本文描述了程序开发人员如何使用ApacheFlink内置的metrics 系统和Prometheus结合的方式,有效的观测和监控流式应用程序。这也是继我在2018年柏林Flink Forward论坛上演讲（幻灯片、视频）的后续文章。我将介绍一些Prometheus的基本概念，并解释它为什么非常适合于监控ApacheFlink的流处理作业（job）。另外，还会通过一个实例来说明如何利用Prometheus来深入了解你的应用程序，并对Flink作业的潜在问题作出告警。
为什么是Prometheus？
Prometheus是一个基于指标的监测系统，最初创建于2012年，它是完全开源的（Apache License 2），并且背后有着一个活跃的技术社区支持，它去年从云原生基金会（Cloud Native Foundation）毕业，这标志着产品的成熟、稳定和生产可用。正如我们所提到的，Prometheus系统是基于度量指标的，被设计用来衡量服务的整体健康状况、行为和性能。Prometheus具备多维的数据模型和灵活的查询语言，并且是为可靠性而设计的，可以很容易地部署在传统的或容器化的环境之中。以下是它所涉及到的一些重要概念：
• Metrics: Prometheus将metrics定义为随时间变化的信息流，这些时间序列具有毫秒级的精确度；
• Labels：是与支持Prometheus的数据模型的时间序列相关联的键值对，这与传统的度量系统可能遇到的分层数据结构不太相同；
• Scrape: Prometheus是一个基于“拉取”的系统，它从指定的数据源中主动获取（“scrapes”）度量数据，这些数据源以基于文本的格式在HTTP协议的地址上进行暴露；
• PromQL：是Prometheus的查询语言，它既可用于创建仪表盘，也可用于设置在满足特定条件时触发的告警规则；
当为你的Flink作业考虑到度量指标和监控系统的时候，其实有很多的选择。Flink提供了原生支持，通过PrometheusReporter功能向Prometheus公开数据，配置这个功能非常的简单。
Prometheus是一个很好的选择，因为通常来说，Flink作业不是独立运行的，而是在一个很大的微服务环境中运行的。为了让Prometheus能够从其他更广泛的系统中获得度量指标，这里提供两种选择：支持所有主要语言的库，以应用于其它语言开发的应用程序。此外，还有一系列各种各样的输出器，是将第三方系统公开的度量指标（如数据库或者ApacheKafka）作为Prometheus的度量指标。
Prometheus和Flink的实操
这里提供了一个Github库，演示了上面所描述的整合过程。想要查看的话，先要克隆一个库，并确保环境中安装并运行了Docker容器：
首先利用工具Gradle创建一个Flink作业，并基于Docker Compose启动一个本地的环境，Docker Compose启动一个运行在Flink作业集群（可在http://localhost:8081 上访问）中的作业和一个Prometheus实例（http://localhost:9090） 。
示例作业 Web界面中的作业曲线图和自定义的度量指标!
PrometheusExampleJob包括三个operator，一个是生成多达10000个随机数，然后是一个map会对事件进行计数，并且创建一个值传递的柱状图。最后一个，会丢弃这些事件，不做进一步的输出。下边显示了一些简单的代码，来自于第二个操作，把与业务逻辑相关的定制度量指标添加到Flink作业中，这是非常简单的事情。
上述代码从FlinkMetricsExposingMapFunction.java文件中摘录的，演示了自定义的Flink度量指标
在Flink中配置Prometheus监控
开始用Prometheus监控Flink的时候，必须要执行以下的步骤：
- 首先让PrometheusReporter的jar文件放在Flink集群的安装路径里（jar包是随Flink一起发布的）；
- 在Flink的flink-conf.yaml文件中配置报告（reporter）参数。所有的作业管理器和任务管理器都将公开已配置端口的度量指标；
- Prometheus需要知道从哪里获取到度量指标。在一个静态的场景中，只需在prometheus.yml文件中配置Prometheus，请看下面的代码：
在一些动态的场景中，我们建议使用Prometheus提供给不同平台（如Kubernetes、AWS EC2等等）的服务发现支持机制。
Prometheus现在有两个自定义的度量指标，见下图:
Prometheus web UI中的度量指标实例
Flink集群还提供了更多的技术度量指标（如检查点大小或持续时间、Kafkaoffset或资源消耗机制）。如果你感兴趣的话，可以查看所有作业管理器和两个任务管理器的Prometheus度量指标，它们分别在http://localhost:9249、http://localhost:9250和http://localhost:9251上显示。
要测试Prometheus的告警功能，通过执行如下的命令：
我们的Flink作业可以通过检查点机制快速地从局部的失败中恢复。不过，大约在一分钟之后（如果告警规则中配置过了），下图中的告警将会被触发：
Prometheus web UI的报警示例
在实际情况下，这样的告警可以通过一个名为 Alertmanager的组件进行路由，并在分类之后发送到给系统的通知里，如电子邮件、PagerDuty或Slack等。
继续使用这个设置，并查看 http://localhost:3000 （权限：admin/flink） 上的 Grafana实例，来可视化Prometheus的度量指标。如果有任何问题或建议，请随时在Github上留言。最后，不要忘记执行以下的命令以结束演示：
结论
将Prometheus和Flink 结合使用，可以为有效的监测和预警Flink作业提供一种简洁的方法。这两个技术背后都有着非常活跃的社区，并在即将发布的版本里做了完善以及添加了新的功能。我们鼓励大家一起尝试着使用这两项技术，这可以极大地促进大家对在生产中运行的Flink作业的了解。
本文由阿里云开发者社区组织翻译。
文章原标题《Flink and Prometheus: Cloud-native monitoring of streaming applications》
作者：Maximilian Bode
译者：陆离
校对：杨乾坤（欧文）
文章为简译，更为详细的内容，请查看原文
