SpringBoot进阶教程(七十一)详解Prometheus+Grafana

随着容器技术的迅速发展，Kubernetes已然成为大家追捧的容器集群管理系统。Prometheus作为生态圈Cloud Native Computing Foundation（简称：CNCF）中的重要一员。Prometheus是一套开源的系统监控报警框架。它启发于Google的borgmon监控系统，由工作在SoundCloud的google前员工在2012年创建，作为社区开源项目进行开发，并于2015年正式发布。2016年，Prometheus正式加入Cloud Native Computing Foundation，成为受欢迎度仅次于Kubernetes的项目。

vPrometheus特点

作为新一代的监控框架，Prometheus具有以下特点：

1. 强大的多维度数据模型：

(1) 时间序列数据通过metric名和键值对来区分。

(2) 所有的metrics都可以设置任意的多维标签。

(3) 数据模型更随意，不需要刻意设置为以点分隔的字符串。

(4) 可以对数据模型进行聚合，切割和切片操作。

(5) 支持双精度浮点类型，标签可以设为全unicode。

2. 灵活而强大的查询语句（PromQL）：在同一个查询语句，可以对多个metrics进行乘法、加法、连接、取分数位等操作。

3. 易于管理： Prometheus server是一个单独的二进制文件，可直接在本地工作，不依赖于分布式存储。

4. 高效：平均每个采样点仅占 3.5 bytes，且一个Prometheus server可以处理数百万的metrics。

5. 使用 pull 模式采集时间序列数据，这样不仅有利于本机测试而且可以避免有问题的服务器推送坏的metrics。

6. 可以采用push gateway的方式把时间序列数据推送至Prometheus server 端。

7. 可以通过服务发现或者静态配置去获取监控的targets。

8. 有多种可视化图形界面。

9. 易于伸缩。

需要指出的是，由于数据采集可能会有丢失，所以Prometheus不适用对采集数据要100%准确的情形。但如果用于记录时间序列数据，Prometheus具有很大的查询优势，此外，Prometheus适用于微服务的体系架构。

vPrometheus组成及架构

Prometheus官方文档中的架构图：

从上图可以看出，Prometheus的主要模块包括：Prometheus server, exporters, Pushgateway, PromQL, Alertmanager 以及图形界面。

Prometheus生态圈中包含了多个组件，其中许多组件是可选的：

1. Prometheus Server: 用于收集和存储时间序列数据。

2. Client Library: 客户端库，为需要监控的服务生成相应的metrics并暴露给Prometheus server。当Prometheus server来 pull 时，直接返回实时状态的metrics。

3. Push Gateway: 主要用于短期的jobs。由于这类jobs存在时间较短，可能在Prometheus来pull之前就消失了。为此，这次jobs可以直接向Prometheus server端推送它们的metrics。这种方式主要用于服务层面的metrics，对于机器层面的metrices，需要使用node exporter。

4. Exporters: 用于暴露已有的第三方服务的metrics给Prometheus。

5. Alertmanager: 从Prometheus server端接收到alerts后，会进行去除重复数据，分组，并路由到对收的接受方式，发出报警。常见的接收方式有：电子邮件，pagerduty，OpsGenie, webhook等。

6. 一些其他的工具。

其大概的工作流程是：

1. Prometheus server定期从配置好的jobs或者exporters中拉metrics，或者接收来自Pushgateway发过来的metrics，或者从其他的Prometheus server中拉metrics。

2. Prometheus server在本地存储收集到的metrics，并运行已定义好的alert.rules，记录新的时间序列或者向Alertmanager推送警报。

3. Alertmanager根据配置文件，对接收到的警报进行处理，发出告警。

4. 在图形界面中，可视化采集数据。

vPrometheus相关概念

下面将对Prometheus中的数据模型，metric类型以及instance和job等概念进行介绍，以便读者在Prometheus的配置和使用中可以有一个更好的理解。

数据模型

Prometheus中存储的数据为时间序列，是由metric的名字和一系列的标签（键值对）唯一标识的，不同的标签则代表不同的时间序列。

  • metric 名字：该名字应该具有语义，一般用于表示metric的功能，例如：httprequests_total, 表示http请求的总数。其中，metric名字由ASCII字符，数字，下划线，以及冒号组成，且必须满足正则表达式 [a-zA-Z:][a-zA-Z0-9_:]* 。
  • 标签：使同一个时间序列有了不同维度的识别。例如 httprequests_total{method="Get"} 表示所有http请求中的Get请求。当 method="post" 时，则为新的一个metric。标签中的键由ASCII字符，数字，以及下划线组成，且必须满足正则表达式 [a-zA-Z:][a-zA-Z0-9_:]* 。
  • 样本：实际的时间序列，每个序列包括一个float64的值和一个毫秒级的时间戳。
  • 格式： {=,…} ，例如： http_requests_total{method="POST",endpoint="/api/tracks"} 。

四种Metric类型

Prometheus 客户端库主要提供四种主要的 metric 类型：

1. Counter一种累加的 metric，典型的应用如：请求的个数，结束的任务数， 出现的错误数等等。

例子：查询 http_requests_total{method="get", job="Prometheus", handler="query"} 返回8，10秒后，再次查询，则返回14。

2. Gauge一种常规的metric，典型的应用如：温度，运行的goroutines的个数;可以任意加减。

例子： go_goroutines{instance="172.17.0.2″, job="Prometheus"} 返回值147，10秒后返回124。

3. Histogram可以理解为柱状图，典型的应用如：请求持续时间，响应大小;可以对观察结果采样，分组及统计。

例子：查询 http_request_duration_microseconds_sum{job="Prometheus", handler="query"} 时，返回结果如下：

4. Summary类似于Histogram, 典型的应用如：请求持续时间，响应大小;提供观测值的count和sum功能;提供百分位的功能，即可以按百分比划分跟踪结果。

instance和jobs

instance: 一个单独scrape的目标， 一般对应于一个进程。

jobs: 一组同种类型的instances（主要用于保证可扩展性和可靠性），例如：

job和instance的关系:

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

当scrape目标时，Prometheus会自动给这个scrape的时间序列附加一些标签以便更好的分别，例如： instance，job。

注意：以上段落均出自《Prometheus入门与实践》, 感兴趣的可以看看原文。

vPrometheus安装

1. 下载所需镜像

docker pull prom/node-exporter
docker pull prom/prometheus
docker pull grafana/grafana

2. 启动node-exporter

docker run -d -p 9100:9100   -v "/proc:/host/proc:ro"   -v "/sys:/host/sys:ro"   -v "/:/rootfs:ro"   --net="host"   prom/node-exporter

3. 验证node-exporter

url访问 http://toutou.com:9100/metrics ，效果如下：

Node exporter主要用于暴露metrics给Prometheus，其中metrics包括：cpu的负载，内存的使用情况，网络等。有了这些就可以做数据展示了

4. 启动prometheus

mkdir /data/prometheus
mkdir config
cd /data/prometheus/config
vim prometheus.yml
# 全局设置，可以被覆盖
global:
  # 默认值为 15s，用于设置每次数据收集的间隔
  scrape_interval:     15s
  # 估算规则的默认周期 每15秒计算一次规则
  evaluation_interval: 15s
# 设置报警规则
#rule_files:
  #- "first_rules.yml"
#抓取配置列表
scrape_configs:
   # 一定要全局唯一, 采集 Prometheus 自身的 metrics
  - job_name: prometheus
    # 静态目标的配置
    static_configs:
       #这个自带的默认监控prometheus所在机器的prometheus状态
      - targets: ['localhost:9090']
        labels:
          instance: prometheus
   # 一定要全局唯一, 采集 Prometheus 自身的 metrics
  - job_name: linux
    static_configs:
      # 本机 node_exporter 的 endpoint
      - targets: ['localhost:9100']
        labels:
          # 新添加的标签，可以自定义
          instance: toutoudemo
docker run  -d   -p 9090:9090   -v /data/prometheus/config/prometheus.yml:/etc/prometheus/prometheus.yml    --name pr   prom/prometheus

5. 验证prometheus

url访问 http://toutou.com:9090/graph ，效果如下：

vGrafana安装

1. 上文中已经拉取了grafana的镜像，这里直接启动即可

创建/data/app/grafana/data文件夹存储数据，创建好了以后启动grafana。

docker run -d   -p 3000:3000   --name=grafana   -v /data/app/grafana/data:/var/lib/grafana   grafana/grafana

我们发现运行以后，docker实例并没有起来，于是我们用 docker logs grafana 查看了docker日志。

[root@localhost data]# docker logs grafana
GF_PATHS_DATA='/var/lib/grafana' is not writable.
You may have issues with file permissions, more information here: http://docs.grafana.org/installation/docker/#migration-from-a-previous-version-of-the-docker-container-to-5-1-or-later
mkdir: can't create directory '/var/lib/grafana/plugins': Permission denied

因为grafana用户会在这个目录写入文件，所以需要设置权限

2. /data/app/grafana/data设置权限

chmod 777 -R /data/app/grafana/data

3. 验证grafana

url访问 http://toutou.com:3000 ，效果如下：

打开之后的登录界面用默认账号/密码admin登录即可，会引导你修改密码，这里由于是本地测试的，就不设置了，直接skip跳过。

4. Add data source

点开Configuration(齿轮图标)->Data Source，然后点击Add data source按钮。然后选择Prometheus则进入到Prometheus数据源配置。

注意，access中选择Browser，配置好Prometheus点击save & test，弹出提示"Data source is working"即可。

4. Create Dashboard

回到首页，在创建(加号图标)中点击Dashboard，然后点击Add new panel按钮。然后点击Panel Title，点击标题下拉框中的Edit。

这里我们添加内存和cpu信息，点击保存，输入dashboard名称---cpu&memory(自定义)。回到首页即可看到我们保存的cpu&memory。

vSpringboot整合Prometheus+Grafana监控

1. 添加引用

<dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-actuator</artifactId>
        </dependency>
        <dependency>
            <groupId>io.micrometer</groupId>
            <artifactId>micrometer-registry-prometheus</artifactId>
        </dependency>

2. 添加application.properties

management.endpoints.web.exposure.include=prometheus

3. 验证效果

注意：开启actuator后要注意要防护，开启actuator的服务千万不能直接对外。常见的方法可以新增一个过滤器对 /actuator 路径过滤，只允许内网IP地址访问。

如果不知道如何在springboot过滤拦截的话，可以看看这个。传送门：SpringBoot入门教程(十一)过滤器和拦截器

4. 部署springboot

部署好了以后，重启docker实例，并查看效果。

如果不知道如何部署springboot的话，可以看看这个。传送门：SpringBoot入门教程(二)CentOS部署SpringBoot项目从0到1

5. prometheus.yml中添加job

global:                  # 全局设置，可以被覆盖
  scrape_interval:     15s # 默认值为 15s，用于设置每次数据收集的间隔

  external_labels:   # 所有时间序列和警告与外部通信时用的外部标签
    monitor: 'codelab-monitor'

rule_files: # 警告规则设置文件
  - '/etc/prometheus/alert.rules'

# 用于配置 scrape 的 endpoint  配置需要 scrape 的 targets 以及相应的参数
scrape_configs:
  # The job name is added as a label `job=<job_name>` to any timeseries scraped from this config.
  - job_name: 'prometheus'  # 一定要全局唯一, 采集 Prometheus 自身的 metrics

    # 覆盖全局的 scrape_interval
    scrape_interval: 5s

    static_configs:  # 静态目标的配置
      - targets: ['localhost:9090']

  - job_name: 'node'  # 一定要全局唯一, 采集本机的 metrics，需要在本机安装 node_exporter

    scrape_interval: 10s

    static_configs:
      - targets: ['127.0.0.1:9100']

  - job_name: 'hellolearn'  # 一定要全局唯一, 采集本机的 metrics，需要在本机安装 node_exporter

    scrape_interval: 10s
    metrics_path: /actuator/prometheus
    #params:
        #format: ["prometheus"]
    static_configs:
      - targets: ['127.0.0.1:8301']

6. import模板

上文中我们已经演示了如何在dashboard中逐条添加指标，逐条添加就是熟悉一下指标格式。同样的，Grafana也提供了很多功能强大的模板(更多模板可以在这找)，这里我们直接引入一个酷炫一点的模板。更多模板可以在这里找到。

点击+号 --> Import --> 输入模板链接或ID --> 点击Load。

Name和Unique identifier (uid)可以自定义，也可以用默认的。

点击import，效果如下：

7. 配置多个应用

若是想配置多个应用，在prometheus.yml中添加job_name，添加好了之后重启docker即可。

- job_name: 'hellolearn'  # 一定要全局唯一, 采集本机的 metrics，需要在本机安装 node_exporter

    scrape_interval: 10s
    metrics_path: /actuator/prometheus
    #params:
        #format: ["prometheus"]
    static_configs:
      - targets: ['127.0.0.1:8301']

  - job_name: 'hellolearn-6'  # 一定要全局唯一, 采集本机的 metrics，需要在本机安装 node_exporter

    scrape_interval: 10s
    metrics_path: /actuator/prometheus
    #params:
        #format: ["prometheus"]
    static_configs:
      - targets: ['127.0.0.1:8306']

在Grafana的dashboard直接切换即可。

其他参考/学习资料：

v源码地址

https://github.com/toutouge/javademosecond/tree/master/hellolearn

作　　者：请叫我头头哥
出　　处：http://www.cnblogs.com/toutou/
关于作者：专注于基础平台的项目开发。如有问题或建议，请多多赐教！
版权声明：本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文链接。
特此声明：所有评论和私信都会在第一时间回复。也欢迎园子的大大们指正错误，共同进步。或者直接私信我
声援博主：如果您觉得文章对您有帮助，可以点击文章右下角【推荐】一下。您的鼓励是作者坚持原创和持续写作的最大动力！

赞 (0)

相关推荐