PromQL是Prometheus内置的数据查询语言，其提供对时间序列数据丰富的查询，聚合以及逻辑运算能力的支持。并且被广泛应用在Prometheus的日常应用当中，包括对数据查询、可视化、告警处理当中，下面我们讲简单了解一下PromQL语言，并且从简单的例子入手。
数据类型
在Prometheus的表达式语言中，任何表达式或者子表达式都可以归为四种类型：
1.instant vector 瞬时向量 ：一组时间序列，包含每个时间序列的单个样本，所有时间序列都共享相同的时间戳。
2.range vector 范围向量 ：一组时间序列，包含每个时间序列随时间变化的一系列数据点。
3.scalar 标量 ：一个简单的浮点值
4.string 字符串 ：一个当前没有被使用的简单字符串
操作符
使用PromQL除了能够方便的按照查询和过滤时间序列以外，PromQL还支持丰富的操作符，用户可以使用这些操作符对进一步的对事件序列进行二次加工。这些操作符包括：数学运算符，逻辑运算符，布尔运算符等等。
PromQL支持的所有数学运算符如下所示：
+ (加法)
- (减法)
* (乘法)
/ (除法)
% (求余)
^ (幂运算)
举例说明↓↓↓
例如我们查询主机的内存大小，返回的是Bytes,如果我要把他转换成G可以使用一下表达式：
node_memory_MemTotal_bytes / 1024 /1024 /1024
返回的结果是一个瞬时向量。两个瞬时向量之间的数学计算例如：
node_disk_written_bytes_total + node_disk_read_bytes_total
那么我们会发现是根据表达式的标签进行数学运算，分别算出vda、vdb的磁盘io。
Prometheus支持以下布尔运算符如下：
== (相等)
!= (不相等)
> (大于)
< (小于)
>= (大于等于)
<= (小于等于)
使用bool修饰符、返回匹配的查询结果↓↓↓
例如：通过数学运算符我们可以很方便的计算出，当前所有主机节点的内存使用率：
(node_memory_bytes_total - node_memory_free_bytes_total) / node_memory_bytes_total
而在我们写告警规则的时候我们需要筛选出，内存使用率超过百分之95的主机、则可以使用布尔运算表达式：
(node_memory_bytes_total - node_memory_free_bytes_total) / node_memory_bytes_total > 0.95
Prometheus 支持以下集合运算符：
and (并且)
or (或者)
unless (排除)
通过集合运算，可以在两个瞬时向量与瞬时向量之间进行相应的集合操作↓↓↓
vector1 and vector2 会产生一个由 vector1 的元素组成的新的向量。该向量包含 vector1 中完全匹配 vector2 中的元素组成。
vector1 or vector2 会产生一个新的向量，该向量包含 vector1 中所有的样本数据，以及 vector2 中没有与 vector1 匹配到的样本数据。
vector1 unless vector2 会产生一个新的向量，新向量中的元素由 vector1 中没有与 vector2 匹配的元素组成。
优先级
在 Prometheus 系统中，二元运算符优先级从高到低的顺序为：
^
*, /, %
+, -
==, !=, <=, =, >
and, unless
or
具有相同优先级的运算符是满足结合律的（左结合）。例如，2 3 % 2 等价于 (2 3) % 2。运算符 ^ 例外，^ 满足的是右结合，例如，2 ^ 3 ^ 2 等价于 2 ^ (3 ^ 2)。
聚合运算
Prometheus还提供了下列内置的聚合操作符，这些操作符作用于瞬时向量。可以将瞬时表达式返回的样本数据进行聚合，形成一个新的时间序列。
sum (求和)
min (最小值)
max (最大值)
avg (平均值)
stddev (标准差)
stdvar (标准差异)
count (计数)
count_values (对value进行计数)
bottomk (后n条时序)
topk (前n条时序)
quantile (分布统计)
使用聚合操作的语法如下：
<aggr-op>([parameter,] <vector>) [without|by (<label>)]/<label>/<vector>/<aggr-op>
其中只有count_values, quantile, topk, bottomk支持参数(parameter)。
without用于从计算结果中移除列举的标签，而保留其它标签。by则正好相反，结果向量中只保留列出的标签，其余标签则移除。通过without和by可以按照样本的问题对数据进行聚合。
<code>sum(http_requests_total) without (instance)等于：sum(http_requests_t；otal) by (code,handler,job,method)/<code>
如果只需要计算整个应用的HTTP请求总量，可以直接使用表达式：sum(http_requests_total)
<code>查询数据的平均值：avg(http_requests_total)查询最靠前的3个值：topk(3, http_requests_total)/<code>
常用函数
Prometheus为不同的数据类型提供了非常多的计算函数，有个小技巧就是遇到counter数据类型，在做任何操作之前，先套上一个rate()或者increase()函数。下面介绍一些比较常用的函数帮助理解：
increase()函数：
该函数配合counter数据类型使用，获取区间向量中的第一个和最后一个样本并返回其增长量。如果除以一定时间就可以获取该时间内的平均增长率：
<code>increase(node_cpu_seconds_total[2m]) / 120 #主机节点最近两分钟内的平均CPU使用率/<code>
rate()函数：
该函数配合counter类型数据使用，取counter在这个时间段中的平均每秒增量。
<code>rate(node_cpu_seconds_total[2m]) #直接计算区间向量在时间窗口内平均增长速率/<code>
sum()函数：
在实际工作中CPU大多是多核的，而node_cpu会将每个核的数据都单独显示出来，我们其实不会关注每个核的单独情况，而是关心总的CPU情况。使用sum()函数进行求和后可以得出一条总的数据，但sum()是将所有机器的数据都进行了求和，所以还要再使用by (instance)或者by (cluster_name)就可以取出单个服务器或者一组服务器的CPU数据。上面的公式可以进化为：
<code>sum( increase(node_cpu_seconds_total[1m]) ) #先找出每一个，然后再合并/<code>
Topk()函数：
该函数可以从大量数据中取出排行前N的数值，N可以自定义。比如监控了100台服务器的320个CPU，用这个函数就可以查看当前负载较高的那几个，用于报警：
<code>topk(3, http_requests_total) #统计最靠前的3个值/<code>
predict_linear()函数：对曲线变化速率进行计算，起到一定的预测作用。比如当前这1个小时的磁盘可用率急剧下降，这种情况可能导致磁盘很快被写满，这时可以使用该函数，用当前1小时的数据去预测未来几个小时的状态，实现提前告警：
<code>predict_linear( node_filesystem_free_bytes{mountpoint="/"}[1h],4*3600 ) < 0 #如果未来4小时后磁盘使用率为负数就会报警/<code>CPU利用率表达式拆解
1.先把key找出来，比如是为了查看CPU的使用率，那么就应该使用：
<code>node_cpu这个key/<code>
2.在node_cpu这个key的基础上把idle的CPU时间和全部CPU时间过滤出来，使用{}做过滤：
<code>node_cpu_seconds_total{ mode='idle' } #找出空闲CPU的值node_cpu_seconds_total #不写其他参数代表ALL/<code>3.使用increase()函数把1分钟的数据抓取出来，这个时候取出来的是每个CPU的数据：
<code>increase(node_cpu_seconds_totalmode='idle'}[1m])/<code>
<code>increase(node_cpu_seconds_totalmode='idle'}[1m])/<code>
4.使用sum()函数求和每个CPU的数据，得到单独一个数据：
<code>sum( increase(node_cpu_seconds_total{mode='idle'}[1m]) )/<code>
5.sum()函数虽然把每个CPU的数据进行了求和，但是还把每台服务器也进行了求和，所有服务器的CPU数据都相同了，还需要进行一次处理。这里又引出了一个新函数 by (instance)。它会把sum求和到一起的数值按照指定方式进行拆分，instance代表的是机器名。如果不写by (instance)的话就需要在{}中写明需要哪个实例的数据。
<code>sum(increase(node_cpu_seconds_total{mode="idle"}[1m])) by(instance) /sum(increase(node_cpu_seconds_total[1m])) by(instance)/<code>
6.获取CPU空闲时间占比：
<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>
最终计算可能为负数，可能好多granafa模板都这样，当cpu处于多核、低负载的情况下，值的差异会被放大，从而导致出现负数的情况。
閱讀更多 思恆科技 的文章
