Prometheus 监控入门指南
Prometheus 是云原生监控的事实标准。本文讲清它的拉取模型、指标格式、四种指标类型、服务发现、PromQL 与告警链路，以及它擅长和不擅长的场景。
Prometheus 是云原生时代监控系统的事实标准：开源、CNCF 毕业项目、K8s 生态原生支持。无论你是要搭建自研监控，还是理解现代可观测性体系的设计思想，Prometheus 都是必修课。
核心工作模型：拉取（Pull）
Prometheus 的工作方式是定期抓取：被监控的目标（应用、exporter）通过 HTTP 暴露一个 /metrics 端点，Prometheus 按配置周期（如 15s）去拉取。
/metrics 端点暴露的是人类可读的文本格式：
# HELP http_requests_total Total number of HTTP requests made.
# TYPE http_requests_total counter
http_requests_total{method="GET", status="200"} 1027
http_requests_total{method="POST", status="500"} 3
每条指标 = 名称 + 标签集（labels）+ 数值 + 时间戳。标签是多维度的关键——同一个 http_requests_total，按 method、status 等标签切分出不同的时间序列。
拉取 vs 推送
拉取模型的好处：Prometheus 知道目标"应该"在哪，拉不到就知道目标可能挂了（up==0）；目标侧无状态，重启不影响采集。对短命任务（批处理 Job、Serverless 函数）则通过 Pushgateway 中转——任务把指标推给网关，Prometheus 再来拉。
四种指标类型
| 类型 | 语义 | 典型用途 |
|---|---|---|
| Counter | 只增不减的计数器 | 请求总数、错误总数 |
| Gauge | 可升可降的瞬时值 | 内存占用、队列长度、温度 |
| Histogram | 分桶统计分布 | 请求延迟分布（算 P99） |
| Summary | 客户端算分位数 | 延迟分位（不能聚合，谨慎用） |
组件生态
- Exporters：给不原生支持 Prometheus 的系统做适配——Node Exporter（主机）、MySQL Exporter、Blackbox Exporter（探测）等数百种；
- 服务发现：K8s、Consul、云厂商 API……目标动态出现/消失时自动更新抓取列表，这是 Prometheus 适应容器环境的关键；
- PromQL：强大的时序查询语言，聚合、速率、分位数计算都靠它；
- Alertmanager：告警分组、去重、路由、静默——Prometheus 评估规则产生告警，Alertmanager 负责怎么送达；
- Grafana：可视化的事实标准搭档。
Prometheus 擅长什么
- 云原生基础设施监控：K8s、容器、微服务的指标采集与告警，生态无敌；
- 动态环境：服务发现让实例伸缩不需要人工维护监控配置；
- 独立可靠：单体部署、本地存储，别的系统全挂了它还能抓数据——排障时这很关键。
Prometheus 不擅长什么
- 精确计数以外的用途：它是"采样式"的，不适合财务级精确审计、逐条计费；
- 长期存储：本地 TSDB 默认保留 15 天，长期留存需要 remote write 到 Thanos/Mimir 等远端存储，架构复杂度上来了；
- 日志与链路：它只管指标，日志和 Trace 要别的系统；
- 水平扩展与高可用：原生不支持集群，需要 Thanos/Cortex/Mimir 等方案补齐。
观测云对照
如果 Prometheus 的这些短板正是你的痛点，观测云提供了另一条路：DataKit 直接兼容 Prometheus 生态——可以抓取 exporter 的指标、接收 remote write 数据，指标与日志、Trace 统一存储统一查询；存储保留期按策略配置，不用自建 Thanos；告警、仪表盘开箱即用。现有 Prometheus 资产（exporter、规则）可以平滑迁移，不需要推倒重来。
常见问题（FAQ）
Q：Prometheus 和 Zabbix 怎么选？
A：云原生/容器/K8s 场景选 Prometheus（生态碾压）；传统主机+网络设备监控、偏运维文化的团队，Zabbix 仍然顺手。两者也可以通过 exporter 共存。
Q：Prometheus 能监控 Windows 吗？
A：能，用 Windows Exporter（原 wmi_exporter）。指标丰富度不如 Node Exporter，但核心指标齐全。
Q：单机 Prometheus 能扛多大规模？
A：经验值：单机每秒百万级样本摄入是可行的，瓶颈通常在标签基数（时间序列总数）而非样本量。控制在百万级活跃序列以内，单机很稳。
