Prometheus时序数据库-数据的查询

前言

在之前的博客里，笔者详细阐述了Prometheus数据的插入过程。但我们最常见的打交道的是数据的查询。Prometheus提供了强大的Promql来满足我们千变万化的查询需求。在这篇文章里面，笔者就以一个简单的Promql为例，讲述下Prometheus查询的过程。

Promql

一个Promql表达式可以计算为下面四种类型:

瞬时向量(Instant Vector) - 一组同样时间戳的时间序列(取自不同的时间序列，例如不同机器同一时间的CPU idle) 
区间向量(Range vector) - 一组在一段时间范围内的时间序列 
标量(Scalar) - 一个浮点型的数据值 
字符串(String) - 一个简单的字符串 

我们还可以在Promql中使用svm/avg等集合表达式，不过只能用在瞬时向量(Instant Vector)上面。为了阐述Prometheus的聚合计算以及篇幅原因，笔者在本篇文章只详细分析瞬时向量(Instant Vector)的执行过程。

瞬时向量(Instant Vector)

前面说到，瞬时向量是一组拥有同样时间戳的时间序列。但是实际过程中，我们对不同Endpoint采样的时间是不可能精确一致的。所以，Prometheus采取了距离指定时间戳之前最近的数据(Sample)。如下图所示:

 

当然，如果是距离当前时间戳1个小时的数据直观看来肯定不能纳入到我们的返回结果里面。

所以Prometheus通过一个指定的时间窗口来过滤数据(通过启动参数—query.lookback-delta指定，默认5min)。

对一条简单的Promql进行分析

好了，解释完Instant Vector概念之后，我们可以着手进行分析了。直接上一条带有聚合函数的Promql吧。

SUM BY (group) (http_requests{job="api-server",group="production"}) 

首先,对于这种有语法结构的语句肯定是将其Parse一把，构造成AST树了。调用

promql.ParseExpr 

由于Promql较为简单，所以Prometheus直接采用了LL语法分析。在这里直接给出上述Promql的AST树结构。

 

Prometheus对于语法树的遍历过程都是通过vistor模式,具体到代码为:

ast.go vistor设计模式 
func Walk(v Visitor, node Node, path []Node) error { 
    var err error 
    if v, err = v.Visit(node, path); v == nil || err != nil { 
        return err 
    } 
    path = append(path, node) 
 
    for _, e := range Children(node) { 
        if err := Walk(v, e, path); err != nil { 
            return err 
        } 
    } 
 
    _, err = v.Visit(nil, nil) 
    return err 
} 
func (f inspector) Visit(node Node, path []Node) (Visitor, error) { 
    if err := f(node, path); err != nil { 
        return nil, err 
    } 
 
    return f, nil 
} 

通过golang里非常方便的函数式功能，直接传递求值函数inspector进行不同情况下的求值。

type inspector func(Node, []Node) error 

求值过程

具体的求值过程核心函数为:

func (ng *Engine) execEvalStmt(ctx context.Context, query *query, s *EvalStmt) (Value, storage.Warnings, error) { 
    ...... 
    querier, warnings, err := ng.populateSeries(ctxPrepare, query.queryable, s)     // 这边拿到对应序列的数据 
    ...... 
    val, err := evaluator.Eval(s.Expr) // here 聚合计算 
    ...... 
 
} 

populateSeries

首先通过populateSeries的计算出VectorSelector Node所对应的series(时间序列)。这里直接给出求值函数

func(node Node, path []Node) error { 
    ...... 
    querier, err := q.Querier(ctx, timestamp.FromTime(mint), timestamp.FromTime(s.End)) 
    ...... 
    case *VectorSelector: 
        ....... 
        set, wrn, err = querier.Select(params, n.LabelMatchers...) 
        ...... 
        n.unexpandedSeriesSet = set 
    ...... 
    case *MatrixSelector: 
        ...... 
} 
return nil 

可以看到这个求值函数，只对VectorSelector/MatrixSelector进行操作，针对我们的Promql也就是只对叶子节点VectorSelector有效。

 

select

获取对应数据的核心函数就在querier.Select。我们先来看下qurier是如何得到的.

querier, err := q.Querier(ctx, timestamp.FromTime(mint), timestamp.FromTime(s.End)) 

根据时间戳范围去生成querier,里面最重要的就是计算出哪些block在这个时间范围内，并将他们附着到querier里面。具体见函数

func (db *DB) Querier(mint, maxt int64) (Querier, error) { 
    for _, b := range db.blocks { 
        ...... 
        // 遍历blocks挑选block 
    } 
    // 如果maxt>head.mint(即内存中的block),那么也加入到里面querier里面。 
    if maxt >= db.head.MinTime() { 
        blocks = append(blocks, &rangeHead{ 
            head: db.head, 
            mint: mint, 
            maxt: maxt, 
        }) 
    } 
    ...... 
} 

 

知道数据在哪些block里面，我们就可以着手进行计算VectorSelector的数据了。

// labelMatchers {job:api-server} {__name__:http_requests} {group:production} 
 querier.Select(params, n.LabelMatchers...) 

有了matchers我们很容易的就能够通过倒排索引取到对应的series。为了篇幅起见，我们假设数据都在headBlock(也就是内存里面)。那么我们对于倒排的计算就如下图所示:

 

这样，我们的VectorSelector节点就已经有了最终的数据存储地址信息了，例如图中的memSeries refId=3和4。

 

如果想了解在磁盘中的数据寻址，可以详见笔者之前的博客

<> 

通过populateSeries找到对应的数据，那么我们就可以通过evaluator.Eval获取最终的结果了。计算采用后序遍历，等下层节点返回数据后才开始上层节点的计算。那么很自然的，我们先计算VectorSelector。

func (ev *evaluator) eval(expr Expr) Value { 
    ...... 
    case *VectorSelector: 
    // 通过refId拿到对应的Series 
    checkForSeriesSetExpansion(ev.ctx, e) 
    // 遍历所有的series 
    for i, s := range e.series { 
        // 由于我们这边考虑的是instant query,所以只循环一次 
        for ts := ev.startTimestamp; ts <= ev.endTimestamp; ts += ev.interval { 
            // 获取距离ts最近且小于ts的最近的sample 
            _, v, ok := ev.vectorSelectorSingle(it, e, ts) 
            if ok { 
                    if ev.currentSamples < ev.maxSamples { 
                        // 注意，这边的v对应的原始t被替换成了ts,也就是instant query timeStamp 
                        ss.Points = append(ss.Points, Point{V: v, T: ts}) 
                        ev.currentSamples++ 
                    } else { 
                        ev.error(ErrTooManySamples(env)) 
                    } 
                } 
            ...... 
        } 
    } 
} 

如代码注释中看到，当我们找到一个距离ts最近切小于ts的sample时候，只用这个sample的value,其时间戳则用ts(Instant Query指定的时间戳)代替。

其中vectorSelectorSingle值得我们观察一下:

func (ev *evaluator) vectorSelectorSingle(it *storage.BufferedSeriesIterator, node *VectorSelector, ts int64) (int64, float64, bool){ 
    ...... 
    // 这一步是获取>=refTime的数据，也就是我们instant query传入的 
    ok := it.Seek(refTime) 
    ...... 
        if !ok || t > refTime {  
        // 由于我们需要的是<=refTime的数据，所以这边回退一格，由于同一memSeries同一时间的数据只有一条，所以回退的数据肯定是<=refTime的 
        t, v, ok = it.PeekBack(1) 
        if !ok || t < refTime-durationMilliseconds(LookbackDelta) { 
            return 0, 0, false 
        } 
    } 
} 

就这样，我们找到了series 3和4距离Instant Query时间最近且小于这个时间的两条记录，并保留了记录的标签。这样，我们就可以在上层进行聚合。

 

SUM by聚合

叶子节点VectorSelector得到了对应的数据后，我们就可以对上层节点AggregateExpr进行聚合计算了。代码栈为:

evaluator.rangeEval 
    |->evaluate.eval.func2 
        |->evelator.aggregation grouping key为group 

具体的函数如下图所示:

func (ev *evaluator) aggregation(op ItemType, grouping []string, without bool, param interface{}, vec Vector, enh *EvalNodeHelper) Vector { 
    ...... 
    // 对所有的sample 
    for _, s := range vec { 
        metric := s.Metric 
        ...... 
        group, ok := result[groupingKey]  
        // 如果此group不存在，则新加一个group 
        if !ok { 
            ...... 
            result[groupingKey] = &groupedAggregation{ 
                labels:     m, // 在这里我们的m=[group:production] 
                value:      s.V, 
                mean:       s.V, 
                groupCount: 1, 
            } 
            ...... 
        } 
        switch op { 
        // 这边就是对SUM的最终处理 
        case SUM: 
            group.value += s.V 
        ..... 
        } 
    } 
    ..... 
    for _, aggr := range result { 
        enh.out = append(enh.out, Sample{ 
        Metric: aggr.labels, 
        Point:  Point{V: aggr.value}, 
        }) 
    } 
    ...... 
    return enh.out 
} 

好了，有了上面的处理，我们聚合的结果就变为:

 

这个和我们的预期结果一致,一次查询的过程就到此结束了。

总结

 

Promql是非常强大的，可以满足我们的各种需求。其运行原理自然也激起了笔者的好奇心，本篇文章虽然只分析了一条简单的Promql,但万变不离其宗,任何Promql都是类似的运行逻辑。希望本文对读者能有所帮助。