prometheus increase函数注意事项（深入理解Prometheus:metrictype）

在上篇文章《深入理解Prometheus: PromQL查询逻辑详解，我来为大家科普一下关于prometheus increase函数注意事项?以下内容希望对你有帮助!

prometheus increase函数注意事项

在上篇文章《深入理解Prometheus: PromQL查询逻辑详解

》中，介绍了PromQL查询逻辑，并同时提到了两种类型：

metric type：counter, gauge, histogram, summary, untyped

promql expr type：string, scalar, instant vector, range vector

本篇文章将介绍metric type每种类型的含义、如果使用其度量app的运行、如果暴露给prometheus server，以及在PromQL中使用的注意事项。

类型详解

类型	说明
gauge	用于跟踪当前的请求数或可以自然上升或下降的事物，例如内存使用情况、队列长度、正在进行的请求数或当前 CPU 使用情况。
counter	用于跟踪多个事件或数量的累积总数，例如 HTTP 请求的总数或处理请求所花费的总秒数。重新启动时，计数器的值会重置为0。
histogram	用于跟踪一组观察值（如请求延迟）在一组存储桶中的分布。它还跟踪观察值的总数，以及观察值的累积和。
summary	用于跟踪一组观察值（如请求延迟）的分布，作为一组分位数/百分位数。与histogram一样，还跟踪观察值的总数，以及观察值的累积和。

使用Metric Type

metric type在两个地方会体现其价值：

1. 度量app并生成metric，这是最重要的体现

2. 使用PromQL计算或者汇总metric数据

首先，我们先看如何用这些metric来度量app。每种类型都有各自特定的方法和特性，通常我们使用Prometheus Client Library来更方便的度量我们的app，下面将具体示例。

Gauge metrics

queueLength := prometheus.NewGauge(prometheus.GaugeOpts{ Name: "queue_length", Help: "The number of items in the queue.", }) // Use Set() when you know the absolute value from some other source. queueLength.Set(0) // Use these methods when your code directly observes the increase or decrease of something, such as adding an item to a queue. queueLength.Inc() // Increment by 1. queueLength.Dec() // Decrement by 1. queueLength.Add(23) queueLength.Sub(42)

gauge metric经常用于暴露当前Unix时间戳，所以特意加了一个便捷函数

demoTimestamp.SetToCurrentTime()

Counter metrics

totalRequests := prometheus.NewCounter(prometheus.CounterOpts{ Name: "http_requests_total", Help: "The total number of handled HTTP requests.", }) totalRequests.Inc() totalRequests.Add(23)

counter metric随时间只加不减，且重启后自动设置为0，计算式相关的函数如rate可以识别到重置的问题，并正确计算

Histogram metrics

histogram metric稍微复杂一点，需要设置观察bucket的数量，以及每个bucket的上限。Prometheus histogram中的bucket计数是累积的，每个后续桶都包含前一个桶的计数，换句话说，所有桶的下边界都从零开始。因此，您无需显式配置每个存储桶的下限，只需配置上限：

requestDurations := prometheus.NewHistogram(prometheus.HistogramOpts{ Name: "http_request_duration_seconds", Help: "A histogram of the HTTP request durations in seconds.", // Bucket configuration: the first bucket includes all requests finishing in 0.05 seconds, the last one includes all requests finishing in 10 seconds. Buckets: []float64{0.05, 0.1, 0.25, 0.5, 1, 2.5, 5, 10}, })

由于枚举所有存储桶可能很常见，因此有一些辅助函数prometheus.LinearBuckets()和prometheus.ExponentialBuckets()可以帮助生成线性或指数存储桶方案。

直方图会自动分类和计算值的分布，因此只需要一个Observe()方法，当在代码中处理要跟踪的内容时调用该方法。例如，如果您刚刚处理了一个耗时 0.42 秒的 HTTP 请求，将执行以下操作：

requestDurations.Observe(0.42)

Go Client Library还为计时持续时间提供了帮助函数，然后自动将它们观察到histogram中：

timer := prometheus.NewTimer(requestDurations) // [...Handle the request...] timer.ObserveDuration()

Summary metrics

创建和使用摘要类似于Histogram，不同之处在于需要指定要跟踪的分位数，而不是bucket。例如，如果您想跟踪 HTTP 请求延迟的第 50、90 和 99 个百分位数，可以创建如下summary：

requestDurations := prometheus.NewSummary(prometheus.SummaryOpts{ Name: "http_request_duration_seconds", Help: "A summary of the HTTP request durations in seconds.", Objectives: map[float64]float64{ 0.5: 0.05, // 50th percentile with a max. absolute error of 0.05. 0.9: 0.01, // 90th percentile with a max. absolute error of 0.01. 0.99: 0.001, // 99th percentile with a max. absolute error of 0.001. }, }, )

创建后，跟踪持续时间的工作方式与Histogram完全相同：

requestDurations.Observe(0.42)

histograms vs. summaries

这个我们在文章《prometheus基本概念》中详细对比过，结论是：

如果需要聚合或者观测值的范围和分布，选择直方图。

如果需要精确的分位数，选择Summary。

导出格式

目前只支持基于text的导出格式（曾经支持过grpc格式，后放弃了），具体每种类型的格式如下：

Gauge

# HELP queue_length The number of items in the queue. # TYPE queue_length gauge queue_length 42

Counter

# HELP http_requests_total The total number of handled HTTP requests. # TYPE http_requests_total counter http_requests_total 7734

Histogram

# HELP http_request_duration_seconds A histogram of the HTTP request durations in seconds. # TYPE http_request_duration_seconds histogram http_request_duration_seconds_bucket{le="0.05"} 4599 http_request_duration_seconds_bucket{le="0.1"} 24128 http_request_duration_seconds_bucket{le="0.25"} 45311 http_request_duration_seconds_bucket{le="0.5"} 59983 http_request_duration_seconds_bucket{le="1"} 60345 http_request_duration_seconds_bucket{le="2.5"} 114003 http_request_duration_seconds_bucket{le="5"} 201325 http_request_duration_seconds_bucket{le=" Inf"} 227420 http_request_duration_seconds_sum 88364.234 http_request_duration_seconds_count 227420

Histogram相对复杂一些，需要多条series才能表达清楚每个bucket的统计数据，其中有几个注意的点：

{le=" Inf"}用于表示超过最高上限的bucket的累积值

_sum表示观察值得和

_count表示观察值的数量

_sum和_count可以用于计算平均值

Summary

# HELP http_request_duration_seconds A summary of the HTTP request durations in seconds. # TYPE http_request_duration_seconds summary http_request_duration_seconds{quantile="0.5"} 0.052 http_request_duration_seconds{quantile="0.90"} 0.564 http_request_duration_seconds{quantile="0.99"} 2.372 http_request_duration_seconds_sum 88364.234 http_request_duration_seconds_count 227420

Prometheus如何使用Metric Type

在Prometheus中，虽然抓取时也同时抓取了type信息，但并没有使用和存储type信息，也就是说在prometheus中，不知道也不识别具体metric是什么type，很多人提这个问题，未来有可能会保留type信息

在PromQL中也不区分metric type，只要符合PromQL expr type即可。