PromQL是Prometheus內置的數據查詢語言，其提供對時間序列數據豐富的查詢，聚合以及邏輯運算能力的支持。並且被廣泛應用在Prometheus的日常應用當中，包括對數據查詢、可視化、告警處理當中，下面我們講簡單瞭解一下PromQL語言，並且從簡單的例子入手。
數據類型
在Prometheus的表達式語言中，任何表達式或者子表達式都可以歸為四種類型：
1.instant vector 瞬時向量 ：一組時間序列，包含每個時間序列的單個樣本，所有時間序列都共享相同的時間戳。
2.range vector 範圍向量 ：一組時間序列，包含每個時間序列隨時間變化的一系列數據點。
3.scalar 標量 ：一個簡單的浮點值
4.string 字符串 ：一個當前沒有被使用的簡單字符串
操作符
使用PromQL除了能夠方便的按照查詢和過濾時間序列以外，PromQL還支持豐富的操作符，用戶可以使用這些操作符對進一步的對事件序列進行二次加工。這些操作符包括：數學運算符，邏輯運算符，布爾運算符等等。
PromQL支持的所有數學運算符如下所示：
+ (加法)
- (減法)
* (乘法)
/ (除法)
% (求餘)
^ (冪運算)
舉例說明↓↓↓
例如我們查詢主機的內存大小，返回的是Bytes,如果我要把他轉換成G可以使用一下表達式：
node_memory_MemTotal_bytes / 1024 /1024 /1024
返回的結果是一個瞬時向量。兩個瞬時向量之間的數學計算例如：
node_disk_written_bytes_total + node_disk_read_bytes_total
那麼我們會發現是根據表達式的標籤進行數學運算，分別算出vda、vdb的磁盤io。
Prometheus支持以下布爾運算符如下：
== (相等)
!= (不相等)
> (大於)
< (小於)
>= (大於等於)
<= (小於等於)
使用bool修飾符、返回匹配的查詢結果↓↓↓
例如：通過數學運算符我們可以很方便的計算出，當前所有主機節點的內存使用率：
(node_memory_bytes_total - node_memory_free_bytes_total) / node_memory_bytes_total
而在我們寫告警規則的時候我們需要篩選出，內存使用率超過百分之95的主機、則可以使用布爾運算表達式：
(node_memory_bytes_total - node_memory_free_bytes_total) / node_memory_bytes_total > 0.95
Prometheus 支持以下集合運算符：
and (並且)
or (或者)
unless (排除)
通過集合運算，可以在兩個瞬時向量與瞬時向量之間進行相應的集合操作↓↓↓
vector1 and vector2 會產生一個由 vector1 的元素組成的新的向量。該向量包含 vector1 中完全匹配 vector2 中的元素組成。
vector1 or vector2 會產生一個新的向量，該向量包含 vector1 中所有的樣本數據，以及 vector2 中沒有與 vector1 匹配到的樣本數據。
vector1 unless vector2 會產生一個新的向量，新向量中的元素由 vector1 中沒有與 vector2 匹配的元素組成。
優先級
在 Prometheus 系統中，二元運算符優先級從高到低的順序為：
^
*, /, %
+, -
==, !=, <=, =, >
and, unless
or
具有相同優先級的運算符是滿足結合律的（左結合）。例如，2 3 % 2 等價於 (2 3) % 2。運算符 ^ 例外，^ 滿足的是右結合，例如，2 ^ 3 ^ 2 等價於 2 ^ (3 ^ 2)。
聚合運算
Prometheus還提供了下列內置的聚合操作符，這些操作符作用於瞬時向量。可以將瞬時表達式返回的樣本數據進行聚合，形成一個新的時間序列。
sum (求和)
min (最小值)
max (最大值)
avg (平均值)
stddev (標準差)
stdvar (標準差異)
count (計數)
count_values (對value進行計數)
bottomk (後n條時序)
topk (前n條時序)
quantile (分佈統計)
使用聚合操作的語法如下：
<aggr-op>([parameter,] <vector>) [without|by (<label>)]/<label>/<vector>/<aggr-op>
其中只有count_values, quantile, topk, bottomk支持參數(parameter)。
without用於從計算結果中移除列舉的標籤，而保留其它標籤。by則正好相反，結果向量中只保留列出的標籤，其餘標籤則移除。通過without和by可以按照樣本的問題對數據進行聚合。
<code>sum(http_requests_total) without (instance)等於：sum(http_requests_t；otal) by (code,handler,job,method)/<code>
如果只需要計算整個應用的HTTP請求總量，可以直接使用表達式：sum(http_requests_total)
<code>查詢數據的平均值：avg(http_requests_total)查詢最靠前的3個值：topk(3, http_requests_total)/<code>
常用函數
Prometheus為不同的數據類型提供了非常多的計算函數，有個小技巧就是遇到counter數據類型，在做任何操作之前，先套上一個rate()或者increase()函數。下面介紹一些比較常用的函數幫助理解：
increase()函數：
該函數配合counter數據類型使用，獲取區間向量中的第一個和最後一個樣本並返回其增長量。如果除以一定時間就可以獲取該時間內的平均增長率：
<code>increase(node_cpu_seconds_total[2m]) / 120 #主機節點最近兩分鐘內的平均CPU使用率/<code>
rate()函數：
該函數配合counter類型數據使用，取counter在這個時間段中的平均每秒增量。
<code>rate(node_cpu_seconds_total[2m]) #直接計算區間向量在時間窗口內平均增長速率/<code>
sum()函數：
在實際工作中CPU大多是多核的，而node_cpu會將每個核的數據都單獨顯示出來，我們其實不會關注每個核的單獨情況，而是關心總的CPU情況。使用sum()函數進行求和後可以得出一條總的數據，但sum()是將所有機器的數據都進行了求和，所以還要再使用by (instance)或者by (cluster_name)就可以取出單個服務器或者一組服務器的CPU數據。上面的公式可以進化為：
<code>sum( increase(node_cpu_seconds_total[1m]) ) #先找出每一個，然後再合併/<code>
Topk()函數：
該函數可以從大量數據中取出排行前N的數值，N可以自定義。比如監控了100臺服務器的320個CPU，用這個函數就可以查看當前負載較高的那幾個，用於報警：
<code>topk(3, http_requests_total) #統計最靠前的3個值/<code>
predict_linear()函數：對曲線變化速率進行計算，起到一定的預測作用。比如當前這1個小時的磁盤可用率急劇下降，這種情況可能導致磁盤很快被寫滿，這時可以使用該函數，用當前1小時的數據去預測未來幾個小時的狀態，實現提前告警：
<code>predict_linear( node_filesystem_free_bytes{mountpoint="/"}[1h],4*3600 ) < 0 #如果未來4小時後磁盤使用率為負數就會報警/<code>CPU利用率表達式拆解
1.先把key找出來，比如是為了查看CPU的使用率，那麼就應該使用：
<code>node_cpu這個key/<code>
2.在node_cpu這個key的基礎上把idle的CPU時間和全部CPU時間過濾出來，使用{}做過濾：
<code>node_cpu_seconds_total{ mode='idle' } #找出空閒CPU的值node_cpu_seconds_total #不寫其他參數代表ALL/<code>3.使用increase()函數把1分鐘的數據抓取出來，這個時候取出來的是每個CPU的數據：
<code>increase(node_cpu_seconds_totalmode='idle'}[1m])/<code>
<code>increase(node_cpu_seconds_totalmode='idle'}[1m])/<code>
4.使用sum()函數求和每個CPU的數據，得到單獨一個數據：
<code>sum( increase(node_cpu_seconds_total{mode='idle'}[1m]) )/<code>
5.sum()函數雖然把每個CPU的數據進行了求和，但是還把每臺服務器也進行了求和，所有服務器的CPU數據都相同了，還需要進行一次處理。這裡又引出了一個新函數 by (instance)。它會把sum求和到一起的數值按照指定方式進行拆分，instance代表的是機器名。如果不寫by (instance)的話就需要在{}中寫明需要哪個實例的數據。
<code>sum(increase(node_cpu_seconds_total{mode="idle"}[1m])) by(instance) /sum(increase(node_cpu_seconds_total[1m])) by(instance)/<code>
6.獲取CPU空閒時間佔比：
<code>sum(increase(node_cpu_seconds_total{mode="idle"}[1m])) by(instance) /sum(increase(node_cpu_seconds_total[1m])) by(instance)/<code>7.CPU的利用率：
<code>1-(sum(increase(node_cpu_seconds_total{mode="idle"}[1m])) by(instance) /sum(increase(node_cpu_seconds_total[1m])) by(instance)) * 100/<code>
最終計算可能為負數，可能好多granafa模板都這樣，當cpu處於多核、低負載的情況下，值的差異會被放大，從而導致出現負數的情況。
閱讀更多 思恆科技 的文章
