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(InstantVector)-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CPUidle)
区间向量(Rangevector)-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。

SUMBY(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.govistor设计模式
funcWalk(vVisitor,nodeNode,path[]Node)error{
varerrerror
ifv,err=v.Visit(node,path);v==nil||err!=nil{
returnerr
}
path=append(path,node)

for_,e:=rangeChildren(node){
iferr:=Walk(v,e,path);err!=nil{
returnerr
}
}

_,err=v.Visit(nil,nil)
returnerr
}
func(finspector)Visit(nodeNode,path[]Node)(Visitor,error){
iferr:=f(node,path);err!=nil{
returnnil,err
}

returnf,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。

typeinspectorfunc(Node,[]Node)error

求值过程

具体的求值过程核心函数为:

func(ng*Engine)execEvalStmt(ctxcontext.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(nodeNode,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:
......
}
returnnil

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,maxtint64)(Querier,error){
for_,b:=rangedb.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。
ifmaxt>=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

<<Prometheus时序数据库-磁盘中的存储结构>>

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(exprExpr)Value{
......
case*VectorSelector:
//通过refId拿到对应的Series
checkForSeriesSetExpansion(ev.ctx,e)
//遍历所有的series
fori,s:=rangee.series{
//由于我们这边考虑的是instantquery,所以只循环一次
forts:=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)
ifok{
ifev.currentSamples<ev.maxSamples{
//注意，这边的v对应的原始t被替换成了ts,也就是instantquerytimeStamp
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,tsint64)(int64,float64,bool){
......
//这一步是获取>=refTime的数据，也就是我们instantquery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){
return0,0,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.aggregationgroupingkey为group

具体的函数如下图所示:

func(ev*evaluator)aggregation(opItemType,grouping[]string,withoutbool,paraminterface{},vecVector,enh*EvalNodeHelper)Vector{
......
//对所有的sample
for_,s:=rangevec{
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,
}
......
}
switchop{
//这边就是对SUM的最终处理
caseSUM:
group.value+=s.V
.....
}
}
.....
for_,aggr:=rangeresult{
enh.out=append(enh.out,Sample{
Metric:aggr.labels,
Point:Point{V:aggr.value},
})
}
......
returnenh.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。