政府网站做的不好seo推广外包

PromQL（Prometheus Query Language）是 Prometheus 内置的强大查询语言，用于从时间序列数据中筛选、聚合和计算指标。它是 Prometheus 生态的核心工具，广泛用于监控数据查询、可视化（如 Grafana）和告警规则定义。以下是 PromQL 的核心概念和常见用法：

一、基本数据类型

PromQL 处理以下四种数据类型：

1. 瞬时向量（Instant Vector）
   • 同一时间戳的一组时间序列，每个序列包含一个样本值。
   • 例如：node_cpu_seconds_total{mode="idle"}（当前所有 CPU 的空闲时间）。
2. 范围向量（Range Vector）
   • 一段时间内的一组时间序列，每个序列包含多个样本值。
   • 例如：node_cpu_seconds_total{mode="idle"}[5m]（过去 5 分钟的 CPU 空闲时间）。
3. 标量（Scalar）
   • 单个浮点数值，如 10.5 或计算结果（如 count(node_cpu_seconds_total)）。
4. 字符串（String）
   • 文本值（目前较少使用，主要用于标签匹配）。

二、核心查询语法

1. 选择器（Selector）

从时间序列中筛选特定指标：

# 基本形式：指标名[{}]
node_cpu_seconds_total{}  # 选择所有 CPU 时间序列# 通过标签过滤
node_cpu_seconds_total{mode="user", cpu="0"}  # 仅选择 CPU0 的用户态时间# 正则匹配
http_requests_total{status=~"5.."}  # 匹配状态码以 5 开头的请求

2. 时间范围选择

使用 [] 指定时间范围，结合 @ 指定时间点：

node_cpu_seconds_total{mode="idle"}[5m]  # 过去 5 分钟的数据
node_cpu_seconds_total{mode="idle"}[1h]  # 过去 1 小时的数据
node_cpu_seconds_total{mode="idle"}[5m] @ 1621000000  # 特定时间点的 5 分钟数据

3. 时间位移操作

使用 offset 关键字获取历史数据：

node_cpu_seconds_total{mode="idle"} offset 1d  # 获取 1 天前的当前时间点数据
rate(node_cpu_seconds_total{mode="idle"}[5m] offset 30m)  # 获取 30 分钟前的 5 分钟 CPU 使用率

三、常用函数

1. 聚合函数

对多个时间序列进行聚合计算：

sum(node_cpu_seconds_total{mode="idle"})  # 所有 CPU 空闲时间总和
avg(node_memory_usage_bytes)  # 平均内存使用量
count(node_cpu_seconds_total)  # CPU 核心总数
max(node_load1)  # 最大系统负载
min(node_network_receive_bytes_total)  # 最小网络接收流量
topk(5, node_disk_usage_bytes)  # 按磁盘使用量排序的前 5 个

2. 速率计算

计算时间序列的变化率（常用于计数器类型指标）：

rate(node_cpu_seconds_total{mode="user"}[5m])  # 5 分钟内 CPU 用户态时间的平均变化率
irate(node_http_requests_total[1m])  # 1 分钟内 HTTP 请求的瞬时变化率（对尖峰更敏感）
increase(node_cpu_seconds_total{mode="user"}[1h])  # 1 小时内 CPU 用户态时间的总增加量

3. 时间窗口函数

对时间窗口内的数据进行统计：

avg_over_time(node_cpu_usage_percent[5m])  # 5 分钟内 CPU 使用率的平均值
max_over_time(node_load1[1h])  # 1 小时内系统负载的最大值
min_over_time(node_disk_free_bytes[1d])  # 1 天内磁盘空闲空间的最小值

4. 数学与逻辑函数

abs(-5)  # 绝对值：5
sqrt(node_memory_usage_bytes)  # 平方根
ceil(node_cpu_usage_percent)  # 向上取整
floor(node_cpu_usage_percent)  # 向下取整
histogram_quantile(0.95, rate(http_request_duration_seconds_bucket[5m]))  # 计算 95% 分位数

四、运算符

1. 算术运算符

node_memory_used_bytes / node_memory_total_bytes * 100  # 内存使用率百分比
rate(node_network_receive_bytes_total[5m]) / 1024 / 1024  # 网络接收速率（MB/s）

2. 比较运算符

node_cpu_usage_percent > 80  # 筛选 CPU 使用率超过 80% 的时间序列
node_disk_free_bytes < 1073741824  # 筛选磁盘空闲空间不足 1GB 的时间序列

3. 逻辑运算符（向量间）

up and node_cpu_usage_percent < 50  # 同时满足服务正常（up=1）且 CPU 使用率低于 50%
http_requests_total{method="GET"} or http_requests_total{method="POST"}  # 合并 GET 和 POST 请求

4. 聚合操作符

sum(node_memory_usage_bytes) by (instance)  # 按实例聚合内存使用量
avg(node_cpu_usage_percent) without (cpu)  # 排除 CPU 标签后的平均使用率

五、高级用法

1. 直方图与分位数

Prometheus 使用直方图（Histogram）统计请求耗时等分布数据：

# 计算 HTTP 请求耗时的 95% 分位数（需先计算速率）
histogram_quantile(0.95, rate(http_request_duration_seconds_bucket[5m]))

2. 向量匹配

处理两个向量间的运算（如计算错误率）：

# 计算每个服务的 HTTP 错误率（5xx 状态码请求数 / 总请求数）
sum(rate(http_requests_total{status=~"5.."}[5m])) by (service)/
sum(rate(http_requests_total[5m])) by (service)

3. 时间序列相关性分析

例如，找出内存使用率与 CPU 使用率同时升高的实例：

node_memory_usage_percent > 80 and on (instance) node_cpu_usage_percent > 70

六、常见查询示例

1. 计算 CPU 使用率（百分比）：

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

2. 计算内存使用率（百分比）：

(node_memory_MemTotal_bytes - node_memory_MemAvailable_bytes) / node_memory_MemTotal_bytes * 100

3. 查找最繁忙的 3 个磁盘（按 IO 速率）：

topk(3, rate(node_disk_io_time_seconds_total[5m]))

4. 计算服务可用性（基于 HTTP 请求成功率）：

100 * (1 - sum(rate(http_requests_total{status=~"5.."}[5m])) / sum(rate(http_requests_total[5m])))

七、性能优化建议

1. 避免全量查询：
   优先使用标签过滤（如 {job="api"}），避免查询所有时间序列。
2. 控制时间范围：
   使用 [5m]、[1h] 等限制查询的数据量，避免查询过长时间范围。
3. 缓存常用计算：
   对于复杂计算，考虑使用 Prometheus 的 recording rules 预计算并存储结果。
4. **谨慎使用 **irate()：
   irate() 对尖峰敏感，适合告警；但在可视化时，rate() 通常更平滑。

八、学习资源

• 官方文档：PromQL 官方文档
• Grafana 教程：在 Grafana 中实践 PromQL 查询
• Prometheus 实战（书籍）：第 4 章详细讲解 PromQL

通过掌握 PromQL，你可以从 Prometheus 中挖掘出更有价值的监控数据，为系统优化和故障排查提供支持！