Prometheus 安装配置

大数据技术AI

Flink/Spark/Hadoop/数仓，数据分析、面试，源码解读等干货学习资料

91篇原创内容

公众号

Prometheus 特点

官网：prometheus.io/

下载地址：prometheus.io/download/

易于管理

Prometheus核心部分只有一个单独的二进制文件，不存在任何的第三方依赖(数据库，缓存等等)。唯一需要的就是本地磁盘，因此不会有潜在级联故障的风险。

Prometheus基于Pull模型的架构方式，可以在任何地方（本地电脑，开发环境，测试环境）搭建我们的监控系统。

对于一些复杂的情况，还可以使用Prometheus服务发现(Service Discovery)的能力动态管理监控目标。

监控服务的内部运行状态

Pometheus鼓励用户监控服务的内部状态，基于Prometheus丰富的Client库，用户可以轻松的在应用程序中添加对Prometheus的支持，从而让用户可以获取服务和应用内部真正的运行状态。

强大的数据模型

所有采集的监控数据均以指标(metric)的形式保存在内置的时间序列数据库当中(TSDB)。所有的样本除了基本的指标名称以外，还包含一组用于描述该样本特征的标签。如下所示：

http_request_status{code='200',content_path='/api/path',environment='produment'} => [value1@timestamp1,value2@timestamp2...] 

http_request_status{code='200',content_path='/api/path2',environment='produment'} => [value1@timestamp1,value2@timestamp2...]

每一条时间序列由指标名称(Metrics Name)以及一组标签(Labels)唯一标识。每条时间序列按照时间的先后顺序存储一系列的样本值。

http_request_status：指标名称(Metrics Name)
{code='200',content_path='/api/path',environment='produment'}：表示维度的标签，基于这些Labels我们可以方便地对监控数据进行聚合，过滤，裁剪。
[value1@timestamp1,value2@timestamp2...]：按照时间的先后顺序存储的样本值。
强大的查询语言PromQL

Prometheus内置了一个强大的数据查询语言PromQL。通过PromQL可以实现对监控数据的查询、聚合。同时PromQL也被应用于数据可视化(如Grafana)以及告警当中。

通过PromQL可以轻松回答类似于以下问题：

在过去一段时间中95%应用延迟时间的分布范围？
预测在4小时后，磁盘空间占用大致会是什么情况？
CPU占用率前5位的服务有哪些？(过滤)

高效

对于监控系统而言，大量的监控任务必然导致有大量的数据产生。而Prometheus可以高效地处理这些数据，对于单一Prometheus Server实例而言它可以处理：

数以百万的监控指标
每秒处理数十万的数据点

可扩展

可以在每个数据中心、每个团队运行独立的Prometheus Sevrer。Prometheus对于联邦集群的支持，可以让多个Prometheus实例产生一个逻辑集群，当单实例Prometheus Server处理的任务量过大时，通过使用功能分区(sharding)+联邦集群(federation)可以对其进行扩展。

易于集成

使用Prometheus可以快速搭建监控服务，并且可以非常方便地在应用程序中进行集成。目前支持：Java，JMX，Python，Go，Ruby，.Net，Node.js等等语言的客户端SDK，基于这些SDK可以快速让应用程序纳入到 Prometheus的监控当中，或者开发自己的监控数据收集程序。

同时这些客户端收集的监控数据，不仅仅支持 Prometheus，还能支持Graphite这些其他的监控工具。

同时Prometheus还支持与其他的监控系统进行集成：Graphite， Statsd， Collected， Scollector， muini， Nagios等。Prometheus社区还提供了大量第三方实现的监控数据采集支持：JMX，CloudWatch，EC2，MySQL，PostgresSQL，Haskell，Bash，SNMP，Consul，Haproxy，Mesos，Bind，CouchDB，Django，Memcached，RabbitMQ，Redis，RethinkDB，Rsyslog等等。

可视化

Prometheus Server中自带的Prometheus UI，可以方便地直接对数据进行查询，并且支持直接以图形化的形式展示数据。同时Prometheus还提供了一个独立的基于Ruby On Rails的Dashboard解决方案 Promdash。

最新的Grafana可视化工具也已经提供了完整的Prometheus支持，基于Grafana可以创建更加精美的监控图标。

基于Prometheus提供的API还可以实现自己的监控可视化UI。

开放性

通常来说当我们需要监控一个应用程序时，一般需要该应用程序提供对相应监控系统协议的支持，因此应用程序会与所选择的监控系统进行绑定。为了减少这种绑定所带来的限制，对于决策者而言要么你就直接在应用中集成该监控系统的支持，要么就在外部创建单独的服务来适配不同的监控系统。

而对于Prometheus来说，使用Prometheus的client library的输出格式不止支持Prometheus的格式化数据，也可以输出支持其它监控系统的格式化数据，比如Graphite。因此你甚至可以在不使用Prometheus的情况下，采用Prometheus的client library来让你的应用程序支持监控数据采集。

Prometheus 架构

Prometheus Server：主服务器，负责收集和存储时间序列数据

client libraies：应用程序代码插桩，将监控指标嵌入到被监控应用程序中

Pushgateway：推送网关，为支持short-lived作业提供一个推送网关

exporter：专门为一些应用开发的数据摄取组件—exporter，例如：HAProxy、StatsD、Graphite等等。

Alertmanager：专门用于处理alert的组件

Prometheus既然设计为一个维度存储模型，可以把它理解为一个OLAP系统。

存储计算层

Prometheus Server，里面包含了存储引擎和计算引擎。

Retrieval组件为取数组件，它会主动从Pushgateway或者Exporter拉取指标数据。

Service discovery，可以动态发现要监控的目标。

TSDB，数据核心存储与查询。

HTTP server，对外提供HTTP服务。

采集层

采集层分为两类，一类是生命周期较短的作业，还有一类是生命周期较长的作业。

短作业：直接通过API，在退出时间指标推送给Pushgateway。

长作业：Retrieval组件直接从Job或者Exporter拉取数据。

应用层

应用层主要分为两种，一种是AlertManager，另一种是数据可视化。

AlertManager

对接Pagerduty，是一套付费的监控报警系统。可实现短信报警、5分钟无人ack打电话通知、仍然无人ack，通知值班人员Manager...

Emial，发送邮件

数据可视化

Prometheus build-in WebUI

Grafana

其他基于API开发的客户端

Prometheus 下载

Prometheus 安装

安装Prometheus Server

Prometheus基于Golang编写，编译后的软件包，不依赖于任何的第三方依赖。只需要下载对应平台的二进制包，解压并且添加基本的配置即可正常启动Prometheus Server。

1. 解压

tar -zxvf prometheus-2.26.0.linux-amd64.tar.gz -C /data

2. 添加配置prometheus.yml

  - job_name: 'pushgateway'
    static_configs:
    - targets: ['hadoop01:9091']
      labels:
        instance: pushgateway

  - job_name: 'node exporter'
    static_configs:
    - targets: ['hadoop01:9100', 'hadoop02:9100', 'hadoop03:9100']
      labels:
        instance: node exporter

3. 配置说明

1、global配置块：控制Prometheus服务器的全局配置

scrape_interval：配置拉取数据的时间间隔，默认为1分钟。

evaluation_interval：规则验证（生成alert）的时间间隔，默认为1分钟。

2、rule_files配置块：规则配置文件

3、scrape_configs配置块：配置采集目标相关， prometheus监视的目标。Prometheus自身的运行信息可以通过HTTP访问，所以Prometheus可以监控自己的运行数据。

job_name：监控作业的名称

static_configs：表示静态目标配置，就是固定从某个target拉取数据

targets：指定监控的目标，其实就是从哪儿拉取数据。Prometheus会从http://hadoop1:9090/metrics上拉取数据。

Prometheus是可以在运行时自动加载配置的。启动时需要添加：--web.enable-lifecycle

4. 启动

nohup ./prometheus --config.file=prometheus.yml > ./prometheus.log 2>&1 &

安装Pushgateway

Prometheus在正常情况下是采用拉模式从产生metric的作业或者exporter（比如专门监控主机的NodeExporter）拉取监控数据。但是我们要监控的是Flink on YARN作业，想要让Prometheus自动发现作业的提交、结束以及自动拉取数据显然是比较困难的。

PushGateway就是一个中转组件，通过配置Flink on YARN作业将metric推到PushGateway，Prometheus再从PushGateway拉取就可以了。

直接解压启动即可，无需配置

nohup ./pushgateway --web.listen-address :9091 > ./pushgateway.log 2>&1 &

安装Node Exporter（选择性安装）

在Prometheus的架构设计中，Prometheus Server并不直接服务监控特定的目标，其主要任务负责数据的收集，存储并且对外提供数据查询支持。因此为了能够能够监控到某些东西，如主机的CPU使用率，我们需要使用到Exporter。

Prometheus周期性的从Exporter暴露的HTTP服务地址（通常是/metrics）拉取监控样本数据。

Exporter可以是一个相对开放的概念，其可以是一个独立运行的程序独立于监控目标以外，也可以是直接内置在监控目标中。只要能够向Prometheus提供标准格式的监控样本数据即可。

为了能够采集到主机的运行指标如CPU, 内存，磁盘等信息。我们可以使用Node Exporter。Node Exporter同样采用Golang编写，并且不存在任何的第三方依赖，只需要下载，解压即可运行。可以从prometheus.io/download/ 获取最新的node exporter版本的二进制包。

1. 解压

 tar -zxvf node_exporter-1.1.2.linux-amd64.tar.gz -C /data

2. 启动

./node_exporter

3. 查看

http://hadoop01:9100/metrics

4. 设置开机自启（所有机器）

sudo vim /usr/lib/systemd/system/node_exporter.service

[Unit]
Description=node_export
Documentation=https://github.com/prometheus/node_exporter
After=network.target

[Service]
Type=simple
User=atguigu
ExecStart= /data/node_exporter-1.1.2/node_exporter
Restart=on-failure

[Install]
WantedBy=multi-user.target

设为开机自启动

sudo systemctl enable node_exporter.service

启动服务

sudo systemctl start node_exporter.service

Prometheus 安装查看

浏览器输入：http://hadoop01:9090/

点击 Status，选中Targets：

prometheus、pushgateway和node exporter都是up状态，表示安装启动成功：

本文使用文章同步助手同步

Prometheus 安装配置

易于管理

监控服务的内部运行状态

强大的数据模型

高效

可扩展

易于集成

可视化

开放性

安装Pushgateway