从零开始系统学习 Go 编程

Appearance

PromQL 查询 ​

PromQL（Prometheus Query Language）是 Prometheus 的查询语言。

基本查询 ​

瞬时查询 ​

promql
# 查询指标
http_requests_total

# 查询特定标签
http_requests_total{method="GET"}

# 多标签匹配
http_requests_total{method="GET", status="200"}

# 正则匹配
http_requests_total{method=~"GET|POST"}

# 排除匹配
http_requests_total{status!="500"}

范围查询 ​

promql
# 5分钟内的数据
http_requests_total[5m]

# 1小时内的数据
http_requests_total[1h]

时间偏移 ​

promql
# 5分钟前的数据
http_requests_total offset 5m

# 昨天的数据
http_requests_total offset 1d

聚合操作 ​

常用聚合 ​

promql
# 求和
sum(http_requests_total)

# 按标签分组求和
sum by (method) (http_requests_total)

# 平均值
avg(http_requests_total)

# 最大/最小值
max(http_requests_total)
min(http_requests_total)

# 计数
count(http_requests_total)

聚合示例 ​

promql
# 按实例分组统计 QPS
sum by (instance) (rate(http_requests_total[5m]))

# 统计状态码分布
sum by (status) (http_requests_total)

数学运算 ​

promql
# 加法
http_requests_total + 100

# 减法
http_requests_total - 100

# 乘法
http_requests_total * 2

# 除法（计算错误率）
http_errors_total / http_requests_total * 100

比较运算 ​

promql
# 大于
http_requests_total > 100

# 小于
http_requests_total < 100

# 等于
http_requests_total == 100

# 范围
http_requests_total > 100 and http_requests_total < 1000

内置函数 ​

rate（速率） ​

计算每秒增长率。

promql
# 每秒请求数
rate(http_requests_total[5m])

# QPS
rate(http_requests_total[1m])

irate（瞬时速率） ​

计算瞬时增长率。

promql
irate(http_requests_total[5m])

increase（增量） ​

计算范围内的增量。

promql
# 1小时内的请求数
increase(http_requests_total[1h])

其他常用函数 ​

promql
# 绝对值
abs(http_requests_total)

# 向上取整
ceil(http_requests_total)

# 向下取整
floor(http_requests_total)

# 变化趋势
changes(http_requests_total[1h])

# 一天内最大值
max_over_time(http_requests_total[1d])

# 一天内最小值
min_over_time(http_requests_total[1d])

# 一天内平均值
avg_over_time(http_requests_total[1d])

高级查询 ​

多指标运算 ​

promql
# 错误率
rate(http_errors_total[5m]) / rate(http_requests_total[5m]) * 100

# 内存使用率
(node_memory_MemTotal_bytes - node_memory_MemFree_bytes) / node_memory_MemTotal_bytes * 100

# CPU 使用率
100 - (avg by (instance) (irate(node_cpu_seconds_total{mode="idle"}[5m])) * 100)

子查询 ​

promql
# 过去1小时内，每5分钟的最大值
max_over_time(rate(http_requests_total[5m])[1h:5m])

预测 ​

promql
# 预测4小时后的值
predict_linear(http_requests_total[1h], 4*3600)

实用查询示例 ​

HTTP 指标 ​

promql
# QPS
sum(rate(http_requests_total[5m]))

# 错误率
sum(rate(http_requests_total{status=~"5.."}[5m])) / sum(rate(http_requests_total[5m])) * 100

# P95 延迟
histogram_quantile(0.95, rate(http_request_duration_seconds_bucket[5m]))

# 响应时间
rate(http_request_duration_seconds_sum[5m]) / rate(http_request_duration_seconds_count[5m])

系统指标 ​

promql
# CPU 使用率
100 - (avg(irate(node_cpu_seconds_total{mode="idle"}[5m])) * 100)

# 内存使用率
(node_memory_MemTotal_bytes - node_memory_MemAvailable_bytes) / node_memory_MemTotal_bytes * 100

# 磁盘使用率
(node_filesystem_size_bytes - node_filesystem_free_bytes) / node_filesystem_size_bytes * 100

# 网络流量
rate(node_network_receive_bytes_total[5m])

最佳实践 ​

  1. 使用 rate 而非 irate：rate 更平滑，适合告警
  2. 合理选择时间窗口：通常使用 5m 或 1m
  3. 使用标签分组：按业务维度聚合
  4. 避免高基数标签：如 user_id、request_id

参考：https://prometheus.io/docs/prometheus/latest/querying/