大数据管理与监控：Prometheus：Prometheus监控指标设计

大数据管理与监控：Prometheus：Prometheus监控指标设计1Prometheus简介1.1Prometheus的历史与发展Prometheus是一个开源的系统监控和警报工具包，最初由SoundCloud开发，后来成为CloudNativeComputingFoundation（CNCF）的旗舰项目之一。Prometheus的设计灵感来源于Google的BorgMon监控系统，旨在提供一个高效、灵活且易于部署的解决方案，以满足现代云原生环境下的监控需求。自2012年发布以来，Prometheus迅速获得了社区的广泛认可，其设计哲学和功能特性使其成为微服务架构和容器化环境监控的首选工具。1.2Prometheus的核心功能Prometheus的核心功能包括：数据采集：Prometheus通过HTTP协议从目标系统拉取指标数据，这些目标可以是服务器、应用程序或其他任何可以提供指标的系统。时间序列数据库：Prometheus内置了一个时间序列数据库，用于存储采集到的指标数据。数据以时间序列的形式存储，每个时间序列由一个指标名称和一组标签组成，这使得数据查询和聚合变得非常灵活。查询语言：PromQL（PrometheusQueryLanguage）是一种强大的查询语言，用于从Prometheus数据库中检索和操作数据。PromQL支持丰富的函数和操作符，可以进行时间序列数据的过滤、聚合和计算。警报管理：Prometheus可以基于预定义的规则和条件生成警报，并通过Alertmanager组件进行警报的处理和通知。可视化与仪表板：虽然Prometheus本身不提供可视化功能，但它可以与Grafana等工具集成，以创建丰富的仪表板和可视化图表，帮助用户更好地理解和分析监控数据。1.2.1示例：Prometheus数据采集与PromQL查询假设我们有一个简单的Web服务，它暴露了两个Prometheus指标：http_requests_total和http_response_time_seconds。下面是如何在Prometheus中配置目标并使用PromQL进行查询的示例。配置Prometheus目标在prometheus.yml配置文件中，添加以下内容以配置目标：scrape_configs:

-job_name:'web_service'

static_configs:

-targets:['localhost:8080']这将告诉Prometheus从本地主机的8080端口拉取指标数据。使用PromQL查询数据打开Prometheus的查询界面，输入以下PromQL查询：http_requests_total{method="GET",path="/api/v1/users"}这将返回所有GET请求到/api/v1/users路径的HTTP请求总数。1.3Prometheus在大数据环境中的作用在大数据环境中，Prometheus扮演着至关重要的角色，主要体现在以下几个方面：性能监控：Prometheus可以监控大数据平台中各个组件的性能指标，如Hadoop、Spark、Kafka等，确保它们在高负载下仍能稳定运行。资源管理：通过监控CPU、内存、磁盘和网络等资源的使用情况，Prometheus帮助大数据管理员优化资源分配，避免资源瓶颈。故障检测与恢复：Prometheus的警报功能可以及时检测到系统故障，并通过自动化流程或人工干预进行快速恢复，减少服务中断时间。容量规划：长期监控数据可以帮助预测未来资源需求，进行有效的容量规划，确保大数据平台能够应对不断增长的数据量和用户需求。1.3.1示例：监控Hadoop集群的指标在Hadoop集群中，可以配置Prometheus来监控NameNode和DataNode的健康状态。以下是一个Prometheus配置文件的示例，用于监控HadoopNameNode：scrape_configs:

-job_name:'hadoop_namenode'

static_configs:

-targets:['namenode1:50075','namenode2:50075']

metrics_path:'/ws/v1/cluster/metrics'

relabel_configs:

-source_labels:[__address__]

target_label:'instance'

replacement:'${1}'这将从HadoopNameNode的50075端口拉取集群指标数据，并将每个NameNode的地址作为instance标签的一部分存储。通过Prometheus，大数据环境下的监控变得更加精细化和自动化，为系统稳定性和性能优化提供了坚实的基础。2监控指标基础2.1Prometheus指标类型：Counter2.1.1原理计数器（Counter）是一种只能增加或重置为零的指标类型。它用于追踪累积量，如请求总数、错误次数等。计数器的值一旦增加，就不会减少，这有助于避免数据的不一致性。2.1.2内容计数器通常用于监控系统中不可逆的事件，例如HTTP请求的数量、日志消息的数量等。在Prometheus中，计数器的增加是通过inc方法实现的，而重置则需要重启服务。示例代码packagemain

import(

"net/http"

"/prometheus/client_golang/prometheus"

"/prometheus/client_golang/prometheus/promhttp"

)

varrequestCounter=prometheus.NewCounter(prometheus.CounterOpts{

Name:"http_requests_total",

Help:"TotalnumberofHTTPrequests.",

})

funcinit(){

prometheus.MustRegister(requestCounter)

}

funcmain(){

http.HandleFunc("/",func(whttp.ResponseWriter,r*http.Request){

requestCounter.Inc()//每次请求增加计数器

w.Write([]byte("Hello,World!"))

})

http.Handle("/metrics",promhttp.Handler())

http.ListenAndServe(":8080",nil)

}在上述代码中，我们定义了一个名为http_requests_total的计数器，用于追踪HTTP请求的总数。每当有新的请求到达时，我们调用Inc方法来增加计数器的值。2.2Prometheus指标类型：Gauge2.2.1原理仪表盘（Gauge）可以表示任意数值，它可以增加也可以减少。这种指标类型非常适合用于监控内存使用、磁盘空间、CPU使用率等可以随时变化的指标。2.2.2内容仪表盘的值可以随时更新，这使得它能够反映当前的系统状态。在Prometheus中，仪表盘的更新是通过Set方法实现的。示例代码packagemain

import(

"/prometheus/client_golang/prometheus"

"/prometheus/client_golang/prometheus/promhttp"

"net/http"

"time"

)

varmemoryGauge=prometheus.NewGauge(prometheus.GaugeOpts{

Name:"memory_used_bytes",

Help:"Memoryusedinbytes.",

})

funcinit(){

prometheus.MustRegister(memoryGauge)

}

funcmain(){

gofunc(){

for{

memoryGauge.Set(1024*1024*512)//设置内存使用量为512MB

time.Sleep(1*time.Second)

}

}()

http.Handle("/metrics",promhttp.Handler())

http.ListenAndServe(":8080",nil)

}在这个例子中，我们定义了一个名为memory_used_bytes的仪表盘，用于监控内存使用量。我们使用Set方法来更新仪表盘的值，模拟内存使用量的变化。2.3Prometheus指标类型：Histogram2.3.1原理直方图（Histogram）用于追踪值的分布情况，它能够提供多个统计信息，如平均值、中位数、百分位数等。直方图通过记录值落入不同区间（bucket）的次数来实现。2.3.2内容直方图特别适合用于监控请求处理时间、响应大小等需要了解分布情况的指标。在Prometheus中，直方图的更新是通过Observe方法实现的。示例代码packagemain

import(

"/prometheus/client_golang/prometheus"

"/prometheus/client_golang/prometheus/promhttp"

"net/http"

"time"

)

varrequestDuration=prometheus.NewHistogram(prometheus.HistogramOpts{

Name:"request_duration_seconds",

Help:"DurationofHTTPrequestsinseconds.",

Buckets:prometheus.LinearBuckets(0.001,0.005,60),

})

funcinit(){

prometheus.MustRegister(requestDuration)

}

funcmain(){

http.HandleFunc("/",func(whttp.ResponseWriter,r*http.Request){

start:=time.Now()

time.Sleep(100*time.Millisecond)//模拟请求处理时间

duration:=time.Since(start).Seconds()

requestDuration.Observe(duration)//观察请求处理时间

w.Write([]byte("Hello,World!"))

})

http.Handle("/metrics",promhttp.Handler())

http.ListenAndServe(":8080",nil)

}在这个例子中，我们定义了一个名为request_duration_seconds的直方图，用于监控HTTP请求的处理时间。我们使用Observe方法来记录每个请求的处理时间，然后Prometheus会自动计算出平均值、中位数等统计信息。2.4Prometheus指标类型：Summary2.4.1原理摘要（Summary）与直方图类似，用于追踪值的分布情况，但它只提供平均值和样本数量。摘要的更新也是通过Observe方法实现的。2.4.2内容摘要通常用于不需要详细分布信息的场景，如平均响应时间、平均请求大小等。摘要的计算开销比直方图小，因此在数据量非常大的情况下，摘要可能是一个更好的选择。示例代码packagemain

import(

"/prometheus/client_golang/prometheus"

"/prometheus/client_golang/prometheus/promhttp"

"net/http"

"time"

)

varresponseSizeSummary=prometheus.NewSummary(prometheus.SummaryOpts{

Name:"response_size_bytes",

Help:"SizeofHTTPresponsesinbytes.",

})

funcinit(){

prometheus.MustRegister(responseSizeSummary)

}

funcmain(){

http.HandleFunc("/",func(whttp.ResponseWriter,r*http.Request){

responseSizeSummary.Observe(1024)//观察响应大小，假设为1KB

w.Write([]byte("Hello,World!"))

})

http.Handle("/metrics",promhttp.Handler())

http.ListenAndServe(":8080",nil)

}在这个例子中，我们定义了一个名为response_size_bytes的摘要，用于监控HTTP响应的大小。我们使用Observe方法来记录每个响应的大小，Prometheus会自动计算出平均响应大小和样本数量。通过以上四种指标类型的介绍和示例代码，我们可以看到Prometheus提供了丰富的指标类型来满足不同的监控需求。在实际应用中，根据监控指标的特性选择合适的类型是非常重要的。3指标设计原则3.1选择正确的指标类型Prometheus支持四种主要的指标类型：Counter（计数器）、Gauge（仪表盘）、Histogram（直方图）和Summary（摘要）。每种类型都有其特定的用途和最佳实践。计数器（Counter）：用于度量只增不减的值，如请求总数、错误数等。一旦增加，其值不会减少，即使在重置后，也应从0开始递增。//定义一个计数器，用于记录HTTP请求总数

HTTPRequestsTotal=prometheus.NewCounterVec(

prometheus.CounterOpts{

Name:"http_requests_total",

Help:"TotalnumberofHTTPrequests.",

},

[]string{"method","endpoint"},

)仪表盘（Gauge）：用于度量可以随时变化的值，如当前在线用户数、系统内存使用量等。//定义一个仪表盘，用于记录当前在线用户数

CurrentUsers=prometheus.NewGauge(prometheus.GaugeOpts{

Name:"current_users",

Help:"Numberofcurrentusersonline.",

})直方图（Histogram）：用于度量值的分布情况，如请求处理时间。它会将值分桶，提供不同范围的计数。//定义一个直方图，用于记录请求处理时间

RequestDuration=prometheus.NewHistogram(prometheus.HistogramOpts{

Name:"request_duration_seconds",

Help:"DurationofHTTPrequestsinseconds.",

Buckets:prometheus.LinearBuckets(0.05,0.05,20),

})摘要（Summary）：与直方图类似，用于度量值的分布，但摘要提供了更精确的百分位数估计，代价是更高的内存使用。//定义一个摘要，用于记录请求处理时间

RequestDurationSummary=prometheus.NewSummary(prometheus.SummaryOpts{

Name:"request_duration_summary_seconds",

Help:"SummaryofHTTPrequestdurationsinseconds.",

})3.2定义清晰的指标名称指标名称应清晰、具体，遵循一定的命名规范。通常，名称应以小写字母开始，使用下划线分隔单词，避免使用空格或特殊字符。名称应描述指标度量的内容，如http_requests_total表示总的HTTP请求数。3.3使用标签进行指标细分标签允许您对指标进行多维度的细分，如按服务、环境、版本等。这有助于更精细地监控和分析数据。//使用标签记录不同服务的请求总数

ServiceRequestsTotal=prometheus.NewCounterVec(

prometheus.CounterOpts{

Name:"service_requests_total",

Help:"Totalnumberofrequestsbyservice.",

},

[]string{"service","environment"},

)例如，记录web服务在production环境的请求总数：ServiceRequestsTotal.WithLabelValues("web","production").Inc()3.4避免指标过多过多的指标会增加监控系统的复杂性和资源消耗。应尽量减少指标数量，只监控关键的、有实际价值的指标。可以通过标签来替代创建多个相似但略有不同的指标。3.5监控指标的更新频率指标的更新频率应根据其重要性和变化频率来确定。对于关键指标，如系统健康状态，应设置较高的更新频率；而对于变化较慢的指标，如日活跃用户数，可以设置较低的更新频率，以减少监控系统的负载。例如，设置一个每分钟更新一次的指标：//每分钟更新一次的指标

ticker:=time.NewTicker(time.Minute)

gofunc(){

forrangeticker.C{

//更新指标

CurrentUsers.Set(100)//假设当前有100个在线用户

}

}()以上原则和示例将帮助您在Prometheus中设计和实现有效的监控指标，确保监控系统的高效和准确。4大数据管理与监控：Prometheus规则与警报4.1Prometheus规则文件结构Prometheus规则文件是使用YAML格式定义的，它们被组织在rules目录下。每个规则文件可以包含多个规则组，每个组定义了一组相关的规则。规则文件的基本结构如下：groups:

-name:<规则组名称>

rules:

-alert:<警报名称>

expr:<Prometheus表达式>

for:<持续时间>

labels:

severity:<严重性级别>

annotations:

summary:"<警报摘要>"

description:"<警报详细描述>"4.1.1示例假设我们有一个应用，需要监控其CPU使用率，当CPU使用率超过80%且持续5分钟时，触发警报。规则文件可能如下所示：groups:

-name:ApplicationCPUUsage

rules:

-alert:HighCPUUsage

expr:node_cpu_usage{job="node"}>0.8

for:5m

labels:

severity:critical

annotations:

summary:"CPU使用率过高"

description:"节点CPU使用率超过80%，持续时间超过5分钟。"4.2创建监控规则创建监控规则涉及定义规则组和规则。规则组通常基于监控的系统或服务进行分类，而规则则具体描述了警报的触发条件。4.2.1步骤创建规则文件：在Prometheus配置的rules目录下创建一个YAML文件。定义规则组：在文件中使用groups关键字定义一个或多个规则组。添加规则：在每个规则组中，使用rules关键字添加具体的警报规则。配置表达式：使用Prometheus的查询语言定义警报触发的条件。设置持续时间：定义警报触发前需要持续满足条件的时间。配置标签和注释：为警报添加标签和注释，以便于识别和描述。4.3设置警报规则警报规则是Prometheus规则文件的核心，它们定义了何时触发警报。规则中的expr字段使用Prometheus查询语言来表达警报的触发条件。4.3.1示例假设我们想要监控一个数据库的连接数，当连接数超过100时，触发警报。规则可能如下所示：groups:

-name:DatabaseConnections

rules:

-alert:TooManyDBConnections

expr:db_connections{job="database"}>100

for:1m

labels:

severity:warning

annotations:

summary:"数据库连接数过多"

description:"数据库连接数超过100，持续时间超过1分钟。"4.4警报管理与通知Prometheus通过Alertmanager组件来管理警报和发送通知。Alertmanager可以根据配置的接收器将警报发送到不同的通知渠道，如邮件、短信或第三方服务。4.4.1配置示例Alertmanager的配置文件也是YAML格式，可以定义接收器和路由。下面是一个简单的配置示例，将所有严重性为critical的警报发送到邮件接收器：global:

resolve_timeout:5m

route:

group_by:['alertname','cluster','service']

group_wait:30s

group_interval:5m

repeat_interval:1h

receiver:critical-emails

receivers:

-name:critical-emails

email_configs:

-to:admin@4.4.2邮件通知示例当Prometheus检测到满足警报条件的指标时，Alertmanager会根据配置发送邮件。邮件内容通常包括警报的名称、状态、触发的指标以及警报的描述。邮件示例：Subject:Alert:HighCPUUsage

Alert:HighCPUUsage

State:firing

Firingformorethan5m

Instance

Labels:

severity=critical

Annotations:

summary=CPU使用率过高

description=节点CPU使用率超过80%，持续时间超过5分钟。通过以上步骤和示例，你可以开始在Prometheus中设计和实施监控规则，以确保你的大数据系统和应用的健康运行。5实践案例分析5.1大数据平台监控指标设计在大数据平台的监控中，Prometheus是一个广泛使用的开源监控系统。它通过定义监控指标，收集和存储时间序列数据，为大数据平台的健康状况提供实时的可见性。设计监控指标时，需要考虑以下几个关键点：指标类型：Prometheus支持四种基本的指标类型：计数器（Counter）、计量器（Gauge）、直方图（Histogram）和摘要（Summary）。命名规范：指标名称应使用小写字母和下划线，避免使用大写字母和特殊字符。标签使用：标签用于区分同一指标的不同实例，如不同服务器的CPU使用率。数据收集频率：根据监控需求设置合理的数据收集频率，避免过高频率导致的性能影响。5.1.1示例：Hadoop集群监控指标设计假设我们有一个Hadoop集群，需要监控其节点的健康状态、数据块的分布情况以及任务执行效率。以下是一些设计的监控指标：-hadoop_node_health_status{node="node1",status="up"}

-hadoop_node_health_status{node="node2",status="down"}

-hadoop_data_block_distribution{node="node1",blocks="1000"}

-hadoop_data_block_distribution{node="node2",blocks="500"}

-hadoop_task_execution_time_seconds{task="map",job="job1",duration="120"}5.1.2代码示例：Prometheus客户端库使用使用Prometheus的Go客户端库来创建和更新监控指标：packagemain

import(

"fmt"

"net/http"

"time"

"/prometheus/client_golang/prometheus"

"/prometheus/client_golang/prometheus/promhttp"

)

funcmain(){

//创建计数器

hadoopNodeHealth:=prometheus.NewCounterVec(

prometheus.CounterOpts{

Name:"hadoop_node_health_status",

Help:"Hadoop节点健康状态",

},

[]string{"node","status"},

)

//创建计量器

hadoopDataBlockDistribution:=prometheus.NewGaugeVec(

prometheus.GaugeOpts{

Name:"hadoop_data_block_distribution",

Help:"Hadoop数据块分布",

},

[]string{"node"},

)

//创建直方图

hadoopTaskExecutionTime:=prometheus.NewHistogramVec(

prometheus.HistogramOpts{

Name:"hadoop_task_execution_time_seconds",

Help:"Hadoop任务执行时间",

Buckets:[]float64{10,60,120,300,600},

},

[]string{"task","job"},

)

//注册指标

prometheus.MustRegister(hadoopNodeHealth)

prometheus.MustRegister(hadoopDataBlockDistribution)

prometheus.MustRegister(hadoopTaskExecutionTime)

//更新指标

hadoopNodeHealth.WithLabelValues("node1","up").Inc()

hadoopDataBlockDistribution.WithLabelValues("node1").Set(1000)

hadoopTaskExecutionTime.WithLabelValues("map","job1").Observe(120)

//启动HTTP服务

http.Handle("/metrics",promhttp.Handler())

http.ListenAndServe(":8080",nil)

//模拟任务执行

gofunc(){

for{

time.Sleep(time.Second*10)

hadoopTaskExecutionTime.WithLabelValues("reduce","job1").Observe(60)

}

}()

fmt.Println("Prometheusmetricsserverstartedon:8080")

}5.2Hadoop集群监控指标示例5.2.1Hadoop节点健康状态监控指标名称：hadoop_node_health_status类型：计数器（Counter）描述：监控Hadoop集群中各节点的健康状态。标签：node（节点名称），status（状态，如up或down）5.2.2Hadoop数据块分布监控指标名称：hadoop_data_block_distribution类型：计量器（Gauge）描述：监控Hadoop集群中各节点的数据块数量。标签：node（节点名称）5.2.3Hadoop任务执行时间监控指标名称：hadoop_task_execution_time_seconds类型：直方图（Histogram）描述：监控Hadoop任务的执行时间。标签：task（任务类型，如map或reduce），job（任务名称）5.3Spark应用监控指标设计Spark应用的监控指标设计需要覆盖应用的运行状态、资源使用情况以及任务执行效率。以下是一些设计的监控指标：-spark_application_status{application="app1",status="running"}

-spark_executor_memory_used_bytes{executor="executor1",memory="1024000000"}

-spark_task_duration_seconds{task="task1",duration="30"}5.3.1代码示例：Prometheus客户端库使用使用Prometheus的Python客户端库来创建和更新监控指标：fromprometheus_clientimportstart_http_server,Counter,Gauge,Histogram

#创建计数器

spark_application_status=Counter('spark_application_status','Spark应用状态',['application','status'])

#创建计量器

spark_executor_memory_used_bytes=Gauge('spark_executor_memory_used_bytes','Spark执行器内存使用情况',['executor','memory'])

#创建直方图

spark_task_duration_seconds=Histogram('spark_task_duration_seconds','Spark任务执行时间',['task'],buckets=[10,60,120,300,600])

#更新指标

spark_application_status.labels(application='app1',status='running').inc()

spark_executor_memory_used_bytes.labels(executor='executor1',memory='1024000000').set(1024000000)

spark_task_duration_seconds.labels(task='task1').observe(30)

#启动HTTP服务

start_http_server(8080)

#模拟任务执行

importtime

whileTrue:

time.sleep(10)

spark_task_duration_seconds.labels(task='task2').observe(60)通过以上示例，我们可以看到Prometheus监控指标设计的基本原则和实践，以及如何使用Prometheus客户端库在Go和Python中创建和更新这些指标。这些指标能够帮助我们实时监控大数据平台的运行状态，及时发现和解决问题，确保平台的稳定性和效率。6大数据管理与监控：Prometheus集成教程6.1监控系统集成6.1.1Prometheus与Grafana集成原理Prometheus作为一款优秀的时序数据库和监控系统，主要负责收集和存储指标数据。然而，它本身并不提供直观的数据可视化功能。Grafana是一个开源的度量分析和可视化套件，它能够从各种数据源中读取数据并以图表的形式展示，非常适合与Prometheus集成，以实现数据的可视化。集成步骤安装Grafana在服务器上安装Grafana，可以使用包管理器如apt或yum，或者从Grafana官网下载安装包。配置Grafana数据源登录Grafana后，在设置中添加Prometheus作为数据源。输入Prometheus的URL，通常是http://prometheus-server:9090。创建仪表板使用Grafana的仪表板创建功能，从Prometheus数据源中选择指标，创建图表。例如，可以创建一个显示服务器CPU使用率的图表。仪表板分享一旦仪表板创建完成，可以设置分享权限，让团队成员能够查看监控数据。示例假设我们有一个Prometheus服务器运行在localhost:9090，下面是如何在Grafana中配置Prometheus数据源的步骤：登录Grafana，进入Configuration->DataSources。点击Adddatasource，选择Prometheus。在URL字段输入http://localhost:9090。点击Save&Test，如果配置正确，Grafana应该能够成功连接到Prometheus。6.1.2Prometheus与Alertmanager集成原理Alertmanager是Prometheus生态系统中的一个组件，用于处理来自Prometheus服务器的警报。它能够接收警报、去重、分组、抑制和发送通知。通过与Prometheus集成，可以实现自动化的警报通知，提高监控系统的响应速度和效率。集成步骤安装Alertmanager在服务器上安装Alertmanager，可以使用包管理器或从官网下载安装包。配置Alertmanager编辑Alertmanager的配置文件，定义接收警报的规则和通知方式。例如，可以配置通过电子邮件或Slack发送警报。配置Prometheus在Prometheus的配置文件中添加Alertmanager的配置，指定Alertmanager的URL和警报规则。测试警报通过触发Prometheus中的警报，测试Alertmanager是否能够正确接收和发送警报。示例下面是一个Alertmanager的配置文件示例，用于通过电子邮件发送警报：global:

resolve_timeout:5m

route:

group_by:['alertname','cluster','service']

group_wait:30s

group_interval:5m

repeat_interval:1h

receiver:email-notifications

receivers:

-name:email-notifications

email_configs:

-to:admin@6.1.3Prometheus与大数据平台的监控系统集成原理大数据平台通常包含多个组件，如Hadoop、Spark、Kafka等，这些组件会产生大量的监控数据。Prometheus可以通过配置特定的抓取目标和监控指标，与大数据平台集成，实现对这些组件的监控。例如，可以监控Hadoop集群的健康状态、Spark任务的执行情况、Kafka的消息吞吐量等。集成步骤配置Prometheus抓取目标在Prometheus的配置文件中添加大数据平台组件的抓取目标，例如Hadoop的NameNode、DataNode的监控端点。定义监控指标根据大数据平台组件的特性，定义需要监控的指标。例如，对于Hadoop，可以监控node.fsstate指标，以了解NameNode的状态。测试抓取启动Prometheus，测试是否能够成功抓取大数据平台组件的监控数据。配置警报根据监控指标，配置警报规则，当指标达到预设阈值时，触发警报。示例下面是一个Prometheus配置文件的示例，用于抓取HadoopNameNode的监控数据：global:

scrape_interval:15s

evaluation_interval:15s

scrape_configs:

-job_name:'hadoop-namenode'

static_configs:

-targets:['namenode:50070']在这个示例中，Prometheus每15秒抓取一次HadoopNameNode的监控数据，抓取目标是namenode:50070，这是NameNode的监控端口。通过以上步骤，可以实现Pr