在应用中内置Prometheus支持
本小节将以Spring Boot为例,介绍如何在应用代码中集成client_java。
添加Prometheus Java Client相关的依赖:
1
dependencies {
2
compile 'io.prometheus:simpleclient:0.0.24'
3
compile "io.prometheus:simpleclient_spring_boot:0.0.24"
4
compile "io.prometheus:simpleclient_hotspot:0.0.24"
5
}
Copied!
通过注解@EnablePrometheusEndpoint启用Prometheus Endpoint,这里同时使用了simpleclient_hotspot中提供的DefaultExporter。该Exporter会在metrics endpoint中统计当前应用JVM的相关信息:
1
@SpringBootApplication
2
@EnablePrometheusEndpoint
3
public class SpringApplication implements CommandLineRunner {
4
5
public static void main(String[] args) {
6
SpringApplication.run(GatewayApplication.class, args);
7
}
8
9
@Override
10
public void run(String... strings) throws Exception {
11
DefaultExports.initialize();
12
}
13
}
Copied!
默认情况下Prometheus暴露的metrics endpoint为 /prometheus,可以通过endpoint配置进行修改:
1
endpoints:
2
prometheus:
3
id: metrics
4
metrics:
5
id: springmetrics
6
sensitive: false
7
enabled: true
Copied!
启动应用程序访问http://localhost:8080/metrics可以看到以下输出内容:
1
# HELP jvm_gc_collection_seconds Time spent in a given JVM garbage collector in seconds.
2
# TYPE jvm_gc_collection_seconds summary
3
jvm_gc_collection_seconds_count{gc="PS Scavenge",} 11.0
4
jvm_gc_collection_seconds_sum{gc="PS Scavenge",} 0.18
5
jvm_gc_collection_seconds_count{gc="PS MarkSweep",} 2.0
6
jvm_gc_collection_seconds_sum{gc="PS MarkSweep",} 0.121
7
# HELP jvm_classes_loaded The number of classes that are currently loaded in the JVM
8
# TYPE jvm_classes_loaded gauge
9
jvm_classes_loaded 8376.0
10
# HELP jvm_classes_loaded_total The total number of classes that have been loaded since the JVM has started execution
11
# TYPE jvm_classes_loaded_total counter
12
...
Copied!

添加拦截器,为监控埋点做准备

除了获取应用JVM相关的状态以外,我们还可能需要添加一些自定义的监控Metrics实现对系统性能,以及业务状态进行采集,以提供日后优化的相关支撑数据。首先我们使用拦截器处理对应用的所有请求。
继承WebMvcConfigurerAdapter类并复写addInterceptors方法,对所有请求/**添加拦截器
1
@SpringBootApplication
2
@EnablePrometheusEndpoint
3
public class SpringApplication extends WebMvcConfigurerAdapter implements CommandLineRunner {
4
@Override
5
public void addInterceptors(InterceptorRegistry registry) {
6
registry.addInterceptor(new PrometheusMetricsInterceptor()).addPathPatterns("/**");
7
}
8
}
Copied!
PrometheusMetricsInterceptor继承自HandlerInterceptorAdapter,通过复写父方法preHandle和afterCompletion可以拦截一个HTTP请求生命周期的不同阶段:
1
public class PrometheusMetricsInterceptor extends HandlerInterceptorAdapter {
2
@Override
3
public boolean preHandle(HttpServletRequest request, HttpServletResponse response, Object handler) throws Exception {
4
return super.preHandle(request, response, handler);
5
}
6
7
@Override
8
public void afterCompletion(HttpServletRequest request, HttpServletResponse response, Object handler, Exception ex) throws Exception {
9
super.afterCompletion(request, response, handler, ex);
10
}
11
}
Copied!

自定义监控指标

一旦PrometheusMetricsInterceptor能够成功拦截和处理请求之后,我们就可以使用client java自定义多种监控指标。
计数器可以用于记录只会增加不会减少的指标类型,比如记录应用请求的总量(http_requests_total),cpu使用时间(process_cpu_seconds_total)等。 一般而言,Counter类型的metrics指标在命名中我们使用_total结束。
使用Counter.build()创建Counter类型的监控指标,并且通过name()方法定义监控指标的名称,通过labelNames()定义该指标包含的标签。最后通过register()将该指标注册到Collector的defaultRegistry中中。
1
public class PrometheusMetricsInterceptor extends HandlerInterceptorAdapter {
2
3
static final Counter requestCounter = Counter.build()
4
.name("io_namespace_http_requests_total").labelNames("path", "method", "code")
5
.help("Total requests.").register();
6
7
@Override
8
public void afterCompletion(HttpServletRequest request, HttpServletResponse response, Object handler, Exception ex) throws Exception {
9
String requestURI = request.getRequestURI();
10
String method = request.getMethod();
11
int status = response.getStatus();
12
13
requestCounter.labels(requestURI, method, String.valueOf(status)).inc();
14
super.afterCompletion(request, response, handler, ex);
15
}
16
}
Copied!
在afterCompletion方法中,可以获取到当前请求的请求路径、请求方法以及状态码。 这里通过labels指定了当前样本各个标签对应的值,最后通过.inc()计数器+1:
1
requestCounter.labels(requestURI, method, String.valueOf(status)).inc();
Copied!
通过指标io_namespace_http_requests_total我们可以实现:
    查询应用的请求总量
1
# PromQL
2
sum(io_namespace_http_requests_total)
Copied!
    查询每秒Http请求量
1
# PromQL
2
sum(rate(io_wise2c_gateway_requests_total[5m]))
Copied!
    查询当前应用请求量Top N的URI
1
# PromQL
2
topk(10, sum(io_namespace_http_requests_total) by (path))
Copied!
使用Gauge可以反映应用的当前状态,例如在监控主机时,主机当前空闲的内容大小(node_memory_MemFree),可用内存大小(node_memory_MemAvailable)。或者容器当前的CPU使用率,内存使用率。这里我们使用Gauge记录当前应用正在处理的Http请求数量。
1
public class PrometheusMetricsInterceptor extends HandlerInterceptorAdapter {
2
3
...省略的代码
4
static final Gauge inprogressRequests = Gauge.build()
5
.name("io_namespace_http_inprogress_requests").labelNames("path", "method")
6
.help("Inprogress requests.").register();
7
8
@Override
9
public boolean preHandle(HttpServletRequest request, HttpServletResponse response, Object handler) throws Exception {
10
...省略的代码
11
// 计数器+1
12
inprogressRequests.labels(requestURI, method).inc();
13
return super.preHandle(request, response, handler);
14
}
15
16
@Override
17
public void afterCompletion(HttpServletRequest request, HttpServletResponse response, Object handler, Exception ex) throws Exception {
18
...省略的代码
19
// 计数器-1
20
inprogressRequests.labels(requestURI, method).dec();
21
22
super.afterCompletion(request, response, handler, ex);
23
}
24
}
Copied!
通过指标io_namespace_http_inprogress_requests我们可以直接查询应用当前正在处理中的Http请求数量:
1
# PromQL
2
io_namespace_http_inprogress_requests{}
Copied!
Histogram主要用于在指定分布范围内(Buckets)记录大小(如http request bytes)或者事件发生的次数。以请求响应时间requests_latency_seconds为例。
1
public class PrometheusMetricsInterceptor extends HandlerInterceptorAdapter {
2
3
static final Histogram requestLatencyHistogram = Histogram.build().labelNames("path", "method", "code")
4
.name("io_namespace_http_requests_latency_seconds_histogram").help("Request latency in seconds.")
5
.register();
6
7
private Histogram.Timer histogramRequestTimer;
8
9
@Override
10
public boolean preHandle(HttpServletRequest request, HttpServletResponse response, Object handler) throws Exception {
11
...省略的代码
12
histogramRequestTimer = requestLatencyHistogram.labels(requestURI, method, String.valueOf(status)).startTimer();
13
...省略的代码
14
}
15
16
@Override
17
public void afterCompletion(HttpServletRequest request, HttpServletResponse response, Object handler, Exception ex) throws Exception {
18
...省略的代码
19
histogramRequestTimer.observeDuration();
20
...省略的代码
21
}
22
}
Copied!
Histogram会自动创建3个指标,分别为:
    事件发生总次数: basename_count
1
# 实际含义: 当前一共发生了2次http请求
2
io_namespace_http_requests_latency_seconds_histogram_count{path="/",method="GET",code="200",} 2.0
Copied!
    所有事件产生值的大小的总和: basename_sum
1
# 实际含义: 发生的2次http请求总的响应时间为13.107670803000001 秒
2
io_namespace_http_requests_latency_seconds_histogram_sum{path="/",method="GET",code="200",} 13.107670803000001
Copied!
    事件产生的值分布在bucket中的次数: basename_bucket{le="上包含"}
1
# 在总共2次请求当中。http请求响应时间 <=0.005 秒 的请求次数为0
2
io_namespace_http_requests_latency_seconds_histogram_bucket{path="/",method="GET",code="200",le="0.005",} 0.0
3
# 在总共2次请求当中。http请求响应时间 <=0.01 秒 的请求次数为0
4
io_namespace_http_requests_latency_seconds_histogram_bucket{path="/",method="GET",code="200",le="0.01",} 0.0
5
# 在总共2次请求当中。http请求响应时间 <=0.025 秒 的请求次数为0
6
io_namespace_http_requests_latency_seconds_histogram_bucket{path="/",method="GET",code="200",le="0.025",} 0.0
7
io_namespace_http_requests_latency_seconds_histogram_bucket{path="/",method="GET",code="200",le="0.05",} 0.0
8
io_namespace_http_requests_latency_seconds_histogram_bucket{path="/",method="GET",code="200",le="0.075",} 0.0
9
io_namespace_http_requests_latency_seconds_histogram_bucket{path="/",method="GET",code="200",le="0.1",} 0.0
10
io_namespace_http_requests_latency_seconds_histogram_bucket{path="/",method="GET",code="200",le="0.25",} 0.0
11
io_namespace_http_requests_latency_seconds_histogram_bucket{path="/",method="GET",code="200",le="0.5",} 0.0
12
io_namespace_http_requests_latency_seconds_histogram_bucket{path="/",method="GET",code="200",le="0.75",} 0.0
13
io_namespace_http_requests_latency_seconds_histogram_bucket{path="/",method="GET",code="200",le="1.0",} 0.0
14
io_namespace_http_requests_latency_seconds_histogram_bucket{path="/",method="GET",code="200",le="2.5",} 0.0
15
io_namespace_http_requests_latency_seconds_histogram_bucket{path="/",method="GET",code="200",le="5.0",} 0.0
16
io_namespace_http_requests_latency_seconds_histogram_bucket{path="/",method="GET",code="200",le="7.5",} 2.0
17
# 在总共2次请求当中。http请求响应时间 <=10 秒 的请求次数为0
18
io_namespace_http_requests_latency_seconds_histogram_bucket{path="/",method="GET",code="200",le="10.0",} 2.0
19
# 在总共2次请求当中。http请求响应时间 10 秒 的请求次数为0
20
io_namespace_http_requests_latency_seconds_histogram_bucket{path="/",method="GET",code="200",le="+Inf",} 2.0
Copied!
Summary和Histogram非常类型相似,都可以统计事件发生的次数或者发小,以及其分布情况。Summary和Histogram都提供了对于事件的计数_count以及值的汇总_sum。 因此使用_count,和_sum时间序列可以计算出相同的内容,例如http每秒的平均响应时间:rate(basename_sum[5m]) / rate(basename_count[5m])。同时Summary和Histogram都可以计算和统计样本的分布情况,比如中位数,9分位数等等。其中 0.0<= 分位数Quantiles <= 1.0。
不同在于Histogram可以通过histogram_quantile函数在服务器端计算分位数,而Sumamry的分位数则是直接在客户端进行定义。因此对于分位数的计算。 Summary在通过PromQL进行查询时有更好的性能表现,而Histogram则会消耗更多的资源。相对的对于客户端而言Histogram消耗的资源更少。
1
public class PrometheusMetricsInterceptor extends HandlerInterceptorAdapter {
2
3
static final Summary requestLatency = Summary.build()
4
.name("io_namespace_http_requests_latency_seconds_summary")
5
.quantile(0.5, 0.05)
6
.quantile(0.9, 0.01)
7
.labelNames("path", "method", "code")
8
.help("Request latency in seconds.").register();
9
10
11
@Override
12
public boolean preHandle(HttpServletRequest request, HttpServletResponse response, Object handler) throws Exception {
13
...省略的代码
14
requestTimer = requestLatency.labels(requestURI, method, String.valueOf(status)).startTimer();
15
...省略的代码
16
}
17
18
@Override
19
public void afterCompletion(HttpServletRequest request, HttpServletResponse response, Object handler, Exception ex) throws Exception {
20
...省略的代码
21
requestTimer.observeDuration();
22
...省略的代码
23
}
24
}
Copied!
使用Summary指标,会自动创建多个时间序列:
    事件发生总的次数
1
# 含义:当前http请求发生总次数为12次
2
io_namespace_http_requests_latency_seconds_summary_count{path="/",method="GET",code="200",} 12.0
Copied!
    事件产生的值的总和
1
# 含义:这12次http请求的总响应时间为 51.029495508s
2
io_namespace_http_requests_latency_seconds_summary_sum{path="/",method="GET",code="200",} 51.029495508
Copied!
    事件产生的值的分布情况
1
# 含义:这12次http请求响应时间的中位数是3.052404983s
2
io_namespace_http_requests_latency_seconds_summary{path="/",method="GET",code="200",quantile="0.5",} 3.052404983
3
# 含义:这12次http请求响应时间的9分位数是8.003261666s
4
io_namespace_http_requests_latency_seconds_summary{path="/",method="GET",code="200",quantile="0.9",} 8.003261666
Copied!

使用Collector暴露其它指标

除了在拦截器中使用Prometheus提供的Counter,Summary,Gauage等构造监控指标以外,我们还可以通过自定义的Collector实现对相关业务指标的暴露。例如,我们可以通过自定义Collector直接从应用程序的数据库中统计监控指标.
1
@SpringBootApplication
2
@EnablePrometheusEndpoint
3
public class SpringApplication extends WebMvcConfigurerAdapter implements CommandLineRunner {
4
5
@Autowired
6
private CustomExporter customExporter;
7
8
...省略的代码
9
10
@Override
11
public void run(String... args) throws Exception {
12
...省略的代码
13
customExporter.register();
14
}
15
}
Copied!
CustomExporter集成自io.prometheus.client.Collector,在调用Collector的register()方法后,当访问/metrics时,则会自动从Collector的collection()方法中获取采集到的监控指标。
由于这里CustomExporter存在于Spring的IOC容器当中,这里可以直接访问业务代码,返回需要的业务相关的指标。
1
import io.prometheus.client.Collector;
2
import io.prometheus.client.GaugeMetricFamily;
3
import org.springframework.stereotype.Component;
4
5
import java.util.ArrayList;
6
import java.util.Collections;
7
import java.util.List;
8
9
@Component
10
public class CustomExporter extends Collector {
11
@Override
12
public List<MetricFamilySamples> collect() {
13
List<MetricFamilySamples> mfs = new ArrayList<>();
14
15
# 创建metrics指标
16
GaugeMetricFamily labeledGauge =
17
new GaugeMetricFamily("io_namespace_custom_metrics", "custom metrics", Collections.singletonList("labelname"));
18
19
# 设置指标的label以及value
20
labeledGauge.addMetric(Collections.singletonList("labelvalue"), 1);
21
22
mfs.add(labeledGauge);
23
return mfs;
24
}
25
}
Copied!
这里也可以使用CounterMetricFamily,SummaryMetricFamily声明其它的指标类型。