概述

目前，几乎所有的研发人员每天都在跟API打交道：后端为实现业务不停的生产API，前端为实现产品功能不停的调用API。API已经成为前端与后端、产品与产品、公司与公司之间技术沟通、业务合作的桥梁。

微服务中，API几乎是服务与外界的唯一交互渠道，API服务的稳定性、可靠性越来越成为不可忽略的部分。我们需要实时了解API的运行状况（请求次数、延时、失败等），需要通过对历史数据的分析了解哪些API存在瓶颈以便后期优化。所以，为了确保系统良好的提供服务，绝大多数的微服务框架也都集成了API监控组件。

本文将为算术运算服务增加API监控功能：Prometheus作为监控组件，Grafana作为可视化工具，两者均通过docker-compose部署运行。go-kit已经提供prometheus组件（metric/prometheus），因此集成工作变得非常容易。在开始之前我们需要先了解一下所需的知识点。

Prometheus

Prometheus （中文名称：普罗米修斯）是一套开源的系统监控报警框架。作为新一代的监控框架，Prometheus 具有以下特点：

提供强大的多维度数据模型，如Counter、Gauge、Histogram、Summary；
强大而灵活的查询语句（PromQL），可方便的实现对时间序列数据的查询、聚合操作；
易于管理与高效；
提供pull模式、push gateway方式实现时间序列数据的采集；
支持多种可视化图形界面：Grafana、Web UI、API clients；
报警规则管理、报警检测和报警推送功能。

Grafana

Grafana是一个跨平台的开源的度量分析和可视化工具，可以通过将采集的数据查询然后可视化的展示，并及时通知。它主要有以下六大特点：

展示方式：快速灵活的客户端图表，面板插件有许多不同方式的可视化指标和日志，官方库中具有丰富的仪表盘插件，比如热图、折线图、图表等多种展示方式；
数据源：Graphite，InfluxDB，OpenTSDB，Prometheus，Elasticsearch，CloudWatch和KairosDB等；
通知提醒：以可视方式定义最重要指标的警报规则，Grafana将不断计算并发送通知，在数据达到阈值时通过Slack、PagerDuty等获得通知；
混合展示：在同一图表中混合使用不同的数据源，可以基于每个查询指定数据源，甚至自定义数据源；
注释：使用来自不同数据源的丰富事件注释图表，将鼠标悬停在事件上会显示完整的事件元数据和标记；
过滤器：Ad-hoc过滤器允许动态创建新的键/值过滤器，这些过滤器会自动应用于使用该数据源的所有查询。

在该示例中，通过配置文件为Prometheus添加作业（job），尤其定时向本示例服务发起HTTP请求监控指标数据（即pull模式）。

实战演练

Step-1：环境准备

由于我的电脑windows安装docker一直不成功，我把运行环境切换到ubuntu 18.04下，还是使用Goland开发。

如果已经配置过docker和docker-compose可跳过步骤1、2；

按照官方指南安装docker-ce。另外，为了提高镜像下载速度，可选择国内镜像修改方式如下：

 # 打开（没有会新建）文件
 sudo vim /etc/docker/daemon.json
 
 # 设置以下内容
 {
    "registry-mirrors": [
        "https://registry.docker-cn.com"
    ]
}

# 重启服务
sudo service docker restart

安装docker-compose。官方将安装包放在aws，使用其推荐的curl方式特别慢。我是先到Release页面下载最新版本，复制到usr/local/bin/docker-compose；然后设置权限安装成功的。步骤如下：

# 移动或复制文件到指定目录
sudo mv [your download file] /usr/local/bin/docker-compose

# 设置权限
sudo chmod +x /usr/local/bin/docker-compose

# 检查是否安装成功
docker-compose --version

下载最新版本Prometheus客户端

go get github.com/prometheus/client_golang/prometheus

复制目录arithmetic_rate_limit_demo，重新命名为arithmetic_monitor_dmeo；

Step-2：添加指标采集中间件

本示例将基于《go-kit微服务：限流》的代码进行改进，使用go-kit中间件机制为Service添加Prometheus监控指标采集功能。在instrument.go下增加新的结构类型：

// metricMiddleware 定义监控中间件，嵌入Service
// 新增监控指标项：requestCount和requestLatency
type metricMiddleware struct {
	Service
	requestCount   metrics.Counter
	requestLatency metrics.Histogram
}

接下来创建为Service封装指标采集的方法Metric，采集请求次数和请求延迟两个指标项：

// Metrics 指标采集方法
func Metrics(requestCount metrics.Counter, requestLatency metrics.Histogram) ServiceMiddleware {
	return func(next Service) Service {
		return metricMiddleware{
			next,
			requestCount,
			requestLatency}
	}
}

然后跟限流、日志中间件的方式一致，由于嵌入了Service接口，需要依次实现该接口的方法，以Add为例进行说明，其他方法与之类似。

每接收一次请求，请求次数每次加1；
通过请求结束时间减去请求开始的差值（单位秒）作为请求延时；

func (mw metricMiddleware) Add(a, b int) (ret int) {

	defer func(beign time.Time) {
		lvs := []string{"method", "Add"}
		mw.requestCount.With(lvs...).Add(1)
		mw.requestLatency.With(lvs...).Observe(time.Since(beign).Seconds())
	}(time.Now())

	ret = mw.Service.Add(a, b)
	return ret
}

Step-3：开放Prometheus指标采集接口

在transport.go中新增用于Prometheus轮循拉取监控指标的代码，开放API接口/metrics。

r.Path("/metrics").Handler(promhttp.Handler())

Step-4：修改main.go

首先创建指标采集对象：请求次数采集和请求延时采集对象。

fieldKeys := []string{"method"}
requestCount := kitprometheus.NewCounterFrom(stdprometheus.CounterOpts{
	Namespace: "raysonxin",
	Subsystem: "arithmetic_service",
	Name:      "request_count",
	Help:      "Number of requests received.",
}, fieldKeys)

requestLatency := kitprometheus.NewSummaryFrom(stdprometheus.SummaryOpts{
	Namespace: "raysonxin",
	Subsystem: "arithemetic_service",
	Name:      "request_latency",
	Help:      "Total duration of requests in microseconds.",
}, fieldKeys)

使用Metrics方法对Service对象进行封装：

svc = Metrics(requestCount, requestLatency)(svc)

由于最后需要使用Postman进行接口测试，这里我将限流器的容量改为了100。

//add ratelimit,refill every second,set capacity 3
ratebucket := rate.NewLimiter(rate.Every(time.Second*1), 100)
endpoint = NewTokenBucketLimitterWithBuildIn(ratebucket)(endpoint)

至此，代码修改完成，可通过go build进行编译，确保没有问题。

Step-5：配置docker镜像

本示例使用Prometheus和Gafana的官方docker镜像（prom/prometheus和grafana/grafana），通过docker-compose搭建环境。

首先为Prometheus创建配置文件（docker/prometheus.yml），创建每隔5秒定时从我们的微服务抓取监控指标数据的Job，命名为raysonxin。该配置文件需要在运行时加载到镜像中。注意targets设置为算术运算服务的访问地址；yml文件配置信息的缩进。

global:
    scrape_interval: 15s
    external_labels:
      monitor: 'raysonxin-monitor'

scrape_configs:
  - job_name: 'prometheus'
    scrape_interval: 5s
    static_configs:
      - targets: ['localhost:9090']
        labels:
          group: 'local'

  - job_name: 'raysonxin'
    scrape_interval: 5s
    static_configs:
      - targets: ['192.168.10.113:9000']
        labels:
          group: 'arithmetic'

对于Gafana镜像有两项配置需要在yml文件中设置：

通过环境变量设置admin的登录密码选项GF_SECURITY_ADMIN_PASSWORD；
创建volumes为其指定数据存储目录；

接下来创建docker-compose运行所需的配置文件：docker/docker-compose.yml，内容如下：

version: '2'

services:
  prometheus:
    image: prom/prometheus
    ports:
      - 9090:9090
    volumes:
      - ./prometheus.yml:/etc/prometheus/prometheus.yml
  grafana:
    image: grafana/grafana
    ports:
      - 3000:3000
    environment:
      - GF_SECURITY_ADMIN_PASSWORD=password
    volumes:
      - $PWD/extra/grafana_db:/var/lib/grafana grafana/grafana

现在就可以使用命令启动docker了。

Step-6：运行

万事俱备只欠东风了。接下来就是依次启动我们的服务、Prometheus和Grafana镜像，然后使用Postman进行测试。

启动算术运算服务。

./arithmetic_monitor_demo 
Http Server start at port:9000

启动docker。

# 启动docker
docker-compose -f docker/docker-compose.yml up -d

# 查看运行状态
sudo docker-compose -f docker/docker-compose.yml ps

# 停止docker
sudo docker-compose -f docker/docker-compose.yml stop

通过“查看运行状态”指令看到以下界面，说明Prometheus和Grafana已经开始运行了。

使用Postman调用算术运算服务。这里使用Postman的Runner功能（界面左上角），首先将算术运算服务的四个请求添加到一个Collection中；然后创建一个Environment（界面右上角）命名为env-gokit-article；然后依次进入Runner-选择Collection，按照下图进行设置后，点击按钮Run demo1开始执行测试。

Step-7：查看监控数据

初次通过浏览器访问Grafana需要进行若干配置，才可查看监控数据，比较简单，步骤如下：

登录Grafana：通过浏览器访问localhost:3000，使用用户名admin和yml配置的密码password登录；
创建数据源：点击create your first datasource，选择Prometheus，配置HTTP.URL（建议设置为http://[IP]:[port]，不要使用localhost），最后保存成功。
创建Dashboard：点击create your first dashboard，选择Graph，点击Title下拉菜单中的Edit，即可进入如下界面（选择Metric选项）：

如图所示，在查询输入框输入raysonxin即可看到我们采集的四个监控指标项，选择其中一项即可在图表中查看细节（请自行查阅资料进行分析，本文不展开，因为还不懂）。

raysonxin_arithmetic_service_request_count；
raysonxin_arithmetic_service_request_latency；
raysonxin_arithmetic_service_request_latency_count；
raysonxin_arithmetic_service_request_latency_sum；

总结

今天的示例为运算服务增加基于Prometheus的API监控功能，通过Prometheus（官方docker镜像）采集运算服务的监控指标数据，通过Grafana（官方docker镜像）的Dashboard查看监控指标数据。

由于go-kit本身已经对Prometheus监控组件进行了封装，所以代码编写工作比较省时间，更多的时间在于环境的搭建与测试，当然由于使用docker技术效率已经大大提高。

本文只是流水账似的把我的学习过程记录下来，并没有对其中使用的技术和原理进行深入分析。

本文示例代码可通过我的github获取，如果有任何疑问欢迎留言讨论。

本文参考

本文首发于本人微信公众号【兮一昂吧】，欢迎扫码关注！