postgres_exporter + Grafana 监控大盘

举报
yd_248971855 发表于 2026/11/19 14:06:09 2026/11/19
【摘要】 PostgreSQL 监控落地实战:postgres_exporter + Grafana 大盘与告警体系摘要:前几篇积累的巡检 SQL——死元组比例、表年龄、归档状态、慢查询榜——每次靠人工登录执行,巡检就形同虚设。本文把这些检查点全部指标化:用 postgres_exporter 采集基础指标,用自定义 queries 挂载系列巡检 SQL,用 Prometheus 规则承接告警,最终...

PostgreSQL 监控落地实战:postgres_exporter + Grafana 大盘与告警体系

摘要:前几篇积累的巡检 SQL——死元组比例、表年龄、归档状态、慢查询榜——每次靠人工登录执行,巡检就形同虚设。本文把这些检查点全部指标化:用 postgres_exporter 采集基础指标,用自定义 queries 挂载系列巡检 SQL,用 Prometheus 规则承接告警,最终在 Grafana 里拼出一张“数据库驾驶舱”大盘。与容器监控体系共用同一套 Prometheus + Grafana,适用于 PostgreSQL 14+ 与 TimescaleDB 2.x 环境。

一、设计目标:把巡检清单变成曲线

数据库监控要回答四个层次的问题,每一层对应系列里的一篇:

层次 核心问题 对应知识
1. 可用性 库活着吗、连接堆了吗 pg_stat_activity
2. 性能 慢查询占比、缓存命中率 系列第一篇慢查询
3. 健康 死元组、表年龄、膨胀 系列第四篇 autovacuum
4. 安全 归档成功率、复制延迟 系列第五篇备份
监控体系的价值不在图表数量,而在“出事前哪条曲线先动”——死元组比例连续一周爬升,就是表要膨胀的前兆;xid_age 逼近阈值,就是回卷倒计时。人工巡检记不住趋势,曲线才记得住。

二、postgres_exporter 部署与连接

接容器监控篇的 docker-compose 体系,数据库采集器作为新服务加入:

  postgres-exporter:
    image: prometheuscommunity/postgres-exporter:latest
    restart: always
    environment:
      DATA_SOURCE_NAME: "postgresql://exporter:密码@timescaledb:5432/mydb?sslmode=disable"
    ports:
      - "9187:9187"
    networks: [monitor]

两个前置动作:
一是专用监控账号,别用超级用户连——权限最小化是系列第六篇(容器安全)的老原则:

CREATE ROLE exporter WITH LOGIN PASSWORD 'xxx';
GRANT pg_monitor TO exporter;

pg_monitor 是 PG 10+ 内置的角色,覆盖全部统计视图的只读权限,够 exporter 用且不越界。
二是 exporter 挂进与 timescaledb 同一个自定义网络——容器网络篇讲过,服务名解析的前提是同网,跨网会导致 getaddrinfo failed。
Prometheus 加抓取任务:

  - job_name: 'postgres-exporter'
    static_configs:
      - targets: ['postgres-exporter:9187']

Targets 页确认 UP 后,先跑一条验证查询:

pg_up

值为 1 即链路通。

三、自定义 queries:把巡检 SQL 挂上去

postgres_exporter 默认指标覆盖连接数、事务速率、缓存命中等通用项,但死元组、表年龄这些系列重点巡检项默认不带,要用自定义 queries 文件扩展:

# queries.yaml
pg_dead_tuple_ratio:
  query: |
    SELECT current_database() AS db, relname AS table,
           n_dead_tup, n_live_tup,
           round(100.0*n_dead_tup/NULLIF(n_live_tup+n_dead_tup,0),1) AS dead_pct
    FROM pg_stat_user_tables
    WHERE n_live_tup > 10000
  metrics:
    - db: {usage: "LABEL"}
    - table: {usage: "LABEL"}
    - n_dead_tup: {usage: "GAUGE"}
    - n_live_tup: {usage: "GAUGE"}
    - dead_pct: {usage: "GAUGE"}
pg_table_age:
  query: |
    SELECT c.oid::regclass AS table,
           age(c.relfrozenxid) AS xid_age
    FROM pg_class c
    WHERE relkind IN ('r','m')
      AND c.relfrozenxid <> '0'::xid
  metrics:
    - table: {usage: "LABEL"}
    - xid_age: {usage: "GAUGE"}
pg_archive_status:
  query: |
    SELECT failed_count,
           extract(epoch from now()-last_archived_time) AS archived_lag_seconds
    FROM pg_stat_archiver
  metrics:
    - failed_count: {usage: "GAUGE"}
    - archived_lag_seconds: {usage: "GAUGE"}

compose 里挂载并指定:

    volumes:
      - ./queries.yaml:/queries.yaml:ro
    environment:
      PG_EXPORTER_EXTEND_QUERY_PATH: /queries.yaml

三条 queries 分别是系列第四篇、第五篇巡检清单的直接转译——死元组比例对应膨胀预警,表年龄对应回卷防御,归档状态对应备份链路健康。自定义 queries 的本质就是:任何你能写成 SQL 的巡检项,都能变成监控曲线。
注意采集频率与负载的平衡:pg_stat_user_tables 类查询扫的是统计视图,代价很小;但别把 pgstatindex 这类要实际读文件的诊断 SQL 挂上去——那是季度巡检的工具,不是分钟级采集的工具。

四、Grafana 大盘:四个核心面板

Grafana 添加 Prometheus 数据源后建大盘,四个面板覆盖驾驶舱视野:
面板一:连接水位(单值 + 仪表盘)

sum(pg_stat_activity_count{state="active"})
/ pg_settings_max_connections

活跃连接占总连接上限的比例,超 80% 要查连接池(pgbouncer 篇的前置信号)。
面板二:慢查询耗时趋势(时序图)

rate(pg_stat_statements_total_time_seconds[5m])

没开 pg_stat_statements 的话,先用系列第一篇的方法启用。这条曲线的斜率比绝对值更重要——发布新版本后耗时曲线突然抬升,就是 SQL 退化的第一现场。
面板三:缓存命中率(时序图)

sum(rate(pg_stat_database_blks_hit[5m]))
/ (sum(rate(pg_stat_database_blks_hit[5m])) + sum(rate(pg_stat_database_blks_read[5m])))

命中率长期低于 99%,说明工作集超过了 effective_cache_size 的假设——要么加内存,要么查是不是有全表扫描在冲刷缓存(回系列第一篇看 BUFFERS)。
面板四:死元组与年龄(时序图,双轴)

# 死元组比例 Top 表
max by (table) (pg_dead_tuple_ratio_dead_pct)
# 最大表年龄
max(pg_table_age_xid_age)

这两条是第四篇 autovacuum 治理的可视化版:死元组该是锯齿形(涨到阈值被 VACUUM 打下来),如果变成只涨不降的楼梯形,就是 autovacuum 追不上了;年龄曲线斜率异常陡,去查长事务。
现成大盘可以直接导入起步:Grafana 社区搜 PostgreSQL Database 的 dashboard(如 ID 9628),导入后替换数据源,再在其基础上加自定义面板。

五、告警规则:五条数据库保命线

groups:
  - name: postgres-alerts
    rules:
      # 库不可达
      - alert: PostgresDown
        expr: pg_up == 0
        for: 1m
        labels: {severity: critical}
      # 连接逼近上限
      - alert: PostgresConnNearlyFull
        expr: sum(pg_stat_activity_count) / pg_settings_max_connections > 0.85
        for: 5m
        labels: {severity: warning}
      # 归档失败(备份链路断裂)
      - alert: PostgresArchiveFailed
        expr: pg_archive_status_failed_count > 0
        for: 5m
        labels: {severity: critical}
      # 表年龄进入回卷警戒区(系列第四篇的防线前移)
      - alert: PostgresXidAgeHigh
        expr: max(pg_table_age_xid_age) > 500000000
        for: 10m
        labels: {severity: critical}
      # 死元组比例失控(膨胀前兆)
      - alert: PostgresDeadTuplesHigh
        expr: max by (table) (pg_dead_tuple_ratio_dead_pct) > 30
        for: 30m
        labels: {severity: warning}

告警分级沿用容器监控篇的原则:critical 叫人、warning 进群。XidAgeHigh 那条的阈值 5 亿对应第四篇巡检表的健康线——到这条告警触发时,距离 20 亿的强制冻结防线还有充足处理窗口,但必须当天处置。

六、落地验证清单

验证项 方法 通过标准
采集链路 Prometheus Targets postgres-exporter 为 UP
自定义指标 Grafana 查 pg_dead_tuple_ratio_dead_pct 返回带 table 标签的数据
大盘出图 四个面板 缓存命中率、连接数有实时曲线
告警链路 停掉归档目录写入或临时降阈值 按预期收到通知
权限最小化 \du exporter 只有 pg_monitor 角色
大盘留存 Grafana 数据源保留策略 曲线至少保留 30 天
验证告警时用降阈值的方式触发(比如把 XidAge 阈值临时改成当前值以下),比制造真实故障安全得多。

七、总结

数据库监控体系的建设路径:

步骤 动作 关键点
1. 采集 postgres_exporter + pg_monitor 账号 权限最小化,同网络部署
2. 扩展 queries.yaml 挂巡检 SQL 任何 SQL 都能指标化
3. 展示 四面板驾驶舱 连接、慢查询、缓存、死元组/年龄
4. 告警 五条保命线规则 分级 + for 防抖
5. 验证 降阈值演练 没验证的告警不算告警
核心认知一句话:监控是巡检的自动化,而巡检是知识的清单化——这套体系的真正成本不在部署(半天搞定),而在于你得先知道该看什么:死元组为什么要盯、年龄为什么是 5 亿、归档失败为什么是 critical。这些判断全部来自前面的系列,监控只是把它们从“每次登录手敲”变成“7×24 小时盯着 + 出事主动叫你”。
【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0)

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。