参考资料
[1] prometheus包的应用
[2] Prometheus监控装置及应用
[3] Prometheus Client教程
[4] 应用 Prometheus 对 Go 应用程序进行监测
[5] 带你读《Prometheus监控实战》
[6] Prometheus
https://eddycjy.com/posts/pro...
https://yunlzheng.gitbook.io/...

1. 简介

prometheus包提供了用于实现监控代码的metric原型和用于注册metric的registry。子包（promhttp）容许通过HTTP来裸露注册的metric或将注册的metric推送到Pushgateway。

Metrics
prometheus一共有5种metric类型，前四种为：Counter，Gauge，Summary 和Histogram，每种类型都有对应的vector版本：GaugeVec, CounterVec, SummaryVec, HistogramVec，vector版本细化了prometheus数据模型，减少了label维度。第5种metric为Untyped，它的运作形式相似Gauge，区别在于它只向prometheus服务器发送类型信号。

只有根底metric类型实现了Metric接口，metric和它们的vector版本都实现了collector接口。collector负责一系列metrics的采集，然而为了不便，metric也能够“收集本人”。留神：Gauge, Counter, Summary, Histogram, 和Untyped本身就是接口，而GaugeVec, CounterVec, SummaryVec, HistogramVec, 和UntypedVec则不是接口。

为了创立metric和它们的vector版本，须要抉择适合的opts构造体，如GaugeOpts, CounterOpts, SummaryOpts, HistogramOpts, 或UntypedOpts.
Custom Collectors and constant Metrics

实现本人的metric，个别只须要实现本人的collector即可。如果曾经有了现成的metric（prometheus上下文之外创立的），则无需应用Metric类型接口，只须要在采集期间将现有的metric映射到prometheus metric即可，此时能够应用 NewConstMetric, NewConstHistogram, and NewConstSummary (以及对应的Must… 版本)来创立metric实例，以上操作在collect办法中实现。describe办法用于返回独立的Desc实例，NewDesc用于创立这些metric实例。（NewDesc用于创立prometheus辨认的metric）

如果只须要调用一个函数来收集一个float值作为metric，那么举荐应用GaugeFunc, CounterFunc, 或UntypedFunc。
Advanced Uses of the Registry
MustRegister 是注册collector最通用的形式。如果须要捕捉注册时产生的谬误，能够应用Register 函数，该函数会返回谬误。
如果注册的collector与曾经注册的metric不兼容或不统一时就会返回谬误。registry用于使收集的metric与prometheus数据模型保持一致。不统一的谬误会在注册时而非采集时检测到。前者会在零碎的启动时检测到，而后者只会在采集时产生（可能不会在首次采集时产生），这也是为什么collector和metric必须向Registry describe它们的起因。
以上提到的registry都被称为默认registry，能够在全局变量DefaultRegisterer中找到。应用NewRegistry能够创立custom registry，或者能够本人实现Registerer 或Gatherer接口。custom registry的Register和Unregister运作形式相似，默认registry则应用全局函数Register和Unregister。
custom registry的应用形式还有很多：能够应用NewPedanticRegistry来注册非凡的属性；能够防止由DefaultRegisterer限度的全局状态属性；也能够同时应用多个registry来裸露不同的metrics。
DefaultRegisterer注册了Go runtime metrics （通过NewGoCollector）和用于process metrics 的collector（通过NewProcessCollector）。通过custom registry能够本人决定注册的collector。
HTTP Exposition
Registry实现了Gather接口。调用Gather接口能够通过某种形式裸露采集的metric。通常metric endpoint应用http来裸露metric。通过http裸露metric的工具为promhttp子包。

函数和类型阐明：

func Register(c Collector) error：应用DefaultRegisterer来注册传入的Collectorfunc Unregister(c Collector) bool：应用DefaultRegisterer来移除传入的Collector的注册信息type AlreadyRegisteredError：该类型实现了error接口，由Register返回，用于判断用于注册的collector是否曾经被注册过type Collector：用于采集prometheus metric，如果运行多个雷同的实例，则须要应用ConstLabels来注册这些实例。实现collector接口须要实现Describe和Collect办法，并注册collector。type Registerer：负责collector的注册和去注册，实现custom registrer时应该实现该接口
// MustRegister implements Registerer.func (r *Registry) MustRegister(cs ...Collector) {　　for _, c := range cs {　　　　if err := r.Register(c); err != nil {　　　　　　panic(err)　　　　}　　}}

2. 示例

https://blog.csdn.net/runner6...
https://www.cnblogs.com/FG123...

[1] 下载案例
git clone https://github.com/crockitwoo...

[2] 建设go.mod

$ cd go-prometheus-example$ touch go.mod

键入以下内容：

module go-prometheus-examplego 1.12
$ go mod tidy

[3] 批改main.go

将"github.com/crockitwood/go-prometheus-example/monitor"改为"go-prometheus-example/monitor"

[4] 编译运行

$ go build$ ./go-prometheus-example

[5] 拜访网址

http://localhost:8080/hellohttp://localhost:8080/queryhttp://localhost:8080/metrics

3. Prometheus 四大度量指标

  • Counter (计数器)类型代表一个累积的指标数据，其枯燥递增，只增不减。在利用场景中，像是申请次数、谬误数量等等，就非常适合用 Counter 来做指标类型，另外 Counter 类型，只有在被采集端重新启动时才会归零。
  • Gauge (仪表盘)类型代表一个能够任意变动的指标数据，其可增可减。在利用场景中，像是 Go 利用程序运行时的 Goroutine 的数量就能够用该类型来示意，因为其是浮动的数值，并非固定的，侧重于反馈以后的状况。
    Histogram(累计直方图) 类型将会在一段时间范畴内对数据进行采样（通常是申请持续时间或响应大小等等），并将其计入可配置的存储桶（bucket）中，后续可通过指定区间筛选样本，也能够统计样本总数。
  • Summary(摘要) 类型将会在一段时间范畴内对数据进行采样，然而与 Histogram 类型不同的是 Summary 类型将会存储分位数（在客户端进行计算），而不像 Histogram 类型，依据所设置的区间状况统计存储。

Prometheus通过指标名称（metrics name）以及对应的一组标签（labelset）惟一定义一条工夫序列。指标名称反映了监控样本的根本标识，而label则在这个基本特征上为采集到的数据提供了多种特色维度。用户能够基于这些特色维度过滤，聚合，统计从而产生新的计算后的一条工夫序列。

4. 查问

func HandleGetQueryResp(c *gin.Context){   //queryString:="promhttp_metric_handler_requests_total"   //queryString:="cpu_total_info"   queryString:="cpu_total_info{}[5m]"   fmt.Println("queryString=",queryString)   // create prom client   newClient, err := api.NewClient(api.Config{Address: "http://localhost:9090"})   //newClient, err := api.NewClient(api.Config{Address: "http://localhost:10086/metrics"})   if nil != err {      fmt.Println("NewClient err=",err)      return   }   // create prom client http api   promAPI := v1.NewAPI(newClient)   // instant value, type is vector   resp, _, err := promAPI.Query(context.TODO(), queryString, time.Time{})   //resp, _,err := promAPI.LabelValues(context.TODO(), queryString,time.Time{},time.Time{})   if nil != err {      fmt.Println("Query err=",err)      return   }    cpuValue := resp.(model.Matrix)   fmt.Println("cpuValue=",cpuValue)   fmt.Println("len=",cpuValue.Len())   fmt.Println("cpuValue[0].Metric.String()=",cpuValue[0].Metric.String())   byts,err:=cpuValue[0].Values[0].Value.MarshalJSON()   fmt.Println("byts=",string(byts))   fmt.Println("cpuValue[0].Metric.Values=",cpuValue[0].Values)   zer:=cpuValue[0].Metric["cpu"]   fmt.Println("cpuValue[0].Metric[cpu]=",zer)   for a,b:= range cpuValue[0].Metric{      fmt.Println("a=",a)      fmt.Println("b=",b)   }   c.JSON(http.StatusOK, resp)   return}

resp后果：

[{"metric":{    "__name__":"cpu_total_info",    "instance":"localhost:10086",    "job":"cpu",    "nice":"nice",    "user":"user"    },    "values":        [[1610368090.67,"1"], # 工夫，值        [1610368300.67,"16"]]}][ {   "metric":{     "__name__":"disk_info",     "disk_file_system":"general",     "disk_label":"free",     "disk_mount_point":"total",     "instance":"localhost:10086",     "job":"cpu","node_ip":"1.1.1.1"    },    "values":[      [1610419795.669,"22778143113216"],      [1610419900.669,"40493879795712"]    ] }, {    "metric":{      "__name__":"disk_info",      "disk_file_system":"general",      "disk_label":"total",      "disk_mount_point":"total",      "instance":"localhost:10086",      "job":"cpu","node_ip":"1.1.1.1"    },    "values":[      [1610419795.669,"63494033448960"],      [1610419900.669,"112878281687040"]    ]  },  {    "metric":{      "__name__":"disk_info",      "disk_file_system":"general",      "disk_label":"used",      "disk_mount_point":"total",      "instance":"localhost:10086",      "job":"cpu","node_ip":"1.1.1.1"    },    "values":[      [1610419795.669,"40715890335744"],      [1610419900.669,"72384401891328"]    ]  },  {   "metric":{     "__name__":"disk_info",     "disk_file_system":"general",     "disk_label":"used_rate",     "disk_mount_point":"total",     "instance":"localhost:10086",     "job":"cpu","node_ip":"1.1.1.1"    },    "values":[     [1610419795.669,"64.12553766721038"],     [1610419900.669,"64.12606642260637"]     ]  }]