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記錄了從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。考慮查詢一個

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。考慮如下符號表:

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！

歡迎大家關注我公眾號，里面有各種干貨，還有大禮包相送哦!