最近对服务进行监控,而当前监控最流行的数据库就是 Prometheus
,同时 go-zero
默认接入也是这款数据库。今天就对 go-zero
是如何接入 Prometheus
,以及开发者如何本身定义本身监控指标。html
go-zero
框架中集成了基于 prometheus
的服务指标监控。可是没有显式打开,须要开发者在 config.yaml
中配置:git
Prometheus: Host: 127.0.0.1 Port: 9091 Path: /metrics
若是开发者是在本地搭建 Prometheus
,须要在 Prometheus
的配置文件 prometheus.yaml
中写入须要收集服务监控信息的配置:github
- job_name: 'file_ds' static_configs: - targets: ['your-local-ip:9091'] labels: job: activeuser app: activeuser-api env: dev instance: your-local-ip:service-port
由于本地是用 docker
运行的。将 prometheus.yaml
放置在 docker-prometheus
目录下:docker
docker run \ -p 9090:9090 \ -v dockeryml/docker-prometheus:/etc/prometheus \ prom/prometheus
打开 localhost:9090
就能够看到:数据库
点击 http://service-ip:9091/metrics
就能够看到该服务的监控信息:api
上图咱们能够看出有两种 bucket
,以及 count/sum
指标。app
那 go-zero
是如何集成监控指标?监控的又是什么指标?咱们如何定义咱们本身的指标?下面就来解释这些问题框架
以上的基本接入,能够参看咱们的另一篇:zeromicro.github.io/go-zero/ser…ide
上面例子中的请求方式是 HTTP
,也就是在请求服务端时,监控指标数据不断被搜集。很容易想到是 中间件 的功能,具体代码:github.com/tal-tech/go…rest
var ( metricServerReqDur = metric.NewHistogramVec(&metric.HistogramVecOpts{ ... // 监控指标 Labels: []string{"path"}, // 直方图分布中,统计的桶 Buckets: []float64{5, 10, 25, 50, 100, 250, 500, 1000}, }) metricServerReqCodeTotal = metric.NewCounterVec(&metric.CounterVecOpts{ ... // 监控指标:直接在记录指标 incr() 便可 Labels: []string{"path", "code"}, }) ) func PromethousHandler(path string) func(http.Handler) http.Handler { return func(next http.Handler) http.Handler { return http.HandlerFunc(func(w http.ResponseWriter, r *http.Request) { // 请求进入的时间 startTime := timex.Now() cw := &security.WithCodeResponseWriter{Writer: w} defer func() { // 请求返回的时间 metricServerReqDur.Observe(int64(timex.Since(startTime)/time.Millisecond), path) metricServerReqCodeTotal.Inc(path, strconv.Itoa(cw.Code)) }() // 中间件放行,执行完后续中间件和业务逻辑。从新回到这,作一个完整请求的指标上报 // [