Prometheus時序數據庫-磁盤中的存儲結構
前言
之前的文章里，筆者詳細描述了監控數據在Prometheus內存中的結構。而其在磁盤中的存儲結構，也是非常有意思的,關于這部分內容，將在本篇文章進行闡述。
磁盤目錄結構
首先我們來看Prometheus運行后，所形成的文件目錄結構
在筆者自己的機器上的具體結構如下:
- prometheus-data
- |-01EY0EH5JA3ABCB0PXHAPP999D (block)
- |-01EY0EH5JA3QCQB0PXHAPP999D (block)
- |-chunks
- |-000001
- |-000002
- .....
- |-000021
- |-index
- |-meta.json
- |-tombstones
- |-wal
- |-chunks_head
Block
一個Block就是一個獨立的小型數據庫，其保存了一段時間內所有查詢所用到的信息。包括標簽/索引/符號表數據等等。Block的實質就是將一段時間里的內存數據組織成文件形式保存下來。
最近的Block一般是存儲了2小時的數據，而較為久遠的Block則會通過compactor進行合并，一個Block可能存儲了若干小時的信息。值得注意的是，合并操作只是減少了索引的大小(尤其是符號表的合并)，而本身數據(chunks)的大小并沒有任何改變。
meta.json
我們可以通過檢查meta.json來得到當前Block的一些元信息。
- {
- "ulid":"01EY0EH5JA3QCQB0PXHAPP999D"
- // maxTime-minTime = 7200s => 2 h
- "minTime": 1611664000000
- "maxTime": 1611671200000
- "stats": {
- "numSamples": 1505855631,
- "numSeries": 12063563,
- "numChunks": 12063563
- }
- "compaction":{
- "level" : 1
- "sources: [
- "01EY0EH5JA3QCQB0PXHAPP999D"
- ]
- }
- "version":1
- }
其中的元信息非常清楚明了。這個Block記錄了2個小時的數據。
讓我們再找一個比較陳舊的Block看下它的meta.json.
- "ulid":"01EXTEH5JA3QCQB0PXHAPP999D",
- // maxTime - maxTime =>162h
- "minTime":1610964800000,
- "maxTime":1611548000000
- ......
- "compaction":{
- "level": 5,
- "sources: [
- 31個01EX......
- ]
- },
- "parents: [
- {
- "ulid": 01EXTEH5JA3QCQB1PXHAPP999D
- ...
- }
- {
- "ulid": 01EXTEH6JA3QCQB1PXHAPP999D
- ...
- }
- {
- "ulid": 01EXTEH5JA31CQB1PXHAPP999D
- ...
- }
- ]
從中我們可以看到，該Block是由31個原始Block經歷5次壓縮而來。最后一次壓縮的三個Block ulid記錄在parents中。如下圖所示:
Chunks結構
CUT文件切分
所有的Chunk文件在磁盤上都不會大于512M,對應的源碼為:
- func (w *Writer) WriteChunks(chks ...Meta) error {
- ......
- for i, chk := range chks {
- cutNewBatch := (i != 0) && (batchSize+SegmentHeaderSize > w.segmentSize)
- ......
- if cutNewBatch {
- ......
- }
- ......
- }
- }
當寫入磁盤單個文件超過512M的時候，就會自動切分一個新的文件。
一個Chunks文件包含了非常多的內存Chunk結構,如下圖所示:
圖中也標出了，我們是怎么尋找對應Chunk的。通過將文件名(000001，前32位)以及(offset,后32位)編碼到一個int類型的refId中，使得我們可以輕松的通過這個id獲取到對應的chunk數據。
chunks文件通過mmap去訪問
由于chunks文件大小基本固定(最大512M),所以我們很容易的可以通過mmap去訪問對應的數據。直接將對應文件的讀操作交給操作系統，既省心又省力。對應代碼為:
- func NewDirReader(dir string, pool chunkenc.Pool) (*Reader, error) {
- ......
- for _, fn := range files {
- f, err := fileutil.OpenMmapFile(fn)
- ......
- }
- ......
- bs = append(bs, realByteSlice(f.Bytes()))
- }
- 通過sgmBytes := s.bs[offset]就直接能獲取對應的數據
index索引結構
前面介紹完chunk文件，我們就可以開始闡述最復雜的索引結構了。
尋址過程
索引就是為了讓我們快速的找到想要的內容，為了便于理解。筆者就通過一次數據的尋址來探究Prometheus的磁盤索引結構?？紤]查詢一個
- 擁有系列三個標簽
- ({__name__:http_requests}{job:api-server}{instance:0})
- 且時間為start/end的所有序列數據
我們先從選擇Block開始,遍歷所有Block的meta.json，找到具體的Block
前文說了，通過Labels找數據是通過倒排索引。我們的倒排索引是保存在index文件里面的。那么怎么在這個單一文件里找到倒排索引的位置呢?這就引入了TOC(Table Of Content)
TOC(Table Of Content)
由于index文件一旦形成之后就不再會改變，所以Prometheus也依舊使用mmap來進行操作。采用mmap讀取TOC非常容易:
- func NewTOCFromByteSlice(bs ByteSlice) (*TOC, error) {
- ......
- // indexTOCLen = 6*8+4 = 52
- b := bs.Range(bs.Len()-indexTOCLen, bs.Len())
- ......
- return &TOC{
- Symbols: d.Be64(),
- Series: d.Be64(),
- LabelIndices: d.Be64(),
- LabelIndicesTable: d.Be64(),
- Postings: d.Be64(),
- PostingsTable: d.Be64(),
- }, nil
- }
Posting offset table 以及 Posting倒排索引
首先我們訪問的是Posting offset table。由于倒排索引按照不同的LabelPair(key/value)會有非常多的條目。所以Posing offset table就是決定到底訪問哪一條Posting索引。offset就是指的這一Posting條目在文件中的偏移。
Series
我們通過三條Postings倒排索引索引取交集得出
- {series1,Series2,Series3,Series4}
- ∩
- {series1,Series2,Series3}
- ∩
- {Series2,Series3}
- =
- {Series2,Series3}
也就是要讀取Series2和Serie3中的數據，而Posting中的Ref(Series2)和Ref(Series3)即為這兩Series在index文件中的偏移。
Series以Delta的形式記錄了chunkId以及該chunk包含的時間范圍。這樣就可以很容易過濾出我們需要的chunk,然后再按照chunk文件的訪問，即可找到最終的原始數據。
SymbolTable
值得注意的是，為了盡量減少我們文件的大小，對于Label的Name和Value這些有限的數據，我們會按照字母序存在符號表中。由于是有序的，所以我們可以直接將符號表認為是一個
[]string切片。然后通過切片的下標去獲取對應的sting?？紤]如下符號表:
讀取index文件時候，會將SymbolTable全部加載到內存中，并組織成symbols []string這樣的切片形式，這樣一個Series中的所有標簽值即可通過切片下標訪問得到。
Label Index以及Label Table
事實上，前面的介紹已經將一個普通數據尋址的過程全部講完了。但是index文件中還包含label索引以及label Table，這兩個是用來記錄一個Label下面所有可能的值而存在的。
這樣，在正則的時候就可以非常容易的找到我們需要哪些LabelPair。詳情可以見前篇。
事實上，真正的Label Index比圖中要復雜一點。它設計成一條LabelIndex可以表示(多個標簽組合)的所有數據。不過在Prometheus代碼中只會采用存儲一個標簽對應所有值的形式。
完整的index文件結構
這里直接給出完整的index文件結構，摘自Prometheus中index.md文檔。
- ┌────────────────────────────┬─────────────────────┐
- │ magic(0xBAAAD700) <4b> │ version(1) <1 byte> │
- ├────────────────────────────┴─────────────────────┤
- │ ┌──────────────────────────────────────────────┐ │
- │ │ Symbol Table │ │
- │ ├──────────────────────────────────────────────┤ │
- │ │ Series │ │
- │ ├──────────────────────────────────────────────┤ │
- │ │ Label Index 1 │ │
- │ ├──────────────────────────────────────────────┤ │
- │ │ ... │ │
- │ ├──────────────────────────────────────────────┤ │
- │ │ Label Index N │ │
- │ ├──────────────────────────────────────────────┤ │
- │ │ Postings 1 │ │
- │ ├──────────────────────────────────────────────┤ │
- │ │ ... │ │
- │ ├──────────────────────────────────────────────┤ │
- │ │ Postings N │ │
- │ ├──────────────────────────────────────────────┤ │
- │ │ Label Index Table │ │
- │ ├──────────────────────────────────────────────┤ │
- │ │ Postings Table │ │
- │ ├──────────────────────────────────────────────┤ │
- │ │ TOC │ │
- │ └──────────────────────────────────────────────┘ │
- └──────────────────────────────────────────────────┘
tombstones
由于Prometheus Block的數據一般在寫完后就不會變動。如果要刪除部分數據，就只能記錄一下刪除數據的范圍，由下一次compactor組成新block的時候刪除。而記錄這些信息的文件即是tomstones。
總結
Prometheus作為時序數據庫，設計了各種文件結構來保存海量的監控數據，同時還兼顧了性能。只有徹底了解其存儲結構，才能更好的指導我們應用它!
本文轉載自微信公眾號「解Bug之路」，可以通過以下二維碼關注。轉載本文請聯系解Bug之路公眾號。
