Prometheus（七） 监控spring boot docker 容器

主要步骤

  • 通过Prometheus提供的Java client包，在spring boot工程中生成我们关心的业务指标，
  • 将spring boot工程打成docker 镜像
  • 将docker容器部署到docker swarm集群中
  • 修改Prometheus对应的file_sd_configs文件，将部署的服务追加进去
  • 通过Grafana观察业务指标

本文主要阐述的是对容器中业务指标的监控，对容器的监控以及环境的搭建参照[Prometheus 监控Docker Swarm](Prometheus 监控Docker Swarm.md)

Prometheus感念

  1. 数据模型

    Prometheus中的数据都是时间序列值。以相同指标名称，并且拥有相同label来作为一个观察量，Prometheus中存的就是各种观察量在不同时间点的数据，称为一个时间序列，每个时间点对应的值称为一个Sample，包含一个float64数值和一个精确到毫秒的时间值。

    每个序列通过指标名称以及相关的label来唯一确定，指标名称主要来表明需要观测的系统特性如（http_requests_total表示系统受到请求总数的时间序列），同一指标中的每个key/value对(称为label)都称作一个维度，如（http_requests_total{code=200}）代表请求成功的时间序列.

    外部应用通过PromQL来对时间序列进行相应的查找，在查询时还可以利用Prometheus提供的功能丰富的函数对时间序列中的值进行计算。

  2. 指标类型

    Prometheus提供的客户端jar包中把指标类型分为如下四种

    • Counter
    • Gauge
    • Histogram
    • Summary

    这个分类只针对客户端使用者有效，在Prometheus server端是不进行区分的。对于Prometheus server端而言，客户端返回的都是时间序列对应的一个Sample，如http_requests_total{code=200} 290，表示Prometheus server拉取指标的这个时间点，请求成功的总数是290次，是一个纯文本数据，即便我们不用Prometheus提供的客户端，只要返回的数据满足这种格式，Prometheus server就能正常存储，也可以通过PromQL供外部查询。

    1. Counter

      Counter对应的指标值只能是一个单独的数值，并且除了能在服务启动时重置外，只能对指标值做累加操作，不能做减法操作，可以用来统计请求次数、任务执行次数、关键业务对象操作次数等。

    2. Gauge

      Gauge对应的指标值只能是一个单独的数值，与Counter不同的是，可以对Gauge代表的指标值做仁义的加减操作，一般用来表示温度、正在执行的job等指标

    3. Histogram

      Histogram 柱状图，不再是简单对指标的sample值进行加减等操作，对于每一个sample值执行下面的三个操作：

      • 根据Histogram定义时指定的bucket区间，将sample分到各个bucket中，每个bucket中存放的是落入这个区间的个数
      • 对每个采样点值累计和(sum)
      • 对采样点的次数累计和(count)

      例如我们通过Prometheus提供的客户端通过Histogram.build().name("job_execute_time").help("job执行时间时间分布（分）").buckets(1,5,10) .register();定义了一个histogram，用来统计job执行时间的分布。对应的buckets是（1，5，10），代表四个区间

      • <=1分钟
      • <=5分钟
      • <=10分钟
      • <无穷大

      Histogram会生成如下6个维度的指标值

      job_execute_time_bucket{le="1.0",} 
job_execute_time_bucket{le="5.0",} 
job_execute_time_bucket{le="10.0",} 
job_execute_time_bucket{le="+Inf",}
job_execute_time_count 
job_execute_time_sum

      当我们有一个job执行时间为5.6分钟，则对应的各个维度的值变成

      job_execute_time_bucket{le="1.0",} 0.0
job_execute_time_bucket{le="5.0",} 0.0
job_execute_time_bucket{le="10.0",} 1.0
job_execute_time_bucket{le="+Inf",} 1.0
job_execute_time_count 1.0
job_execute_time_sum  5.6

      无穷大的肯定是和job_execute_time_count一致的

      可以看到Histogram类型的指标不会保留各个sample的具体数值，每个bucket中也只是记录样本数的counter。

    4. Summary 采样点分位图统计,类似于histgram，但是采用分位数来将sample分到不同的bucket中，具体的区别查看HISTOGRAMS AND SUMMARIES,个人数学不好，理解的太痛苦了。

构建spring boot工程(2.x)

  1. pom.xml中追加Prometheus相关依赖

    <dependency>
	<groupId>org.springframework.boot</groupId>
	<artifactId>spring-boot-starter-actuator</artifactId>
</dependency>
<dependency>
	<groupId>io.micrometer</groupId>
	<artifactId>micrometer-core</artifactId>
</dependency>
<dependency>
	<groupId>io.micrometer</groupId>
	<artifactId>micrometer-registry-prometheus</artifactId>
</dependency>

<dependency>
	<groupId>io.prometheus</groupId>
	<artifactId>simpleclient</artifactId>
	<version>0.8.1</version>
</dependency>

  2. application.yml 文件中追加启用Prometheus相关metric，

    spring:
  application:
    name: sbprometheus
server:
  port: 8080

management:
  metrics:
    export:
      prometheus:
        enabled: true
  endpoint:
    metrics:
      enabled: true
    prometheus:
      enabled: true
  endpoints:
    web:
      exposure:
        include: ["prometheus","health"]
    • 默认情况 prometheus对应的endpoint是 /actuator/prometheus

  3. 定义业务需要的指标

    
/**
 * 
 */
package chengf.falcon.sb.prometheus;

import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

import io.micrometer.prometheus.PrometheusMeterRegistry;
import io.prometheus.client.Counter;
import io.prometheus.client.Gauge;
import io.prometheus.client.Histogram;
import io.prometheus.client.Summary;

/**
 * @author: 作者： chengaofeng
 * @date: 创建时间：2020-03-20 12:04:20
 * @Description: TODO
 * @version V1.0
 */
@Configuration
public class MetricConfig {

	@Autowired
	PrometheusMeterRegistry registry;

	@Value("${spring.application.name}")
	String appName;

	@Bean
	public Counter operatorCount() {
		return Counter.build().name(appName + "_class_operator_count").help("操作总次数").labelNames("className")
				.register(registry.getPrometheusRegistry());
	}

	@Bean
	public Gauge runningJob() {
		return Gauge.build().name(appName + "_running_job_count").help("正在运行的job数")
				.register(registry.getPrometheusRegistry());
	}

	@Bean
	public Histogram executeTime() {
		return Histogram.build().name(appName + "_job_execute_time").help("job执行时间时间分布（分）").buckets(1,5,10)
				.register(registry.getPrometheusRegistry());
	}
	
	@Bean
	public Summary timeQuantile() {
		return Summary.build().name(appName + "_job_execute_time_quantile").help("job执行时间时间分布（分）").quantile(0.5, 0.05).quantile(0.9, 0.01)
				.register(registry.getPrometheusRegistry());
	}

}

  4. 业务代码中更新指标（通过resturl模拟实际的操作）

    /**
 * 
 */
package chengf.falcon.sb.prometheus;

import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.PathVariable;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;

import io.prometheus.client.Counter;
import io.prometheus.client.Gauge;
import io.prometheus.client.Histogram;
import io.prometheus.client.Summary;

/**
 * @author: 作者： chengaofeng
 * @date: 创建时间：2020-03-03 19:02:43
 * @Description: TODO
 * @version V1.0
 */
@RestController
public class MetricController {


	
	@Autowired
	Counter operatorCount;
	
	@Autowired
	Gauge runningJob;
	
	@Autowired
	Histogram executeTime;
	
	@Autowired
	Summary timeQuantile;

	@RequestMapping("/counter/{className}")
	public String counter(@PathVariable String className) {
		operatorCount.labels(className).inc();
		return "COUNTER";
	}
	
	@RequestMapping("/guage/{number}")
	public String guage(@PathVariable int number) {
		runningJob.set(number);
		return "guage";
	}
	
	@RequestMapping("/histogram/{time}")
	public String histogram(@PathVariable double time) {
		executeTime.observe(time);
		return "histogram";
	}
	
	@RequestMapping("/summary/{time}")
	public String summary(@PathVariable double time) {
		timeQuantile.observe(time);
		return "summary";
	}
	
	
}

  5. 启动sprong-boot工程，访问上面的restful接口几次，然后访问/actuator/prometheus查看指标情况,下面贴出一个样例（去除掉spring 自动给我们生成的各种指标）

    # HELP sbprometheus_job_execute_time_quantile job执行时间时间分布（分）
# TYPE sbprometheus_job_execute_time_quantile summary
sbprometheus_job_execute_time_quantile{quantile="0.5",} 5.0
sbprometheus_job_execute_time_quantile{quantile="0.9",} 13.0
sbprometheus_job_execute_time_quantile_count 11.0
sbprometheus_job_execute_time_quantile_sum 120.0

# HELP sbprometheus_job_execute_time job执行时间时间分布（分）
# TYPE sbprometheus_job_execute_time histogram
sbprometheus_job_execute_time_bucket{le="1.0",} 2.0
sbprometheus_job_execute_time_bucket{le="5.0",} 3.0
sbprometheus_job_execute_time_bucket{le="10.0",} 3.0
sbprometheus_job_execute_time_bucket{le="+Inf",} 3.0
sbprometheus_job_execute_time_count 3.0
sbprometheus_job_execute_time_sum 6.5

# HELP sbprometheus_class_operator_count 操作总次数
# TYPE sbprometheus_class_operator_count counter
sbprometheus_class_operator_count{className="transform",} 2.0
sbprometheus_class_operator_count{className="sub",} 1.0

# HELP sbprometheus_running_job_count 正在运行的job数
# TYPE sbprometheus_running_job_count gauge
sbprometheus_running_job_count 10.0

生成docker镜像

因为在spring-boot工程的pom中，我们追加了spring-boot-maven-plugin这个插件，所以执行mvn package后会生成一个独立的可执行jar，所以制作镜像时，只用基于openjdk的镜像，再把这个jar copy进去，之后启动就可以了.

  1. 构建(在工程目录下）

    $ mvn clean package
$ cd target 
$ cat > Dockerfile<<EOF
#基础镜像基于openjdk，利用alpine
FROM openjdk:8u212-jdk-alpine
#所属团队
MAINTAINER chengf

#将编译好的工程jar包copy到镜像容器中
ENV TARGET_JAR="sb-prometheus-0.0.1-SNAPSHOT.jar"
COPY ${TARGET_JAR} /usr/src/${TARGET_JAR}


# 工作目录
WORKDIR /usr/src
#程序入口
RUN echo "java -jar \${TARGET_JAR}  > start.sh \
             && chmod 777 start.sh
CMD ./start.sh

EOF

$ docker build -t sb-prometheus:0.0.1 .

  2. 启动镜像，测试镜像是否正确

    docker run --rm --name sb-prometheus -p 8080:8080 sb-prometheus:0.0.1
    • 访问一些我们定义的restful接口以及/actuator/prometheus，看是否正常工作

部署到docker swarm集群

  1. 编辑stack文件

    $ cd /opt/k8s/prometheus
$ cat> sb-prom-stack.yml<<EOF
version: "3"
services:
  sbprometheus:
    image: sb-prometheus:0.0.1
    networks:
  		- mcsas-network
    deploy:
      restart_policy:
        condition: on-failure
  
networks:
  mcsas-network: 
    external: true
EOF

  2. 启动服务

    $ docker stack deploy -c sb-prom-stack.yml sbprom

修改Prometheus的file_sd_configs中配置的文件

在[Prometheus 监控Docker Swarm](Prometheus 监控Docker Swarm.md)中，我们在prometheus的配置文件中指定了如下配置段：

- job_name: 'springboot'
  metrics_path: /actuator/prometheus
  file_sd_configs:
  - files:
	 - /etc/prometheus/service.yaml

所以只用在挂载目录下创建service.yaml，并追加我们要监控的服务即可

$ cd /opt/k8s/prometheus/conf
$ cat>service.yaml<<EOF
- targets: ['sbprometheus:8080']
EOF

修改完成后，通过Prometheus服务暴露的端口查看指标分类，可以发现我们自定义的业务指标已经被Prometheus获取到

因为我们业务容器没有暴露出来端口，所以为了演示，进入容器内部，通过wget访问我们的restful接口,产生一些指标数据


$ docker ps |grep sbprometheus
8dbafd80573b        sb-prometheus:0.0.1                               "/bin/sh -c ./start.…"   44 minutes ago      Up 44 minutes                               sbprom_sbprometheus.1.kuzpe4he7j2iz9i43cwrrxh3x
$ docker exec -it 8dbafd80573b sh
/usr/src # wget -q -O - http://localhost:8080/summary/66
/usr/src # wget -q -O - http://localhost:8080/counter/tranform
/usr/src # wget -q -O - http://localhost:8080/counter/sub
/usr/src # wget -q -O - http://localhost:8080/histogram/1
/usr/src # wget -q -O - http://localhost:8080/histogram/3.4

进入grafana配置dashboard

在grafana中可以对我们的业务指标进行观察如：

也可以通过cAdvisor对我部署的这个服务对应的容器进行观察

posted @ 2020-03-20 17:00  高枫_henu  Views(985)  Comments(3)  Edit  收藏  举报