Prometheus promQL的语法：
#时间序列
node_cpu_guest_seconds_total{cpu="0"}
监控（指标数据） {标签}node使用CPU的描述的统计，符合标签CPU=0的时间序列的查询结果
指标+标签生成时间序列
标签：
__address__：双下划线标签，是Prometheus系统的默认标签，不显示在target页面中，只有把光标移动到label的字段上，才能显示默认标签
匹配标签值操作符号：
= 完全相等
!= 不等于，相当于取反
=~ 正则表达式匹配
!~ 正则表达式取反
数学运算符：
+ 加法
- 减法
* 乘法
/ 除法
% 取余
^ 幂运算
常用的通配符：
. 任意单个字符
.* 多个任意字符
.+ 一个或者多个任意字符
时长的单位类型：
s seconds秒
m minute分
h hour时
d day天
w weeks周
y years年
数据类型：
- 瞬时向量：一组时序，每个时序只有一个采样值
- 区间向量：一组时序，每个时序包含一段时间内的多个采样值
- 标量数据：浮点数，小数
- 字符串：一个字符串
- counter：总数，在整个promQL中没有直接作用。通过rate topk increase irate这些函数生成样本数据的变化情况
topk(3,node_cpu_seconds_total)
#展示当前数据前三位的数据increase要结合区间向量一起使用，展示时间序列在一定范围内的增量
increase(node_cpu_seconds_total[5m])
#在五分钟之内的增量趋势irate：高灵敏度的函数，计算指标的瞬时速率，基于样本范围内的最后两个样本进行计算
irate更适合于短期范围内的变化速率分析。rate是长时间的
6、gauge：用于存储值，可增可减的指标样本数据，求和，求平均数，取最小值和最大值。也会结合两个特殊的函数：dalta额redict_linear函数一块使用
delta：计算范围向量中每个时间序列元素的第一个和最后一个指相减的差。展示不同时间点上样本的值的差值
delta(container_memory_cache{instance="node01"}[5m])
#5分钟内的差值
predict_linear：可以预测时间序列，V在T秒之后的变化趋势，对样本数据的变化趋势的预测
predict linear(node_filesystem_files{instance="master01"}[2h],4*3600)
node_filesystem_files
#文件数，选择的标签是master01 2h过去两个小时，4*3600未来四个小时
统计过去两个小时的变化，根据这两小时的变化，预测未来4小时的变化7、historgram：直方图，对一定时间范围内的数据进行采样，通常是请求持续的时长和响应大小的类型这一类，计入一个可配的桶bucket。通过区间对样本进行筛选，也可以统计求和
node_authorizer_graph_action_duration_seconds_bucket{instance="20.0.0.61:6443",le="0.0002"}
#观测桶的上边界，样本的统计区间，表示所有的样本值小于等于上边界的所有样本数量
#le="+Inf"，最大区间，包含的所有样本数量
apiserver_current_inqueue_requests{instance="192.168.233.91:6443"} >= 1
#快速的了解监控样本的分布情况8、summary：分位数计算，类似于historgram，在客户端于一段时间内（默认时间10分钟）
的每个采样点进行统计，计算并且存储了分位数的值。服务端可以直接抓取相应的值
quantile="0.5"
这里的0.5就是分位，他的范围是0<P<1
rate(node_cpu_seconds_total{ instance="node01"}[5m])
#展示的是指标node_cpu_seconds_total，指标是过去每五分钟的一个采样值，对应的标签为 instance="node01"
聚合操作符：
sum 求和
min 最小值
max 最大值
avg 平均值
stdev 标准差
stdvar 方差
count 元素个数
count_values 等于某个值的元素个数
topk 最大的元素个数
bottomk 最小的元素个数
quantile 分位数
业务中常用的语句：
#计算 master01 节点所有容器总计内存：
sum(container_memory_usage_bytes{instance=~"master01"})/1024/1024/1024
#计算 master01 节点最近 1m 所有容器 cpu 使用率：
sum (rate (container_cpu_usage_seconds_total{instance=~"master01"}[1m])) / sum (machine_cpu_cores{ instance =~"master01"}) * 100
#计算最近 1m 所有容器 cpu 使用率
sum by (id)(rate (container_cpu_usage_seconds_total{id!="/"}[1m]))
#查询 K8S 集群中最近 1m 每个 Pod 的 CPU 使用率
sum by (name)(rate (container_cpu_usage_seconds_total{image!="", name!=""}[1m]))
（1）每台主机 CPU 在最近 5 分钟内的平均使用率
(1 - avg(rate(node_cpu_seconds_total{mode="idle"}[5m])) by (instance)) * 100
（2）查询 1 分钟的 load average 的时间序列是否超过主机 CPU 数量 2 倍
node_load1 > on (instance) 2 * count (node_cpu_seconds_total{mode="idle"}) by (instance)
（3）计算主机内存使用率
可用内存空间：空闲内存、buffer、cache 指标之和
node_memory_MemFree_bytes + node_memory_Buffers_bytes + node_memory_Cached_bytes
已用内存空间：总内存空间减去可用空间
node_memory_MemTotal_bytes - (node_memory_MemFree_bytes + node_memory_Buffers_bytes + node_memory_Cached_bytes)
使用率：已用空间除以总空间
(node_memory_MemTotal_bytes - (node_memory_MemFree_bytes + node_memory_Buffers_bytes + node_memory_Cached_bytes)) / node_memory_MemTotal_bytes * 100
（4）计算所有 node 节点所有容器总计内存：
sum by (instance) (container_memory_usage_bytes{instance=~"node*"})/1024/1024/1024
（5）计算 node01 节点最近 1m 所有容器 cpu 使用率：
sum (rate(container_cpu_usage_seconds_total{instance="node01"}[1m])) / sum (machine_cpu_cores{instance="node01"}) * 100
#container_cpu_usage_seconds_total 代表容器占用CPU的时间总和
（6）计算最近 5m 每个容器 cpu 使用情况变化率
sum (rate(container_cpu_usage_seconds_total[5m])) by (container_name)
（7）查询 K8S 集群中最近 1m 每个 Pod 的 CPU 使用情况变化率
sum (rate(container_cpu_usage_seconds_total{image!="", pod_name!=""}[1m])) by (pod_name)
#由于查询到的数据都是容器相关的，所以最好按照 Pod 分组聚合
