共计 3803 个字符，预计需要花费 10 分钟才能阅读完成。
系统架构图
1.x 版本的 Prometheus 的架构图为：目前 Prometheus 版本为 2.7，架构图为：
Prometheus 从 exporter 拉取数据，或者间接地通过网关 gateway 拉取数据（如果在 k8s 内部署，可以使用服务发现的方式），它默认本地存储抓取的所有数据，并通过一定规则进行清理和整理数据，并把得到的结果存储到新的时间序列中，采集到的数据有两个去向，一个是报警，另一个是可视化。PromQL 和其他 API 可视化地展示收集的数据，并通过 Alertmanager 提供报警能力。
组件内容
Prometheus Server 负责从 Exporter 拉取和存储监控数据, 并提供一套灵活的查询语言（PromQL）
Retrieval: 采样模块
TSDB: 存储模块默认本地存储为 tsdb
HTTP Server: 提供 http 接口查询和面板，默认端口为 9090
Exporters/Jobs
负责收集目标对象（host, container…）的性能数据，并通过 HTTP 接口供 Prometheus Server 获取。支持数据库、硬件、消息中间件、存储系统、http 服务器、jmx 等。只要符合接口格式，就可以被采集。
Short-lived jobs
瞬时任务的场景，无法通过 pull 方式拉取，需要使用 push 方式，与 PushGateway 搭配使用
PushGateway
可选组件，主要用于短期的 jobs。由于这类 jobs 存在时间较短，可能在 Prometheus 来 pull 之前就消失了。为此，这次 jobs 可以直接向 Prometheus server 端推送它们的 metrics。这种方式主要用于服务层面的 metrics，对于机器层面的 metrices，需要使用 node exporter。
客户端 sdk
官方提供的客户端类库有 go、java、scala、python、ruby，其他还有很多第三方开发的类库，支持 nodejs、php、erlang 等
PromDash
使用 rails 开发的 dashboard，用于可视化指标数据，已废弃
Alertmanager
从 Prometheus server 端接收到 alerts 后，会进行去除重复数据，分组，并路由到对收的接受方式，发出报警。常见的接收方式有：电子邮件，pagerduty，OpsGenie, webhook 等。
Service Discovery
服务发现，Prometheus 支持多种服务发现机制：文件，DNS，Consul,Kubernetes,OpenStack,EC2 等等。基于服务发现的过程并不复杂，通过第三方提供的接口，Prometheus 查询到需要监控的 Target 列表，然后轮训这些 Target 获取监控数据。
其大概的工作流程是：
Prometheus server 定期从配置好的 jobs 或者 exporters 中拉 metrics，或者接收来自 Pushgateway 发过来的 metrics，或者从其他的 Prometheus server 中拉 metrics。
Prometheus server 在本地存储收集到的 metrics，并运行已定义好的 alert.rules，记录新的时间序列或者向 Alertmanager 推送警报。
Alertmanager 根据配置文件，对接收到的警报进行处理，发出告警。
在图形界面中，可视化采集数据。
关于 Push 与 Pull
Prometheus 采集数据是用的 pull 也就是拉模型, 通过 HTTP 协议去采集指标，只要应用系统能够提供 HTTP 接口就可以接入监控系统，相比于私有协议或二进制协议来说开发、简单。优点主要是：
开发任何新功能，你甚至可以在电脑上查看你的监控
如果目标实例挂掉，你可以很快知道
你可以手动指定目标实例，并且在浏览器中查看他的健康状态
总体来说，Pull 模式比 Push 模式更好一些，在监控系统中这也不是一个很重要的点。如果要使用 push 的方式，可以使用 Pushgateway 的方式，如定时任务的采集。
对于定时任务这种短周期的指标采集，如果采用 pull 模式，可能造成任务结束了，Prometheus 还没有来得及采集，这个时候可以使用加一个中转层，客户端推数据到 Push Gateway 缓存一下，由 Prometheus 从 push gateway pull 指标过来。(需要额外搭建 Push Gateway，同时需要新增 job 去从 gateway 采数据)
推的代表有 ElasticSearch，InfluxDB，OpenTSDB 等，需要你从程序中将指标使用 TCP，UDP 等方式推送至相关监控应用，只是使用 TCP 的话，一旦监控应用挂掉或存在瓶颈，容易对应用本身产生影响，而使用 UDP 的话，虽然不用担心监控应用，但是容易丢数据。
拉的代表，主要代表就是 Prometheus，让我们不用担心监控应用本身的状态。而且，可以利用 DNS-SRV 或者 Consul 等服务发现功能就可以自动添加监控。
当然，InfluxDB 加上 collector，或者 ES 加上 metricbeat 也可以变为『拉』，而 Prometheus 加上 Push Gateway 也可以变为『推』。
更多区别可以参考下图：
存储机制
Prometheus 有着非常高效的时间序列数据存储方法，每个采样数据仅仅占用 3.5byte 左右空间，上百万条时间序列，30 秒间隔，保留 60 天，大概花了 200 多 G（引用官方 PPT）。
Prometheus 内部主要分为三大块，Retrieval 是负责定时去暴露的目标页面上去抓取采样指标数据，Storage 是负责将采样数据写磁盘，PromQL 是 Prometheus 提供的查询语言模块。
Prometheus 内置了一个基于本地存储的时间序列数据库。在 Prometheus 设计上，使用本地存储可以降低 Prometheus 部署和管理的复杂度同时减少高可用（HA）带来的复杂性。在默认情况下，用户只需要部署多套 Prometheus，采集相同的 Targets 即可实现基本的 HA。同时由于 Promethus 高效的数据处理能力，单个 Prometheus Server 基本上能够应对大部分用户监控规模的需求。
同时为了适应数据持久化的问题，Prometheus 提供了 remote_write 和 remote_read 的特性，支持将数据存储到远端和从远端读取数据。通过将监控与数据分离，Prometheus 能够更好地进行弹性扩展。
关于存储用量规划：https://www.jianshu.com/p/934… 更多：Prometheus 存储机制详解
https://yunlzheng.gitbook.io/…
https://www.cnblogs.com/vovli…
https://www.linuxidc.com/Linu…
https://segmentfault.com/a/11…
https://www.infoq.cn/article/…
关于日志处理
不建议将日志监控放在 Prometheus 中，这不是他的专长，还是使用 ELK 或 EFK 的方式处理日志信息
竞品对比
参考: https://toutiao.io/posts/fsjq…
未来规划
服务端度量指标元数据支持在度量指标类型和其他元数据仅仅在客户库和展示格式中使用，并不会在 Prometheus 服务中持久保留或者利用。将来我们计划充分利用这些元数据。第一步是在 Prometheus 服务的内存中聚合这些数据，并开放一些实验性的 API 来提供服务
支持 OpenMetrics
OpenMetrics 组开放了一个新的监控指标暴露标准，我们将支持这种标准：https://openmetrics.io/
回溯时间序列
允许将过去一段时间的数据发送到其他的监控系统
HTTP 服务支持 TLS 安全认证
当前的 Prometheus, Alertmanager 和一些官方 exporter，暴露服务时，都不支持 tls 认证，有很大的安全风险，现在的实现都是基于反向代理，之后将内置到组件中
支持子查询
当前的 Promq 不支持子查询，如 max_over_time() of a rate())，后续将会支持
支持生态建设
Prometheus 有很多的 client 库和 exporter，我们将会对其进行规范和生态建设。
在 K8S 中使用
在之前的版本中，k8s 默认以及推荐的监控体系是它自己的一套东西：Heapster + cAdvisor + Influxdb + Grafana，1.8 后 Heaspter 由 Metric-server 替代。如果你部署了 Dashboard，就能看到监控数据（来自 heapster）
k8s 自身的 HPA (Horizontal Pod Autoscaler)，默认从 Heapster 中获取数据进行自动伸缩
1.8 版本以后，K8S 希望将核心监控指标收拢到 metric api 的形式，而自定义监控指标，由 prometheus 来实现，prometheus 正式成为 k8s 推荐的监控实现方案。
参考文档：
https://www.ibm.com/developer…
https://prometheus.io/docs/in…
https://www.kancloud.cn/cdh08…
https://yunlzheng.gitbook.io/…
本文为容器监控实践系列文章，完整内容见：container-monitor-book