Prometheus時(shí)序數(shù)據(jù)庫(kù)-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(guò)程。但我們最常見(jiàn)的打交道的是數(shù)據(jù)的查詢。Prometheus提供了強(qiáng)大的Promql來(lái)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(guò)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
我們還可以在Promql中使用svm/avg等集合表達(dá)式，不過(guò)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(guò)程。
瞬時(shí)向量(Instant Vector)
前面說(shuō)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(guò)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(lái)肯定不能納入到我們的返回結(jié)果里面。
所以Prometheus通過(guò)一個(gè)指定的時(shí)間窗口來(lái)過(guò)濾數(shù)據(jù)(通過(guò)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(yǔ)法結(jié)構(gòu)的語(yǔ)句肯定是將其Parse一把，構(gòu)造成AST樹(shù)了。調(diào)用
- promql.ParseExpr
由于Promql較為簡(jiǎn)單，所以Prometheus直接采用了LL語(yǔ)法分析。在這里直接給出上述Promql的AST樹(shù)結(jié)構(gòu)。
Prometheus對(duì)于語(yǔ)法樹(shù)的遍歷過(guò)程都是通過(guò)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(guò)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(guò)程
具體的求值過(guò)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(guò)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(lái)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(jiàn)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(guò)倒排索引取到對(duì)應(yīng)的series。為了篇幅起見(jiàn)，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(jiàn)筆者之前的博客
- <<Prometheus時(shí)序數(shù)據(jù)庫(kù)-磁盤中的存儲(chǔ)結(jié)構(gòu)>>
通過(guò)populateSeries找到對(duì)應(yīng)的數(shù)據(jù)，那么我們就可以通過(guò)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(kāi)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(guò)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(guò)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(wàn)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。
