前言
在之前的博客里，筆者詳細闡述了Prometheus數據的插入過程。但我們最常見的打交道的是數據的查詢。Prometheus提供了強大的Promql來滿足我們千變萬化的查詢需求。在這篇文章里面，筆者就以一個簡單的Promql為例，講述下Prometheus查詢的過程。
Promql
一個Promql表達式可以計算為下面四種類型:
- 瞬時向量(Instant Vector) - 一組同樣時間戳的時間序列(取自不同的時間序列，例如不同機器同一時間的CPU idle)
- 區間向量(Range vector) - 一組在一段時間范圍內的時間序列
- 標量(Scalar) - 一個浮點型的數據值
- 字符串(String) - 一個簡單的字符串
我們還可以在Promql中使用svm/avg等集合表達式，不過只能用在瞬時向量(Instant Vector)上面。為了闡述Prometheus的聚合計算以及篇幅原因，筆者在本篇文章只詳細分析瞬時向量(Instant Vector)的執行過程。
瞬時向量(Instant Vector)
前面說到，瞬時向量是一組擁有同樣時間戳的時間序列。但是實際過程中，我們對不同Endpoint采樣的時間是不可能精確一致的。所以，Prometheus采取了距離指定時間戳之前最近的數據(Sample)。如下圖所示:
當然，如果是距離當前時間戳1個小時的數據直觀看來肯定不能納入到我們的返回結果里面。
所以Prometheus通過一個指定的時間窗口來過濾數據(通過啟動參數—query.lookback-delta指定，默認5min)。
對一條簡單的Promql進行分析
好了，解釋完Instant Vector概念之后，我們可以著手進行分析了。直接上一條帶有聚合函數的Promql吧。
SUM BY (group) (http_requests{job="api-server",group="production"})
首先,對于這種有語法結構的語句肯定是將其Parse一把，構造成AST樹了。調用
promql.ParseExpr
由于Promql較為簡單，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樹結構。
Prometheus對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設計模式
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里非常方便的函數式功能，直接傳遞求值函數inspector進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) // 這邊拿到對應序列的數據
......
val, err := evaluator.Eval(s.Expr) // here 聚合計算
......
}
populateSeries
首先通過populateSeries的計算出VectorSelector Node所對應的series(時間序列)。這里直接給出求值函數
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
可以看到這個求值函數，只對VectorSelector/MatrixSelector進行操作，針對我們的Promql也就是只對葉子節點VectorSelector有效。
select
獲取對應數據的核心函數就在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))
根據時間戳范圍去生成querier,里面最重要的就是計算出哪些block在這個時間范圍內，并將他們附著到querier里面。具體見函數
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,
})
}
......
}
知道數據在哪些block里面，我們就可以著手進行計算VectorSelector的數據了。
// 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應的series。為了篇幅起見，我們假設數據都在headBlock(也就是內存里面)。那么我們對于倒排的計算就如下圖所示:
這樣，我們的VectorSelector節點就已經有了最終的數據存儲地址信息了，例如圖中的memSeries refId=3和4。
如果想了解在磁盤中的數據尋址，可以詳見筆者之前的博客
<<Prometheus時序數據庫-磁盤中的存儲結構>>
通過populateSeries找到對應的數據，那么我們就可以通過evaluator.Eval獲取最終的結果了。計算采用后序遍歷，等下層節點返回數據后才開始上層節點的計算。那么很自然的，我們先計算VectorSelector。
func (ev *evaluator) eval(expr Expr) Value {
......
case *VectorSelector:
// 通過refId拿到對應的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對應的原始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，當我們找到一個距離ts最近切小于ts的sample時候，只用這個sample的value,其時間戳則用ts(Instant Query指定的時間戳)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的數據，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的數據，所以這邊回退一格，由于同一memSeries同一時間的數據只有一條，所以回退的數據肯定是<=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時間最近且小于這個時間的兩條記錄，并保留了記錄的標簽。這樣，我們就可以在上層進行聚合。
SUM by聚合
葉子節點VectorSelector得到了對應的數據后，我們就可以對上層節點AggregateExpr進行聚合計算了。代碼棧為:
evaluator.rangeEval
|->evaluate.eval.func2
|->evelator.aggregation grouping key為group
具體的函數如下圖所示:
func (ev *evaluator) aggregation(op ItemType, grouping []string, without bool, param interface{}, vec Vector, enh *EvalNodeHelper) Vector {
......
// 對所有的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，我們聚合的結果就變為:
這個和我們的預期結果一致,一次查詢的過程就到此結束了。
總結
Promql是非常強大的，可以滿足我們的各種需求。其運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單的Promql,但萬變不離其宗,任何Promql都是類似的運行邏輯。希望本文對讀者能有所幫助。
原文地址：https://mp.weixin.qq.com/s/rGYJyAjG0qcarXSVJyl0sQ
