Prometheus（三）—— PromQL从入门到精通：掌握Prometheus数据查询的核心技术

前言

在监控领域，Prometheus凭借其灵活的时序数据存储、强大的指标采集能力，成为云原生时代最主流的监控系统之一。而要充分发挥Prometheus的价值，PromQL（Prometheus Query Language） 作为其内置的数据查询语言，是绕不开的核心技能。无论是实时查看系统指标、生成可视化图表，还是配置告警规则、分析性能瓶颈，都需要通过PromQL实现。

本文将从PromQL的基础概念出发，逐步深入数据模型、选择器、指标类型、聚合函数等核心模块，结合实战示例解析关键用法，帮助读者系统掌握PromQL的使用技巧，真正将Prometheus的监控能力落地到实际业务场景中。

一、PromQL简介

1.1 什么是PromQL

PromQL（Prometheus Query Language）是Prometheus专为时序数据设计的查询语言，支持实时数据查询、聚合计算、多维度过滤等操作。它的核心目标是让用户能够从Prometheus存储的时序数据中，快速提取出有价值的信息。

与传统的SQL不同，PromQL针对时序数据的特性做了优化，能够轻松处理时间序列+多维度标签的数据结构，满足监控场景下的各类分析需求（如计算指标增长率、统计分位数、按维度分组聚合等）。

1.2 PromQL的核心作用

1、多维度数据过滤：基于指标名称和标签，精准筛选目标时间序列（如筛选“job=prometheus”且“code=200”的HTTP请求指标）；
2、实时数据计算：支持算术运算、函数计算（如rate计算增长率、delta计算差值），生成衍生指标；
3、聚合统计分析：通过sum、avg、quantile等聚合函数，实现多时间序列的汇总、均值、分位数等统计；
4、时序数据可视化与告警：为Grafana等可视化工具提供数据来源，同时作为Prometheus告警规则的核心判断条件。

二、Prometheus数据模型

Prometheus的核心是时序数据（Time Series），而数据模型则定义了时序数据的组织方式。理解这一模型是学好PromQL的基础。

2.1 数据模型的核心构成

Prometheus中，每一条时间序列由“指标名称（Metric Name）”和“标签集（Label Set）”共同标识，格式如下：

<metric_name>{<label_name>=<label_value>, ...}

• 指标名称代表着监控目标上某类可测量属性的基本特征标识
• 标签则是这个基本特征上再次细分的多个可测量维度

2.1.1 指标名称（Metric Name）

• 作用：描述监控目标的“基本特征”，即“监控什么”（如HTTP请求总数、CPU空闲时间）；
• 命名规范：通常采用“业务域_指标类型_单位”的格式（如prometheus_http_requests_total，表示“Prometheus的HTTP请求总数”，total表示计数器类型）；
• 示例：node_cpu_seconds_total表示“节点CPU的总占用时间（秒）”，node_memory_MemFree_bytes表示“节点空闲内存（字节）”。

2.1.2 标签（Label）

• 作用：对指标的“维度细分”，即“从哪个角度监控”（如按实例、状态、接口区分指标）；
• 特性：键值对结构，可选配置，但合理的标签设计能极大提升查询灵活性；
• 分类：
  1、用户自定义标签：用户在指标采集时配置（如job=prometheus、instance=localhost:9090）；
  2、系统默认标签：Prometheus自动添加，不显示在/metrics页面，需在target页面鼠标悬浮到label字段查看，常见默认标签如下：
  • __address__：目标实例的地址（格式<host>:<port>，如localhost:9090）；
  • __scheme__：采集指标使用的协议（http或https）；
  • __metrics_path__：采集指标的URI路径（默认/metrics）；
  • __param_<name>：URL参数中名称为<name>的参数值（如__param_token=123）；
  • __name__：标识指标名称的预留标签，可通过它过滤指标名称（如__name__=~".*_total"匹配所有计数器指标）。

2.2 时间序列的唯一标识规则

• 规则1：指标名称相同，但标签不同 → 不同时间序列（如prometheus_http_requests_total{code="200"}和prometheus_http_requests_total{code="302"}是两条独立时序）；
• 规则2：指标名称不同 → 不同时间序列（无论标签是否相同）；
• 规则3：标签的增删改 → 生成新时间序列（如给prometheus_http_requests_total添加handler="/metrics"标签，会创建一条新时序）。

2.3 指标名称及标签使用注意事项

1、保持标签稳定性：频繁增删改标签会导致时序数据“碎片化”，不仅增加存储压力，还会使基于旧标签的图表、告警规则失效；
2、避免空标签值滥用：标签值为空时，未定义该标签的时序也会被匹配（如prometheus_http_requests_total{handler=""}会匹配所有未设置handler标签的该指标时序）；
3、标签命名规范：建议使用小写字母、数字、下划线，避免特殊字符，确保可读性和兼容性。

三、样本数据格式

时间序列的本质是按时间排序的样本集合，而每个样本则是PromQL查询的最小数据单元。

3.1 样本数据的组成

每个样本包含两部分：
1、时间戳：毫秒级精度（格式为Unix时间戳，如1434317560885表示对应时间点）；
2、样本值：float64格式的数值（支持整数、小数，如28、35.5）。

3.2 样本数据示例解析

以下是prometheus_http_requests_total指标的一组样本数据，我们标注各部分含义以帮助理解：

prometheus_http_requests_total{code="200", handler="/targets", instance="localhost:9090", job="prometheus"}  @1434317560885         28
|-------------------------- 指标名称 -------------------------| |------------------ 标签 ------------------|  |---- 时间戳 ----|  |-- 样本值 --|prometheus_http_requests_total{code="200", handler="/targets", instance="localhost:9090", job="prometheus"}  @1434317561483         35
prometheus_http_requests_total{code="200", handler="/targets", instance="localhost:9090", job="prometheus"}  @1434317562589         42

上述样本表示：在localhost:9090实例的prometheus任务中，访问/targets接口且返回码为200的HTTP请求，在不同时间点的累计次数分别为28、35、42。

四、PromQL的数据类型

PromQL表达式的返回值分为4种数据类型，不同类型适用于不同的场景（如绘图、告警、函数参数）。

4.1 即时向量（Instant Vector）

• 定义：特定或全部的时间序列集合上，具有相同时间戳的一组样本值；
• 核心特征：“同一时间点的多时序样本”，是可视化图表（如Grafana）的主要数据来源；
• 示例：prometheus_http_requests_total{code="200"} → 返回所有code=200的prometheus_http_requests_total时序在“当前时间”的样本值。

4.2 区间向量（Range Vector）

• 定义：特定或全部的时间序列集合上，在指定的同一时间范围内的所有样本值；
• 核心特征：“时间范围内的多时序样本”，仅用于作为函数参数（如rate、irate），不能直接用于绘图；
• 示例：prometheus_http_requests_total{code="200"}[5m] → 返回所有code=200的时序在“过去5分钟”内的所有样本。

4.3 标量数据（Scalar）

• 定义：一个单独的float64数值，无时间序列和标签信息；
• 核心特征：“无维度的单一数值”，常用于算术运算或作为函数返回值；
• 示例：100、3.14 → 直接表示一个数值；也可通过表达式生成，如count(prometheus_http_requests_total) → 返回该指标的时序数量（一个标量）。

4.4 字符串（String）

• 定义：一个文本字符串，支持单引号或双引号包裹；
• 核心特征：“无数值意义的文本”，主要用于标注或函数参数（如label_replace函数中的替换文本）；
• 示例："prometheus"、'http_requests' → 直接表示一个字符串。

五、时间序列选择器

选择器是PromQL的“数据筛选工具”，用于从海量时序中挑选出目标数据。根据返回数据类型，分为即时向量选择器和区间向量选择器。

5.1 选择器的作用与分类

• 作用：定义“筛选哪些时序”和“筛选哪个时间范围的样本”，是构建PromQL表达式的第一步；
• 分类：
  1、即时向量选择器：筛选“特定时间点”的样本，返回即时向量；
  2、区间向量选择器：筛选“指定时间范围”的样本，返回区间向量。

5.2 即时向量选择器

5.2.1 选择器的组成

即时向量选择器由两部分组成（至少包含其一）：
1、指标名称：筛选指定指标下的时序（可选）；
2、标签选择器：筛选符合标签条件的时序（定义在{}中，可选）。

5.2.2 三种常见组合方式

1、仅指标名称：返回该指标下的所有时序；

• 示例：prometheus_http_requests_total → 等同于prometheus_http_requests_total{}，返回所有该指标的时序；

2、仅标签选择器：返回符合标签条件的所有时序（无论指标名称）；

• 示例：{code="200", job="prometheus"} → 返回所有code=200且job=prometheus的时序；

3、指标名称+标签选择器：返回指定指标下符合标签条件的时序（最常用）；

• 示例：prometheus_http_requests_total{code="200", job="prometheus"} → 返回prometheus_http_requests_total指标中code=200且job=prometheus的时序。

5.2.3 标签匹配器（4种操作符）

标签选择器通过“匹配器”定义筛选条件，支持4种操作符：

操作符	作用	示例
=	完全相等	code="200" → 筛选code为200的时序
!=	不相等	code!="500" → 筛选code不为500的时序
=~	正则表达式匹配	`handler=~"/targets
!~	正则表达式不匹配	instance!~"localhost:.*" → 排除instance以localhost:开头的时序

5.2.4 注意事项

1、空标签值的匹配规则：若标签选择器的标签值为空（如handler=""），则未定义该标签的时序也会被匹配；

• 示例：prometheus_http_requests_total{handler=""} → 包含所有未设置handler标签的该指标时序；

2、正则表达式的完全锚定：正则匹配需“完全覆盖标签值”，而非部分匹配；

• 示例：code=~"2.." → 可匹配code=200、code=201，但不能匹配code=1200（因1200超出2..的完全匹配范围）；

3、非法选择器的规避：选择器必须包含“非空的指标名称”或“不会匹配空字符串的标签选择器”；

• 错误示例：{job=""} → 标签值为空，且无指标名称，属于非法选择器；
• 正确示例：{__name__=~".*_total"} → 通过__name__标签筛选指标名称，合法。

5.3 区间向量选择器

5.3.1 定义与语法

区间向量选择器是在“即时向量选择器”的基础上，添加“时间范围”（用[]包裹），语法如下：

<即时向量选择器>[<时间范围>]

• 时间范围：以“当前时间”为基准，指向过去的特定时长（如[5m]表示过去5分钟）。

5.3.2 时间单位说明

支持的时间单位及含义如下，且需使用整数，可组合多个单位（按“大单位→小单位”顺序）：

单位	含义	示例组合
ms	毫秒	-
s	秒	-
m	分钟	[1h30m]（1小时30分钟）
h	小时	-
d	天（24小时）	-
w	周（7天）	-
y	年（365天）	-

• 注意：不支持小数单位（如[1.5h]非法，需改为[1h30m]）。

5.3.3 示例解析

• 示例1：prometheus_http_requests_total{code="200"}[10m] → 返回code=200的该指标时序在“过去10分钟”内的所有样本；
• 示例2：{job="node"}[1d] → 返回job=node的所有时序在“过去1天”内的所有样本。

六、偏移向量选择器

默认情况下，选择器以“当前时间”为基准筛选数据；而偏移选择器可调整基准时间，实现“查询历史数据”的需求。

6.1 偏移选择器的作用

• 核心作用：将选择器的基准时间“向前偏移指定时长”，而非使用当前时间；
• 适用场景：对比历史同期数据（如查询“昨天此时的CPU使用率”）、回溯历史异常数据。

6.2 语法与示例

偏移选择器通过offset关键字指定偏移时长，紧跟在选择器之后，语法如下：

<选择器> offset <偏移时长>

6.2.1 即时向量+偏移

• 示例：prometheus_http_requests_total offset 5m → 查询“5分钟前”的prometheus_http_requests_total指标所有时序的样本；
• 解析：基准时间从“当前”改为“5分钟前”，返回该时间点的即时向量。

6.2.2 区间向量+偏移

• 示例：prometheus_http_requests_total[5m] offset 1d → 查询“1天前的5分钟内”的该指标所有时序的样本；
• 解析：先将基准时间偏移1天（即“昨天此时”），再筛选该基准时间过去5分钟的样本，返回区间向量。

6.3 向量表达式使用要点

1、返回类型的场景限制：

• 绘图场景（如Grafana）：仅支持即时向量；
• 速率函数（如rate、irate）：仅支持区间向量作为参数；

2、区间向量的使用限制：区间向量不能直接用于绘图，必须先通过函数（如rate）转换为即时向量；

• 错误示例：直接在Grafana中使用prometheus_http_requests_total[5m] → 无法绘图；
• 正确示例：rate(prometheus_http_requests_total[5m]) → 转换为即时向量后可绘图。

七、PromQL的指标类型

PromQL将指标分为4种类型，每种类型对应不同的业务场景，需结合特定函数使用。

7.1 Counter（计数器）

7.1.1 定义与特性

• 定义：用于存储单调递增的指标数据（仅增不减，重启后重置为0）；
• 适用场景：统计累计类指标（如HTTP请求总数、错误次数、接口调用次数）；
• 核心特性：数值非负，仅支持递增（如prometheus_http_requests_total随请求增加而增大）。

7.1.2 常用函数与示例

Counter的“总数”通常无直接意义，需通过函数计算“变化率”或“排名”：
1、topk(n, 指标)：返回指标下数值最大的前n条时序；

• 示例：topk(3, prometheus_http_requests_total) → 返回HTTP请求总数排名前3的时序；

2、rate(指标[时间范围])：计算指标在时间范围内的“平均增长率”（适用于长期趋势分析）；

• 示例：rate(prometheus_http_requests_total[1h]) → 计算过去1小时内HTTP请求的平均每秒增长率；

3、irate(指标[时间范围])：计算指标在时间范围内的“瞬时增长率”（基于最后两个样本，适用于短期波动分析）；

• 示例：irate(prometheus_http_requests_total[5m]) → 计算过去5分钟内HTTP请求的瞬时每秒增长率。

7.2 Gauge（仪表盘）

7.2.1 定义与特性

• 定义：用于存储可增可减的指标数据（数值可正可负，重启后重置）；
• 适用场景：统计波动类指标（如CPU使用率、内存空闲大小、磁盘使用率、温度）；
• 核心特性：数值随时间波动（如内存空闲大小会随进程占用而增减）。

7.2.2 常用函数与示例

Gauge常用于计算“差值”“预测值”或进行聚合（求和、均值）：
1、delta(指标[时间范围])：计算指标在时间范围内的“首尾样本差值”；

• 示例：delta(cpu_temp_celsius{host="node01"}[2h]) → 返回node01节点CPU温度与2小时前的差值；

2、predict_linear(指标[时间范围], t)：通过线性回归预测指标在t秒后的数值；

• 示例：predict_linear(node_filesystem_free{job="node"}[2h], 4*3600) → 基于过去2小时的空闲磁盘数据，预测4小时后的空闲磁盘大小；

3、聚合函数（sum/avg/min/max）：对指标进行多时序聚合；

• 示例：avg(node_memory_MemFree_bytes{job="node"}) → 计算所有node节点的平均空闲内存。

7.3 Histogram（累积直方图）

7.3.1 定义与核心特性

• 定义：Histogram 会在一段时间范围内对数据进行采样（通常是请求持续时长或响应大小等），并将其计入可配置的 bucket（存储桶）中 ，后续可通过指定区间筛选样本，也可以统计样本总数，最后一般将数据展示为直方图。；
• 适用场景：分析数据分布（如HTTP响应时间、请求大小），解决“长尾问题”（如大部分请求快，但个别请求极慢导致平均值失真）；
• 核心特性：采用“累积区间机制”（每个bucket包含前面所有bucket的样本）。

7.3.2 生成的时间序列

Histogram指标会以<basename>为前缀，生成3类时序：
1、<basename>_sum：所有样本值的总和；
2、<basename>_count：样本总数（本质是Counter类型）；
3、<basename>_bucket{le="<上边界>"}：样本值≤上边界的样本数（le="+Inf"表示所有样本）。

7.3.3 示例解析

以“HTTP响应时间”指标prometheus_http_request_duration_seconds为例，其Histogram时序如下：

# 响应时间≤0.005秒的样本数：10
prometheus_http_request_duration_seconds_bucket{handler="/metrics",le="0.005"} 10
# 响应时间≤0.01秒的样本数：15（包含前10个样本）
prometheus_http_request_duration_seconds_bucket{handler="/metrics",le="0.01"} 15
# 响应时间≤5.0秒的样本数：20
prometheus_http_request_duration_seconds_bucket{handler="/metrics",le="5.0"} 20
# 所有样本的总响应时间：10.107670803秒
prometheus_http_request_duration_seconds_sum{handler="/metrics"} 10.107670803000001
# 样本总数：20（与le="+Inf"的bucket值一致）
prometheus_http_request_duration_seconds_count{handler="/metrics"} 20

7.3.4 分位数计算（histogram_quantile）

通过histogram_quantile(分位数, bucket指标)函数，可基于Histogram计算分位数（即“某比例的样本落在该值以下”）：

• 定义：分位数范围为0~1（如0.9表示90%的样本值≤该结果）；
• 示例：histogram_quantile(0.9, prometheus_http_request_duration_seconds_bucket{handler="/metrics"}) → 计算90%的HTTP请求响应时间≤多少秒；
• 注意：函数假设每个bucket内的样本“线性分布”，结果为预估值，准确度取决于bucket划分的粒度（粒度越细，准确度越高）。

7.4 Summary（摘要）

7.4.1 定义与特性

• 定义：与Histogram类似，用于存储“样本分布”，但分位数在“客户端计算并上报”，Prometheus Server直接抓取结果；
• 适用场景：与Histogram一致（如响应时间分布），但更适合“客户端资源充足”的场景；
• 核心特性：分位数在客户端预计算，Server无需再处理，减少Server压力。

7.4.2 生成的时间序列

Summary指标以<basename>为前缀，生成3类时序：
1、<basename>_sum：所有样本值的总和；
2、<basename>_count：样本总数；
3、<basename>{quantile="x"}：预计算的分位数（x为0~1的数值）。

7.4.3 示例解析

以“Prometheus的wal_fsync操作耗时”指标prometheus_tsdb_wal_fsync_duration_seconds为例：

# 50分位数（中位数）：0.012352463秒
prometheus_tsdb_wal_fsync_duration_seconds{quantile="0.5"} 0.012352463
# 90分位数：0.014458005秒
prometheus_tsdb_wal_fsync_duration_seconds{quantile="0.9"} 0.014458005
# 99分位数：0.017316173秒
prometheus_tsdb_wal_fsync_duration_seconds{quantile="0.99"} 0.017316173
# 所有操作的总耗时：2.888716127秒
prometheus_tsdb_wal_fsync_duration_seconds_sum 2.888716127000002
# 操作总数：216次
prometheus_tsdb_wal_fsync_duration_seconds_count 216

解析：该指标表示Prometheus的wal_fsync操作共执行216次，总耗时约2.89秒，其中50%的操作耗时≤0.012秒，99%的操作耗时≤0.017秒。

7.4.4 Histogram与Summary的异同

对比维度	Histogram	Summary
相同点	1、均包含<basename>_sum和<basename>_count； 2、均用于分析样本分布，解决长尾问题；	1、均包含<basename>_sum和<basename>_count； 2、均用于分析样本分布，解决长尾问题；
不同点-分位数计算	分位数在Server端基于bucket估算（需histogram_quantile函数）	分位数在客户端预计算，Server直接抓取；
不同点-存储内容	存储bucket的样本数（需配置bucket区间）	存储预计算的分位数（无需配置区间）
不同点-准确度	准确度依赖bucket粒度（粒度越细越准）	准确度由客户端计算逻辑决定（通常更准）
不同点-资源消耗	Server端计算分位数消耗资源	客户端计算分位数消耗资源

八、Prometheus的聚合函数

聚合函数用于对“多时间序列的样本”进行统计计算，生成具有汇总意义的结果。

8.1 聚合函数的作用

• 核心作用：将“多个时序的样本”按规则汇总为“单个或分组的样本”，实现“分组统计、全局汇总”等需求；
• 常见场景：统计所有节点的CPU平均使用率、按实例分组统计内存使用总和、计算分位数分布等。

8.2 内置11种聚合函数详解

Prometheus内置11种聚合函数，各函数的功能与适用场景如下：

函数名	功能描述	示例
sum()	对样本值求和	sum(node_memory_MemFree_bytes) → 所有节点空闲内存总和
min()	求取样本值中的最小值	min(cpu_temp_celsius) → 所有节点CPU最低温度
max()	求取样本值中的最大值	max(node_cpu_seconds_total{mode="idle"}) → 空闲CPU时间最长的时序
avg()	对样本值求平均值	avg(node_load1) → 所有节点1分钟负载的平均值
count()	统计分组内的时间序列数量	count(prometheus_http_requests_total) → 该指标的时序总数
stddev()	对样本值求标准差（反映数据波动程度）	stddev(node_load5) → 所有节点5分钟负载的标准差
stdvar()	对样本值求方差（标准差的平方，中间计算结果）	stdvar(node_load5) → 所有节点5分钟负载的方差
topk(n, 指标)	返回分组内样本值最大的前n条时序	topk(2, node_memory_MemUsed_bytes) → 内存使用最大的前2个节点
bottomk(n, 指标)	返回分组内样本值最小的前n条时序	bottomk(2, node_memory_MemFree_bytes) → 空闲内存最小的前2个节点
quantile(x, 指标)	计算分组内样本的x分位数（x∈[0,1]）	quantile(0.5, node_load1) → 所有节点1分钟负载的中位数
count_values("标签名", 指标)	统计样本值的分布，生成“值→数量”的时序（标签名为统计结果的标签键）	count_values("request_count", prometheus_http_requests_total) → 按请求数分组统计时序数量

8.3 聚合函数的使用场景

1、全局汇总：对所有时序进行统计（如sum(node_cpu_seconds_total{mode="used"}) → 所有节点CPU总使用时间）；
2、分组统计：按标签分组后统计（如sum(node_memory_MemUsed_bytes) by (instance) → 按实例分组统计内存使用总和）；
3、异常分析：通过分位数、标准差识别异常（如quantile(0.99, http_request_duration_seconds) → 99%的请求响应时间阈值，超过则视为异常）。

九、PromQL的聚合表达式

聚合表达式是“聚合函数+分组子句（by/without）”的组合，用于实现“按标签分组聚合”。

9.1 聚合表达式的语法格式

支持两种等价的语法格式（推荐第一种，可读性更高）：
1、<聚合函数>(向量表达式) by|without (标签列表)；
2、<聚合函数> by|without (标签列表) (向量表达式)。

9.2 by与without子句的区别

• by (标签列表)：仅保留“标签列表中的标签”作为分组依据，其他标签被忽略；
  • 作用：显式指定分组维度，保留关键上下文（如job、instance）；
  • 示例：sum(node_memory_MemUsed_bytes) by (instance, job) → 按instance和job分组，统计每组的内存使用总和；
• without (标签列表)：从结果中“删除标签列表中的标签”，剩余标签作为分组依据；
  • 作用：排除无关标签，简化结果；
  • 示例：sum(node_memory_MemUsed_bytes) without (cpu) → 排除cpu标签，按其他标签分组统计内存使用总和。

9.3 聚合表达式实战示例

以下示例覆盖服务器、容器、K8S等常见监控场景，帮助读者理解实际用法：

9.3.1 示例1：每台主机CPU最近5分钟的平均使用率

(1 - avg(rate(node_cpu_seconds_total{mode="idle"}[5m])) by (instance)) * 100

• 解析：
  1、node_cpu_seconds_total{mode="idle"} → 筛选CPU空闲时间的指标；
  2、rate(...) → 计算过去5分钟内空闲CPU的平均增长率；
  3、avg(...) by (instance) → 按实例分组，计算每组的平均空闲增长率；
  4、1 - ... → 用1减去空闲率，得到使用率；
  5、*100 → 转换为百分比。

9.3.2 示例2：查询1分钟负载（load1）是否超过CPU核心数的2倍

node_load1 > on (instance) 2 * count(node_cpu_seconds_total{mode="idle"}) by (instance)

• 解析：
  1、node_load1 → 节点1分钟负载；
  2、count(node_cpu_seconds_total{mode="idle"}) by (instance) → 按实例分组，统计CPU核心数（每个核心对应一条idle时序）；
  3、2 * ... → CPU核心数的2倍；
  4、> on (instance) → 按instance标签对齐，筛选负载超过2倍核心数的实例。

9.3.3 示例3：计算主机内存使用率

(node_memory_MemTotal_bytes - (node_memory_MemFree_bytes + node_memory_Buffers_bytes + node_memory_Cached_bytes)) / node_memory_MemTotal_bytes * 100

• 解析：
  1、可用内存 = 空闲内存（MemFree）+ 缓存（Buffers + Cached）；
  2、已用内存 = 总内存（MemTotal）- 可用内存；
  3、使用率 = 已用内存 / 总内存 * 100（百分比）。

9.3.4 示例4：统计所有node节点的容器总计内存（单位：GB）

sum by (instance) (container_memory_usage_bytes{instance=~"node*"}) / 1024 / 1024 / 1024

• 解析：
  1、container_memory_usage_bytes{instance=~"node*"} → 筛选node节点的容器内存使用指标；
  2、sum by (instance) → 按实例分组，统计每组容器内存总和；
  3、/1024/1024/1024 → 将字节（Bytes）转换为GB。

9.3.5 示例5：计算node01节点最近1分钟所有容器的CPU使用率

sum(rate(container_cpu_usage_seconds_total{instance="node01"}[1m])) / sum(machine_cpu_cores{instance="node01"}) * 100

• 解析：
  1、rate(container_cpu_usage_seconds_total{instance="node01"}[1m]) → 计算node01节点容器CPU的每秒增长率；
  2、sum(...) → 求和得到所有容器的总CPU使用率；
  3、sum(machine_cpu_cores{instance="node01"}) → 得到node01节点的CPU总核心数；
  4、/ ... *100 → 计算容器总CPU使用率占节点核心数的百分比。

9.3.6 示例6：计算最近5分钟每个容器的CPU使用变化率

sum(rate(container_cpu_usage_seconds_total[5m])) by (container_name)

• 解析：
  1、rate(...) → 计算容器CPU的每秒增长率；
  2、sum(...) by (container_name) → 按容器名分组，统计每个容器的CPU总增长率。

9.3.7 示例7：查询K8S集群最近1分钟每个Pod的CPU使用变化率

sum(rate(container_cpu_usage_seconds_total{image!="", pod_name!=""}[1m])) by (pod_name)

• 解析：
  1、container_cpu_usage_seconds_total{image!="", pod_name!=""} → 筛选有镜像和Pod名的容器（排除无关容器）；
  2、rate(...) → 计算CPU每秒增长率；
  3、sum(...) by (pod_name) → 按Pod名分组，统计每个Pod的总CPU增长率（一个Pod包含多个容器，需求和）。

总结

PromQL作为Prometheus的核心查询语言，其知识点环环相扣：从“数据模型（指标+标签）”到“选择器（筛选时序）”，再到“指标类型（Counter/Gauge等）”和“聚合函数（统计分析）”，每个模块都是构建复杂查询的基础。

学习PromQL的关键在于“理解原理+多练实战”：
1、原理层面：明确时间序列的唯一标识规则、不同指标类型的适用场景、聚合函数的分组逻辑；
2、实战层面：结合Grafana可视化、Prometheus告警规则，尝试编写CPU、内存、容器、K8S等场景的查询表达式，逐步积累经验。

掌握PromQL后，你将能轻松从Prometheus的时序数据中提取有价值的信息，为系统监控、性能分析、故障排查提供有力支撑。后续可进一步深入PromQL的高级特性（如向量匹配、函数嵌套），不断提升查询能力。