[版权申明] 非商业目的注明出处可自由转载
出自：shusheng007

文章目录

前言
概念
- Prometheus（普罗米修斯）
- Grafana
- Micrometer
- - 关键概念
  - - Meter
    - MeterRegistry
    - Tag
安装环境
实战
- 引入依赖
- 配置
- 使用
- 自定义Metric
- 使用grafana展示
总结
源码

前言

作为应用开发者你是否觉得监控应该是运维的活？嗯，大部分是这样的，例如监控服务器资源的情况，网络情况，监控redis服务器的情况，监控 myslq服务器的情况等等，但是有一些应用相关的指标我们开发者也是需要关心的，这就要求我们在开发过程中进行埋点。

由于微服务的流行，我们在一套系统中部署的服务越来越多，新催生出的角色DevOps也越来越关心统计应用系统的指标并从中进行学习推断系统的状况，老板也要直观的看到实时的下单量，成交金额等指标…

不过总的来说，监控离普通的业务开发者而言还是稍微有一点点远，但是了解一下是很有必要的

概念

目前在监控方面非常流行的做法是使用Prometheus搭配Grafana来实现

Prometheus（普罗米修斯）

官方介绍

The Prometheus monitoring system and time series database.

Prometheus是一个监控系统，也是一个时序数据库，它是目前在监控界非常耀眼，你应该多关注一下它…

其架构图如下：

那它如何工作呢？

假如现在我们要监控一下Mysql的运行指标，那么我们就需要一个Mysql-exporter，就是一个程序，它可以采集mysql的运行指标，然后将其转化为普罗米修斯要求的格式。普罗米修斯定期找它pull数据，然后进行存储、展示或报警等操作。

本文只是简单介绍如何入门使用，不会对其架构进行深入的解析，有兴趣的小伙伴可以找相关资料学习。

Grafana

官方定义

Grafana: The open and composable observability and data visualization platform. Visualize metrics, logs, and traces from multiple sources like Prometheus, Loki, Elasticsearch, InfluxDB, Postgres and many more.

Grafana是一个数据可视化平台，你给它提供数据，它给你使用各种漂亮的图形展示出来。不过要配置一个漂亮的监控界面也不是一件容易的事情，幸好对于流行的监控场景已经有很多牛人画出了特别棒的Dashboard，它是json的形式存在的，你可以直接使用，一会我们一起看一下。

Micrometer

官方定义

An application metrics facade for the most popular monitoring tools. Think SLF4J, but for metrics.

它是Java生态中一个组件，官方介绍说的很清楚拉，你就把它理解为metric界的SLF4J就OK。

为什么会有这个一个东西呢？相信你听过要面向抽象编程，不要面向细节编程。因为某一个领域都不可能只有一个玩家，即使像国有垄断行业还都弄个两三家一起搞，防止一家独大呢，例如中国移动和中国联通，中石油和中石化等等，那么对于自由竞争的环境下那就更是如此了。像这个监控领域也存在很多个玩家，使用一个面板就可以将下面具体使用的实现细节给屏蔽了，我们只针对Micrometer来编程，而不关心下面使用的是哪个系统。

Micrometer支持如下监控系统：AppOptics, Azure Monitor, Netflix Atlas, CloudWatch, Datadog, Dynatrace, Elastic, Ganglia, Graphite, Humio, Influx/Telegraf, JMX, KairosDB, New Relic, Prometheus, SignalFx, Google Stackdriver, StatsD, Wavefront。

关键概念

其实对于初学者我觉得Micrometer也挺难的，我第一次看到可懵逼了，但是等你静下心稍微学习一下也就不难了，真的是万事开头难，当然在一个领域要达到一定的深度也很难，但是那种难和入门时候的难不是一种，你自己品吧…。好了，言归正传，要使用Micrometer需要理解各种metric的概念，至少要理解下面这几个概念。

Meter

Meter可以认为是你要搜集的各种量度（metric）的一个抽象吧。例如你要监控某个接口被调用了多少次需要用什么metric，你要监控某段时间内内存的使用情况需要用什么metric，等等。这些metric都叫Meter。Meter具体有很多种，我们只简绍常用的几个便于我们的示例可以往下走。

Counter

顾名思义，这就是一个计数器，但是单调递增的，只能一直往上加。例如你要统计某个API一天内被调用的次数就可以用这个。

Timer

用来描述某个操作耗时多长时间。但要注意操作一般耗时较短，例如你可以使用Timer来监控某个Api的执行耗时

Gauge(尺度)

用来描述某个可以上下浮动的监控量度。例如某段时间，JVM的内存使用情况，它的特点就是一会低了一会高了。

MeterRegistry

清楚了啥是Meter，那么还有一个概念需要了解，就是MeterRegistry。每个Meter都是要保存到MeterRegistry里面的，然后再把这些量度传递给其他监控系统，例如Prometheus。

Tag

Tag汉语的意思为标签，我们一般都会说：你不要给人家贴标签，别顿不顿就说人家是绿茶婊。你看我们可以通过给人贴标签来将人群分类，在监控界也是这么个意思。

例如老板说：我想看下天津地区5月的成交单量数据，如果你没有给成交单量这个Meter打上天津这个tag，你怎么查呢？所以说，tag这个玩意就是为了从不同维度来统计数据而生的。

理解了上面那些概念就差不多可以简单使用了，让我们开始吧。

安装环境

我们以docker来安装Prometheus与Grafana，下面是其docker-compose文件的一部分，完整的可以在文章后面的源码中查看。

...ms_prometheus:image: prom/prometheus:latestcontainer_name: ms_prometheusports:- 9090:9090volumes:- ~/software/prometheus/config/prometheus.yml:/etc/prometheus/prometheus.yml- ~/software/prometheus/data:/prometheusnetworks:ms_network:ipv4_address: 172.171.1.14ms_grafana:image: grafana/grafana:latestcontainer_name: ms_grafanaports:- 3000:3000volumes:- ~/software/grafana/data:/var/lib/grafananetworks:ms_network:ipv4_address: 172.171.1.15

其中普罗米修斯那个配置文件prometheus.yml需要关注一下。

# my global config
global:scrape_interval: 15s  #15 秒pull一次数据evaluation_interval: 15s #15秒计算一次...scrape_configs:- job_name: "prometheus"static_configs:- targets: ["172.171.1.14:9090"]- job_name: 'spring_micrometer'metrics_path: '/actuator/prometheus'scrape_interval: 5sstatic_configs:- targets: ['192.168.31.210:7001']

关键就两部分，global:部分设置一些全局的配置，而scrape_configs:则是具体配置各种exporter的地方。上面我们配置了两个，一个是prometheus本身，一个就是我们的micrometer，那个targets节点填写应用的坐标。

安装好了环境，我就开始集成测试。

实战

引入依赖

引入Micrometer与Prometheus的依赖。

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

其中micrometer-registry-prometheus 作为Prometheus的Micrometer-Expoter，Prometheus就是通过它来拉取我们程序的量度（metric）的。

配置

暴露actuator上的prometheus端点。

management:endpoints:web:exposure:include: prometheus,metrics, health,info

将我们集成了Micrometer的程序（现在它已经是一个exporter了）信息配置到普罗米修斯的配置文件中，注意因为我在docker-compose使用的是自定义网络，那个IP一定要写你本地的ip，不能写localhost，否则连接不上。

  - job_name: 'spring_micrometer'metrics_path: '/actuator/prometheus'scrape_interval: 5sstatic_configs:- targets: ['192.168.31.210:7001']

使用

运行应用程序，posman访问http://localhost:7001/actuator/prometheus，如果输出如下内容说明我们的程序可以正常输出prometheus格式的数据了：

# HELP jvm_gc_max_data_size_bytes Max size of long-lived heap memory pool
# TYPE jvm_gc_max_data_size_bytes gauge
jvm_gc_max_data_size_bytes 2.863661056E9
# HELP tomcat_sessions_active_current_sessions
# TYPE tomcat_sessions_active_current_sessions gauge
tomcat_sessions_active_current_sessions 0.0
# HELP jvm_gc_pause_seconds Time spent in GC pause
# TYPE jvm_gc_pause_seconds summary
jvm_gc_pause_seconds_count{action="end of minor GC",cause="Allocation Failure",} 584.0
jvm_gc_pause_seconds_sum{action="end of minor GC",cause="Allocation Failure",} 2.511
# HELP jvm_gc_pause_seconds_max Time spent in GC pause
# TYPE jvm_gc_pause_seconds_max gauge
jvm_gc_pause_seconds_max{action="end of minor GC",cause="Allocation Failure",} 0.004
...

接下来看下，micrometer这个exporter是否已经成功连接到了prometheus服务器上没有，我们也可以访问：http://localhost:9090/，然后点击Status菜单里面的Targets就可以看到各种exporter的状态了。

从下图可以看到，我们的micrometer已经成功连接了，就是那个spring_micrometer。

如果看到连接成功了，我们就可查看那些监控metric了。actuator默认帮我们暴露了一些metric，通过访问http://localhost:7001/actuator/metrics可查看详情：

{"names": ["application.ready.time","application.started.time","disk.free","disk.total","executor.active","executor.completed","executor.pool.core","executor.pool.max","executor.pool.size","executor.queue.remaining","executor.queued","goods.payment","http.server.requests","jvm.buffer.count","jvm.buffer.memory.used","jvm.buffer.total.capacity","jvm.classes.loaded","jvm.classes.unloaded","jvm.gc.live.data.size","jvm.gc.max.data.size","jvm.gc.memory.allocated","jvm.gc.memory.promoted","jvm.gc.overhead","jvm.gc.pause","jvm.memory.committed","jvm.memory.max","jvm.memory.usage.after.gc","jvm.memory.used","jvm.threads.daemon","jvm.threads.live","jvm.threads.peak","jvm.threads.states","logback.events","process.cpu.usage","process.files.max","process.files.open","process.start.time","process.uptime","system.cpu.count","system.cpu.usage","system.load.average.1m","tomcat.sessions.active.current","tomcat.sessions.active.max","tomcat.sessions.alive.max","tomcat.sessions.created","tomcat.sessions.expired","tomcat.sessions.rejected",...]
}

所以我们可以直接在prometheus中查看这些metric。例如下图我们查看了"jvm.memory.used"这个指标，这样我们就能看到内存的变化情况了。

自定义Metric

上面是actuator内置帮我们内置的一些metric，有时我们还需要自己在程序中埋点，例如我要监控某个方法的耗时。

构建Meter

因为我们要监控方法耗时，所以应该是用Timer这个Meter。

@Slf4j
@Configuration
public class MetricsConfig {@Beanpublic TimedAspect timedAspect(MeterRegistry registry){log.info("meterRegistry类型：{}", registry.getClass().getCanonicalName());return new TimedAspect(registry);}
}

其中那个MeterRegistry的具体实现类为io.micrometer.prometheus.PrometheusMeterRegistry，其由SpringBoot自动注入。前我们说过meter都是要先注册到MeterRegistry的，然后PrometheusMeterRegistry就会把meter信息交给prometheus服务器。

触发meter

在要监控的方法上使用@Timed注解来标记，注意那个名称是以.号连接的。

    @Timed(value = "goods.payment",description = "商品服务的支付方法耗时")@Overridepublic String payment(String orderId) {...return String.format("你已经成功购买:%s",result.getGoodsName());}

通过上面两步我们就自定义了一个meter，我们请求一下方法，然后从prometheus上看下结果。

使用grafana展示

启动grafana服务端后，登录http://localhost:3000/用户名和密码都为：admin。

添加prometheus为数据源

添加dashboard

然后自己添加panel，自己添加metric就可以了，但是我画的是真心丑。

导入社区中成熟的dashboard

如果你自己不会画dashboard还是去社区找找别人画的吧，然后import进来，这么丑完全征服不了老板啊…。

首先去https://grafana.com/grafana/dashboards/ 去搜索，例如我们这里使用micrometer，咱就搜索micrometer，然后选择一个你中意的，copy它的id。

然后到grafana中import进去。

结果如下，是不是瞬间就高大上了啊

小技巧：如果你必须自己配置dashboard可以先找一个别人画好的，然后在上面修改。其实大部分的通用监控都有社区提供的dashboard可以用。

总结

这块离运维比较近，离开发稍微有一丢丢远，不过微服务时代提倡敏捷开发，DevOps将dev与ops结合的越来越紧密，所以开发的小伙伴也应该了解一下，如果感兴趣可以去深挖，本文就到止为止拉…。

源码

一如既往，你可以从Github获得本文的源码master-microservice，星星点一点，猿猿不迷路…

微服务实践之量度监控(micrometer,prometheus,grafana)-SpringCloud(2021.0.x)-5相关推荐

51信用卡在微服务架构下的监控平台架构实践
一.背景介绍 51信用卡的技术架构是基于Spring Cloud所打造的微服务体系,随着业务的飞速发展,不断增多的微服务以及指标给监控平台带来了极大的挑战.监控团队在开源vs自研,灵活vs稳定等问题上 ...
京东、宅急送的微服务实践分享（上）- 架构师小组交流会
架构师小组交流会是由国内知名公司技术专家参与的技术交流会,每期选择一个时下最热门的技术话题进行实践经验分享. 本期话题:微服务.微服务架构以其高度的弹性.灵活性和效率的巨大提升,快速受到各领域架构师和 ...
石墨文档基于K8S的Go微服务实践（上篇）
1 架构演进互联网的WEB架构演进可以分为三个阶段:单体应用时期.垂直应用时期.微服务时期. 单体应用时期一般处于一个公司的创业初期,他的好处就是运维简单.开发快速.能够快速适应业务需求变化.但是当 ...
Serverless 下的微服务实践
作者 | 弈川微服务架构介绍微服务架构诞生背景在互联网早期即 Web 1.0 的时代,当时流行的是单体应用,研发团队比较小,主要是外部网页,然后新闻门户等:到了新世纪的互联网时期 Web 2.0 ...
2019年微服务实践第一课，网易谐云蘑菇街奥思技术大咖深度分享
微服务的概念最早由Martin Fowler与James Lewis于2014年共同提出,核心思想是围绕业务能力组织服务,各个微服务可被独立部署,服务间是松耦合的关系,以及数据和治理的去中心化管理.微 ...
干货 | 国内互联网公司是如何做微服务实践的？（附PPT下载）
微服务的概念最早由Martin Fowler与James Lewis于2014年共同提出,并随着Netflix最佳实践的发布而为业界所知.如今,在国内有了大量的微服务实践案例,5月18日,网易云联合云 ...
中小型互联网公司微服务实践-经验和教训
上次写了一篇文章叫Spring Cloud在国内中小型公司能用起来吗?介绍了Spring Cloud是否能在中小公司使用起来,这篇文章是它的姊妹篇.其实我们在这条路上已经走了一年多,从16年初到现在. ...
Serverless 微服务实践-移动应用包分发服务
背景阿里云函数计算是事件驱动的全托管计算服务.通过函数计算,您无需管理服务器等基础设施,只需编写代码并上传.函数计算会为您准备好计算资源,以弹性.可靠的方式运行您的代码,并提供日志查询.性能监控.报 ...
微服务实践沙龙-上海站
微服务的概念最早由Martin Fowler与James Lewis于2014年共同提出,核心思想是围绕业务能力组织服务,各个微服务可被独立部署,服务间是松耦合的关系,以及数据和治理的去中心化管理.微 ...

微服务实践之量度监控(micrometer,prometheus,grafana)-SpringCloud(2021.0.x)-5