如何基于Python和Flask编写Prometheus监控
介绍
Prometheus的基本原理是通过HTTP周期性抓取被监控组件的状态。
任意组件只要提供对应的HTTP接口并且符合Prometheus定义的数据格式，就可以接入Prometheus监控。
PrometheusServer负责定时在目标上抓取metrics（指标）数据并保存到本地存储。它采用了一种Pull（拉）的方式获取数据，不仅降低客户端的复杂度，客户端只需要采集数据，无需了解服务端情况，也让服务端可以更加方便地水平扩展。
如果监控数据达到告警阈值，PrometheusServer会通过HTTP将告警发送到告警模块alertmanger，通过告警的抑制后触发邮件或者Webhook。Prometheus支持PromQL提供多维度数据模型和灵活的查询，通过监控指标关联多个tag的方式，将监控数据进行任意维度的组合以及聚合。
在python中实现服务器端，对外提供接口。在Prometheus中配置请求网址，Prometheus会定期向该网址发起申请获取你想要返回的数据。
另外Prometheus提供4种类型Metrics：Counter,Gauge,Summary和Histogram。
准备
pipinstallflask
pipinstallprometheus_client
Counter
Counter可以增长，并且在程序重启的时候会被重设为0，常被用于访问量，任务个数，总处理时间，错误个数等只增不减的指标。
定义它需要2个参数，第一个是metrics的名字，第二个是metrics的描述信息：
c=Counter('c1','Acounter')
counter只能增加，所以只有一个方法：
definc(self,amount=1):
'''Incrementcounterbythegivenamount.'''
ifamount<0:
raiseValueError('Counterscanonlybeincrementedbynon-negativeamounts.')
self._value.inc(amount)
测试示例：
importprometheus_client
fromprometheus_clientimportCounter
fromprometheus_client.coreimportCollectorRegistry
fromflaskimportResponse,Flask
app=Flask(__name__)
requests_total=Counter('c1','Acounter')
@app.route("/api/metrics/count/")
defrequests_count():
requests_total.inc(1)
#requests_total.inc(2)
returnResponse(prometheus_client.generate_latest(requests_total),mimetype="text/plain")
if__name__=="__main__":
app.run(host="127.0.0.1",port=8081)
访问http://127.0.0.1:8081/api/metrics/count/：
#HELPc1_totalAcounter
#TYPEc1_totalcounter
c1_total1.0
#HELPc1_createdAcounter
#TYPEc1_createdgauge
c1_created1.6053265493727107e+09
HELP是c1的注释说明，创建Counter定义的。
TYPE是c1的类型说明。
c1_total为我们定义的指标输出：你会发现多了后缀_total,这是因为OpenMetrics与Prometheus文本格式之间的兼容性，OpenMetrics需要_total后缀。
gauge
gauge可增可减，可以任意设置。
比如可以设置当前的CPU温度，内存使用量，磁盘、网络流量等等。
定义和counter基本一样：
fromprometheus_clientimportGauge
g=Gauge('my_inprogress_requests','Descriptionofgauge')
g.inc()#Incrementby1
g.dec(10)#Decrementbygivenvalue
g.set(4.2)#Settoagivenvalue
方法：
definc(self,amount=1): '''Incrementgaugebythegivenamount.''' self._value.inc(amount) defdec(self,amount=1): '''Decrementgaugebythegivenamount.''' self._value.inc(-amount) defset(self,value): '''Setgaugetothegivenvalue.''' self._value.set(float(value))
测试示例：
importrandom
importprometheus_client
fromprometheus_clientimportGauge
fromprometheus_client.coreimportCollectorRegistry
fromflaskimportResponse,Flask
app=Flask(__name__)
random_value=Gauge("g1",'Agauge')
@app.route("/api/metrics/gauge/")
defr_value():
random_value.set(random.randint(0,10))
returnResponse(prometheus_client.generate_latest(random_value),
mimetype="text/plain")
if__name__=="__main__":
app.run(host="127.0.0.1",port=8081)
访问http://127.0.0.1:8081/api/metrics/gauge/
#HELPg1Agauge
#TYPEg1gauge
g15.0
LABELS的用法
使用labels来区分metric的特征，一个指标可以有其中一个label，也可以有多个label。
fromprometheus_clientimportCounter
c=Counter('requests_total','HTTPrequeststotal',['method','clientip'])
c.labels('get','127.0.0.1').inc()
c.labels('post','192.168.0.1').inc(3)
c.labels(method="get",clientip="192.168.0.1").inc()
importrandom
importprometheus_client
fromprometheus_clientimportGauge
fromflaskimportResponse,Flask
app=Flask(__name__)
c=Gauge("c1",'Acounter',['method','clientip'])
@app.route("/api/metrics/counter/")
defr_value():
c.labels(method='get',clientip='192.168.0.%d'%random.randint(1,10)).inc()
returnResponse(prometheus_client.generate_latest(c),
mimetype="text/plain")
if__name__=="__main__":
app.run(host="127.0.0.1",port=8081)
连续访问9次http://127.0.0.1:8081/api/metrics/counter/：
#HELPc1Acounter
#TYPEc1gauge
c1{clientip="192.168.0.7",method="get"}2.0
c1{clientip="192.168.0.1",method="get"}1.0
c1{clientip="192.168.0.8",method="get"}1.0
c1{clientip="192.168.0.5",method="get"}2.0
c1{clientip="192.168.0.4",method="get"}1.0
c1{clientip="192.168.0.10",method="get"}1.0
c1{clientip="192.168.0.2",method="get"}1.0
histogram
这种主要用来统计百分位的，什么是百分位？英文叫做quantiles。
比如你有100条访问请求的耗时时间，把它们从小到大排序，第90个时间是200ms，那么我们可以说90%的请求都小于200ms，这也叫做”90分位是200ms”，能够反映出服务的基本质量。当然，也许第91个时间是2000ms，这就没法说了。
实际情况是，我们每天访问量至少几个亿，不可能把所有访问数据都存起来，然后排序找到90分位的时间是多少。因此，类似这种问题都采用了一些估算的算法来处理，不需要把所有数据都存下来，这里面数学原理比较高端，我们就直接看看prometheus的用法好了。
首先定义histogram：
h=Histogram('hh','Ahistogram',buckets=(-5,0,5))
第一个是metrics的名字，第二个是描述，第三个是分桶设置，重点说一下buckets。
这里(-5,0,5)实际划分成了几种桶：(无穷小，-5]，（-5，0]，(0,5]，（5，无穷大）。
如果我们喂给它一个-8：
h.observe(8)
那么metrics会这样输出：
#HELPhhAhistogram
#TYPEhhhistogram
hh_bucket{le="-5.0"}0.0
hh_bucket{le="0.0"}0.0
hh_bucket{le="5.0"}0.0
hh_bucket{le="+Inf"}1.0
hh_count1.0
hh_sum8.0
hh_sum记录了observe的总和，count记录了observe的次数，bucket就是各种桶了，le表示<=某值。
可见，值8<=无穷大，所以只有最后一个桶计数了1次（注意，桶只是计数，bucket作用相当于统计样本在不同区间的出现次数）。
bucket的划分需要我们根据数据的分布拍脑袋指定，合理的划分可以让promql估算百分位的时候更准确，我们使用histogram的时候只需要知道先分好桶，再不断的打点即可，最终百分位的计算可以基于histogram的原始数据完成。
测试示例：
importrandom
importprometheus_client
fromprometheus_clientimportHistogram
fromflaskimportResponse,Flask
app=Flask(__name__)
h=Histogram("h1",'AHistogram',buckets=(-5,0,5))
@app.route("/api/metrics/histogram/")
defr_value():
h.observe(random.randint(-5,5))
returnResponse(prometheus_client.generate_latest(h),
mimetype="text/plain")
if__name__=="__main__":
app.run(host="127.0.0.1",port=8081)
连续访问http://127.0.0.1:8081/api/metrics/histogram/：
#HELPh1AHistogram
#TYPEh1histogram
h1_bucket{le="-5.0"}0.0
h1_bucket{le="0.0"}5.0
h1_bucket{le="5.0"}10.0
h1_bucket{le="+Inf"}10.0
h1_count10.0
#HELPh1_createdAHistogram
#TYPEh1_createdgauge
h1_created1.6053319432993534e+09
summary
python客户端没有完整实现summary算法，这里不介绍。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持毛票票。