Prometheus 作为云原生时代的时序数据库， 是当下最流行的监控平台之一，尽管其整体架构一直没怎么变，但其底层的存储引擎却演进了几个版本，感兴趣的读者可参考 Prometheus 存储层的演进(https://tech.ipalfish.com/blog/2020/03/31/the-evolution-of-prometheus-storage-layer/)。本文主要介绍 Prometheus V2（即现在使用的）版本的存储格式细节，以及查询是如何定位到符合条件的数据，旨在通过本文的分析，对 Prometheus 的存储引擎有更深入了解。

说明：本文并不会涉及到查询的解析与函数求值过程。代码分析基于 v2.25.2 版本。

背景知识

时序特点

时序数据的特点可以用一话概括：垂直写（最新数据），水平查。

对于云原生场景来说，另一个特点是数据生命周期短，一次容器的扩缩容会导致时间线膨胀一倍。了解这两个特点后，来看看 Prometheus 是如何存储数据来迎合上述模式：

├── 01BKGV7JC0RY8A6MACW02A2PJD  // block 的 ULID│   ├── chunks│   │   └── 000001│   ├── tombstones│   ├── index│   └── meta.json├── chunks_head│   └── 000001└── wal    ├── 000000002    └── checkpoint.00000001        └── 00000000

可以看到，数据目录主要有以下几部分：

• block，一个时间段内（默认 2 小时）的所有数据，只读，用 ULID 命名。每一个 block 内主要包括：

• chunks 固定大小（最大 128M）的 chunks 文件

• index 索引文件，主要包含倒排索引的信息

• meta.json 元信息，主要包括 block 的 minTime/maxTime，方便查询时过滤

• chunks_head，当前在写入的 block 对应的 chunks 文件，只读，最多 120 个数据点，时间跨度最大 2 小时。

• wal，Prometheus 采用攒批的方式来异步刷盘，因此需要 WAL 来保证数据可靠性

通过上面的目录结构，不难看出 Prometheus 的设计思路：

• 通过数据按时间分片的方式来解决数据生命周期短的问题

• 通过内存攒批的方式来对应只写最新数据的场景

数据模式

Prometheus 支持的模式比较简单，只支持单值模式，如下：

cpu_usage{core="1", ip="130.25.175.171"} 14.04 1618137750metric     labels                        value timesample

倒排索引

索引是支持多维搜索的主要手段，时序中的索引结构和搜索引擎的类似，是个倒排索引，可参考下图

在一次查询中，会对涉及到的 label 分别求对应的 postings lists（即时间线集合），然后根据 filter 类型进行集合运算，最后根据运算结果得出的时间线，去查相应数据即可。

磁盘存储格式

数据格式

┌──────────────────────────────┐│  magic(0x0130BC91) <4 byte>  │├──────────────────────────────┤│    version(1) <1 byte>       │├──────────────────────────────┤│    padding(0) <3 byte>       │├──────────────────────────────┤│ ┌──────────────────────────┐ ││ │         Chunk 1          │ ││ ├──────────────────────────┤ ││ │          ...             │ ││ ├──────────────────────────┤ ││ │         Chunk N          │ ││ └──────────────────────────┘ │└──────────────────────────────┘
# 单个 chunk 内的结构┌─────────────────────┬───────────────────────┬───────────────────────┬───────────────────┬───────────────┬──────────────┬────────────────┐| series ref <8 byte> | mint <8 byte, uint64> | maxt <8 byte, uint64> | encoding <1 byte> | len <uvarint> | data <bytes> │ CRC32 <4 byte> │└─────────────────────┴───────────────────────┴───────────────────────┴───────────────────┴───────────────┴──────────────┴────────────────┘

chunk 为数据在磁盘中的最小组织单元，需要明确以下两点：

1. 单个 chunk 的时间跨度默认是 2 小时，Prometheus 后台会有合并操作，把时间相邻的 block 合到一起

2. series ref 为时间线的唯一标示，由 8 个字节组成，前 4 个表示文件 id，后 4 个表示在文件内的 offset，需配合后文的索引结构来实现数据的定位

索引格式

┌────────────────────────────┬─────────────────────┐│ magic(0xBAAAD700) <4b>     │ version(1) <1 byte> │├────────────────────────────┴─────────────────────┤│ ┌──────────────────────────────────────────────┐ ││ │                 Symbol Table                 │ ││ ├──────────────────────────────────────────────┤ ││ │                    Series                    │ ││ ├──────────────────────────────────────────────┤ ││ │                 Label Index 1                │ ││ ├──────────────────────────────────────────────┤ ││ │                      ...                     │ ││ ├──────────────────────────────────────────────┤ ││ │                 Label Index N                │ ││ ├──────────────────────────────────────────────┤ ││ │                   Postings 1                 │ ││ ├──────────────────────────────────────────────┤ ││ │                      ...                     │ ││ ├──────────────────────────────────────────────┤ ││ │                   Postings N                 │ ││ ├──────────────────────────────────────────────┤ ││ │               Label Offset Table             │ ││ ├──────────────────────────────────────────────┤ ││ │             Postings Offset Table            │ ││ ├──────────────────────────────────────────────┤ ││ │                      TOC                     │ ││ └──────────────────────────────────────────────┘ │└──────────────────────────────────────────────────┘

在一个索引文件中，最主要的是以下几部分（从下往上）：

1. TOC 存储的是其他部分的 offset

2. Postings Offset Table，用来存储倒排索引，Key 为 label name/value 序对，Value 为 Postings 在文件中的 offset。

3. Postings N，存储的是具体的时间线序列

4. Series，存储的是当前时间线，对应的 chunk 文件信息

5. Label Offset Table 与 Label Index 目前在查询时没有使用到，这里不再讲述

每个部分的具体编码格式，可参考官方文档 Index Disk Format，这里重点讲述一次查询是如何找到符合条件的数据的：

• 首先在 Posting Offset Table 中，找到对应 label 的 Postings 位置

• 然后再根据 Postings 中的 series 信息，找到对应的 chunk 位置，即上文中的 series ref。

使用方式

Prometheus 在启动时，会去加载数据元信息到内存中。主要有下面两部分：

• block 的元信息，最主要的是 mint/maxt，用来确定一次查询是否需要查看当前 block 文件，之后把 chunks 文件以 mmap 方式打开

• // open all blocksbDirs, err := blockDirs(dir)for _, bDir := range bDirs {    meta, _, err := readMetaFile(bDir)    // See if we already have the block in memory or open it otherwise.    block, open := getBlock(loaded, meta.ULID)    if !open {        block, err = OpenBlock(l, bDir, chunkPool)        if err != nil {            corrupted[meta.ULID] = err            continue        }    }    blocks = append(blocks, block)}// open chunk filesfor _, fn := range files {    f, err := fileutil.OpenMmapFile(fn)    if err != nil {        return nil, tsdb_errors.NewMulti(            errors.Wrap(err, "mmap files"),            tsdb_errors.CloseAll(cs),        ).Err()    }    cs = append(cs, f)    bs = append(bs, realByteSlice(f.Bytes()))}

• block 对应的索引信息，主要是倒排索引。由于单个 label 对应的 Postings 可能会非常大，Prometheus 不是全量加载，而是每隔 32 个加载，来减轻内存压力。并且保证第一个与最后一个一定被加载，查询时采用类似跳表的方式进行 posting 定位。
  下面代码为 DB 启动时，读入 postings 的逻辑：

• // For the postings offset table we keep every label name but only every nth// label value (plus the first and last one), to save memory.ReadOffsetTable(r.b, r.toc.PostingsTable, func(key []string, _ uint64, off int) error {    if _, ok := r.postings[key[0]]; !ok {        // Next label name.        r.postings[key[0]] = []postingOffset{}        if lastKey != nil {            // Always include last value for each label name.            r.postings[lastKey[0]] = append(r.postings[lastKey[0]], postingOffset{value: lastKey[1], off: lastOff})        }        lastKey = nil        valueCount = 0    }    if valueCount%32 == 0 {        r.postings[key[0]] = append(r.postings[key[0]], postingOffset{value: key[1], off: off})        lastKey = nil    } else {        lastKey = key        lastOff = off    }    valueCount++}if lastKey != nil {    r.postings[lastKey[0]] = append(r.postings[lastKey[0]], postingOffset{value: lastKey[1], off: lastOff})}

下面代码为根据 label 查询 postings 的逻辑，完整可见 index 的 Postings 方法：

e, ok := r.postings[name] // name 为 label keyif !ok || len(values) == 0 { // values 为当前需要查询的 label values    return EmptyPostings(), nil}res := make([]Postings, 0, len(values))skip := 0valueIndex := 0for valueIndex < len(values) && values[valueIndex] < e[0].value {    // Discard values before the start.    valueIndex++}for valueIndex < len(values) {    value := values[valueIndex]    // 用二分查找，找到当前 value 在 postings 中的位置    i := sort.Search(len(e), func(i int) bool { return e[i].value >= value })    if i == len(e) {        // We're past the end.        break    }    if i > 0 && e[i].value != value {  // postings 中没有该 value，需要用前面一个来在文件中搜索        // Need to look from previous entry.        i--    }    // Don't Crc32 the entire postings offset table, this is very slow    // so hope any issues were caught at startup.    d := encoding.NewDecbufAt(r.b, int(r.toc.PostingsTable), nil)    d.Skip(e[i].off)    // Iterate on the offset table.    var postingsOff uint64 // The offset into the postings table.    for d.Err() == nil {        // ... skip 逻辑省略        v := d.UvarintBytes()       // Label value.        postingsOff = d.Uvarint64() // Offset.        for string(v) >= value {            if string(v) == value {                // Read from the postings table.                d2 := encoding.NewDecbufAt(r.b, int(postingsOff), castagnoliTable)                _, p, err := r.dec.Postings(d2.Get())                res = append(res, p)            }            valueIndex++            if valueIndex == len(values) {                break            }            value = values[valueIndex]        }        if i+1 == len(e) || value >= e[i+1].value || valueIndex == len(values) {            // Need to go to a later postings offset entry, if there is one.            break        }    }}

内存结构

Block 在 Prometheus 实现中，主要分为两类：

• 当前正在写入的，称为 head。当超过 2 小时或超过 120 个点时，head 会将 chunk 写入到本地磁盘中，并使用 mmap 映射到内存中，保存在下文的 mmappedChunk 中。

• 历史只读的，存放在一数组中

type DB struct {    blocks []*Block    head *Head    // ... 忽略其他字段}// Block 内的主要字段是 IndexReader，其内部主要是 postings，即倒排索引// Map of LabelName to a list of some LabelValues's position in the offset table.// The first and last values for each name are always present.postings map[string][]postingOffsettype postingOffset struct {    value string // label value    off   int    // posting 在对于文件中的 offset}

在上文磁盘结构中介绍过，postingOffset 不是全量加载，而是每隔 32 个。

Head

type Head struct {    postings *index.MemPostings // Postings lists for terms.    // All series addressable by their ID or hash.    series *stripeSeries    // ... 忽略其他字段}type MemPostings struct {    mtx     sync.RWMutex    m       map[string]map[string][]uint64  // label key -> label value -> posting lists    ordered bool}

• MemPostings 是 Head 中的索引结构，与 Block 的 postingOffset 不同，posting 是全量加载的，毕竟 Head 保存的数据较小，对内存压力也小。

type stripeSeries struct {    size                    int    series                  []map[uint64]*memSeries    hashes                  []seriesHashmap    locks                   []stripeLock    seriesLifecycleCallback SeriesLifecycleCallback}type memSeries struct {    sync.RWMutex    mmappedChunks []*mmappedChunk // 只读    headChunk     *memChunk // 读写    ...... // 省略其他字段    }type mmappedChunk struct {    // 数据文件在磁盘上的位置，即上文中的 series ref    ref              uint64    numSamples       uint16    minTime, maxTime int64}

• stripeSeries 是比较的核心结构，series 字段的 key 为时间线，采用自增方式生成；value 为 memSeries，内部有存储具体数据的 chunk，采用分段锁思路来减少锁竞争。

使用方式

对于一个查询，大概涉及的步骤：

1. 根据 label 查出所涉及到的时间线，然后根据 filter 类型，进行集合运算，找出符合要求的时间线

2. 根据时间线信息与时间范围信息，去 block 内查询符合条件的数据

在第一步主要在 PostingsForMatchers 函数中完成，主要有下面几个优化点：

• 对于取反的 filter（ != !~ ），转化为等于的形式，这样因为等于形式对应的时间线往往会少于取反的效果，最后在合并时，减去这些取反的时间线即可。可参考：Be smarter in how we look at matchers. #572

• 不同 label 的时间线合并时，利用了时间线有序的特点，采用类似 mergesort 的方式来惰性合并，大致过程如下：

• type intersectPostings struct {    arr []Postings // 需要合并的时间线数组    cur uint64 // 当前的时间线}func (it *intersectPostings) doNext() bool {Loop:    for {        for _, p := range it.arr {            if !p.Seek(it.cur) {                return false            }            if p.At() > it.cur {                it.cur = p.At()                continue Loop            }        }        return true    }}func (it *intersectPostings) Next() bool {    for _, p := range it.arr {        if !p.Next() {            return false        }        if p.At() > it.cur {            it.cur = p.At()        }    }    return it.doNext()}

在第一步查出符合条件的 chunk 所在文件以及 offset 信息之后，第二步的取数据则相对简单，直接使用 mmap 读数据即可，这间接利用操作系统的 page cache 来做缓存，自身不需要再去实现 Buffer Pool 之类的数据结构。

总结

通过上文的分析，大体上把 Prometheus 的存储结构以及查询流程分析了一遍，还有些细节没再展开去介绍，比如为了节约内存使用，label 使用了字典压缩，但这并不妨碍读者理解其原理。

此外，Prometheus 默认 2 小时一个 Block 对大时间范围查询不友好，因此其后台会对定期 chunk 文件进行 compaction，合并后的文件大小为 min(31d, retention_time * 0.1) ，相关细节后面有机会再单独介绍吧。

参考

• Prometheus时序数据库-数据的查询 https://my.oschina.net/alchemystar/blog/4985328

• Prometheus时序数据库-磁盘中的存储结构 https://my.oschina.net/alchemystar/blog/4965684

• Prometheus TSDB (Part 1): The Head Block https://ganeshvernekar.com/blog/prometheus-tsdb-the-head-block/

• Prometheus TSDB (Part 4): Persistent Block and its Index https://ganeshvernekar.com/blog/prometheus-tsdb-persistent-block-and-its-index/

• Prometheus TSDB (Part 5): Queries https://ganeshvernekar.com/blog/prometheus-tsdb-queries/

• Prometheus: The Unicorn in Metrics https://www.alibabacloud.com/blog/prometheus-the-unicorn-in-metrics_595168

• Writing a Time Series Database from Scratch https://fabxc.org/tsdb/

• https://github.com/prometheus/prometheus/blob/main/tsdb/docs/format/index.md

来源：https://liujiacai.net/blog/2021/04/11/prometheus-storage-engine/

快速加 K8s学习交流群，与大佬共卷！

扫码加我微信，进群和大佬们零距离