ts(Instant Query指定的時(shí)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(shù)據(jù)，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(shù)據(jù)，所以這邊回退一格，由于同一memSeries同一時(shí)間的數(shù)據(jù)只有一條，所以回退的數(shù)據(jù)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(shí)間最近且小于這個(gè)時(shí)間的兩條記錄，并保留了記錄的標(biāo)簽。這樣，我們就可以在上層進(jìn)行聚合。

SUM by聚合

葉子節(jié)點(diǎn)VectorSelector得到了對(duì)應(yīng)的數(shù)據(jù)后，我們就可以對(duì)上層節(jié)點(diǎn)AggregateExpr進(jìn)行聚合計(jì)算了。代碼棧為:

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

具體的函數(shù)如下圖所示:

func (ev *evaluator) aggregation(op ItemType, grouping []string, without bool, param interface{}, vec Vector, enh *EvalNodeHelper) Vector {    ......    // 對(duì)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(gè)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(duì)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(jié)果就變?yōu)?這個(gè)和我們的預(yù)期結(jié)果一致,一次查詢的過程就到此結(jié)束了。

總結(jié)

Promql是非常強(qiáng)大的，可以滿足我們的各種需求。其運(yùn)行原理自然也激起了筆者的好奇心，本篇文章雖然只分析了一條簡(jiǎn)單的Promql,但萬變不離其宗,任何Promql都是類似的運(yùn)行邏輯。希望本文對(duì)讀者能有所幫助。

關(guān)鍵詞： 時(shí)間序列 如下圖所示 進(jìn)行分析