源码版本
heapster version： release-1.2
简介
Heapster是Kubernetes下的一个监控项目，用于进行容器集群的监控和性能分析。
基本的功能及概念介绍可以回顾我之前的一篇文章：《Kubernetes监控之Heapster介绍》。
随着的Heapster的版本迭代，支持的功能越越来越多，比如新版本支持更多的后端数据存储方式：OpenTSDB、Monasca、Kafka、Elasticsearch等等。看过低版本(如v0.18)的源码，会发现v1.2版本的源码架构完全变了样，架构扩展性越来越强，源码学无止境！
上面很多介绍这篇文章并不会涉及，我们还是会用到最流行的模式：Heapster + InfluxDB。
监控系统架构图：
该图很好的描述了监控系统的关键组件，及数据流向。
在源码分析之前我们先介绍Heapster的实现流程，由上图可以看出Heapster会从各个Node上kubelet获取相关的监控信息，然后进行汇总发送给后台数据库InfluxDB。
这里会涉及到几个关键点：
k8s集群会增删Nodes，Heapster需要获取这些sources并做相应的操作
Heapster后端数据库怎么存储？是否支持多后端？
Heapster获取到数据后推送给后端数据库，那么其提供了API的数据该从何处获取？本地cache?
Heapster从kubelet获取到的数据是否需要处理？还是能直接存储到后端
等等..
一起分析完heapster源码实现，就能进行解惑了。
启动命令
先列出我解析源码时所用的命令，及参数使用，便于后面的理解。
# heapster --source=kubernetes:http://<master-ip>:8080?inClusterConfig=false\&useServiceAccount=false --sink=influxdb:http://<influxdb-ip>:8086启动流程
从Heapster的启动流程开始分析其实现，前面做了简单的分析，可以带着问题去看源码会有更好的收获。
main()
路径： heapster/metrics/heapster.go
func main() {
...
// 根据--source参数的输入来创建数据源
// 我们这里会使用kubernetes，下面会根据k8s来解析
sourceFactory := sources.NewSourceFactory()
// 创建该sourceProvider时，会创建Node的ListWatch，用于监控k8s节点的增删情况，因为这些才是数据的真实来源.
// 该sourceProvider会包含nodeLister，还有kubeletClient，用于跟各个节点的kubelet通信，获取cadvisor数据
sourceProvider, err := sourceFactory.BuildAll(argSources)
if err != nil {
glog.Fatalf("Failed to create source provide: %v", err)
}
// 创建sourceManager，其实就是sourceProvider + ScrapeTimeout，用于超时获取数据
sourceManager, err := sources.NewSourceManager(sourceProvider, sources.DefaultMetricsScrapeTimeout)
if err != nil {
glog.Fatalf("Failed to create source manager: %v", err)
}
// 根据--sink创建数据存储后端
// 我们这里会使用influxDB，来作为数据的存储后端
sinksFactory := sinks.NewSinkFactory()
// 创建sinks时会返回各类对象：
// metricSink: 可以理解为本地的metrics数据池，Heapster API获取到的数据都是从该对象中获取的，默认一定会创建
// sinkList： Heapster在新版本中支持多后端数据存储，比如你可以指定多个不同的influxDB,也可以同时指定influxDB和Elasticsearch。
// historicalSource: 需要配置，我们暂时没有用到
metricSink, sinkList, historicalSource := sinksFactory.BuildAll(argSinks, *argHistoricalSource)
if metricSink == nil {
glog.Fatal("Failed to create metric sink")
}
if historicalSource == nil && len(*argHistoricalSource) > 0 {
glog.Fatal("Failed to use a sink as a historical metrics source")
}
for _, sink := range sinkList {
glog.Infof("Starting with %s", sink.Name())
}
// 创建sinkManager，会根据之前的sinkList，创建对应数量的协程，用于从sink的数据管道中获取数据，然后推送到对应的后端
sinkManager, err := sinks.NewDataSinkManager(sinkList, sinks.DefaultSinkExportDataTimeout, sinks.DefaultSinkStopTimeout)
if err != nil {
glog.Fatalf("Failed to created sink manager: %v", err)
}
// 创建对象,用于处理各个kubelet获取到的metrics数据
// 最终都会加入到dataProcessors，在最终的处理函数中会进行遍历并调用其process()
metricsToAggregate := []string{
core.MetricCpuUsageRate.Name,
core.MetricMemoryUsage.Name,
core.MetricCpuRequest.Name,
core.MetricCpuLimit.Name,
core.MetricMemoryRequest.Name,
core.MetricMemoryLimit.Name,
}
metricsToAggregateForNode := []string{
core.MetricCpuRequest.Name,
core.MetricCpuLimit.Name,
core.MetricMemoryRequest.Name,
core.MetricMemoryLimit.Name,
}
// 速率计算对象
dataProcessors := []core.DataProcessor{
// Convert cumulaties to rate
processors.NewRateCalculator(core.RateMetricsMapping),
}
kubernetesUrl, err := getKubernetesAddress(argSources)
if err != nil {
glog.Fatalf("Failed to get kubernetes address: %v", err)
}
kubeConfig, err := kube_config.GetKubeClientConfig(kubernetesUrl)
if err != nil {
glog.Fatalf("Failed to get client config: %v", err)
}
kubeClient := kube_client.NewOrDie(kubeConfig)
// 会创建podLister、nodeLister、namespaceLister，用于从k8s watch各个资源的增删情况
// 防止获取数据失败
podLister, err := getPodLister(kubeClient)
if err != nil {
glog.Fatalf("Failed to create podLister: %v", err)
}
nodeLister, err := getNodeLister(kubeClient)
if err != nil {
glog.Fatalf("Failed to create nodeLister: %v", err)
}
podBasedEnricher, err := processors.NewPodBasedEnricher(podLister)
if err != nil {
glog.Fatalf("Failed to create PodBasedEnricher: %v", err)
}
dataProcessors = append(dataProcessors, podBasedEnricher)
namespaceBasedEnricher, err := processors.NewNamespaceBasedEnricher(kubernetesUrl)
if err != nil {
glog.Fatalf("Failed to create NamespaceBasedEnricher: %v", err)
}
dataProcessors = append(dataProcessors, namespaceBasedEnricher)
// 这里的对象append顺序会有一定的要求
// 比如Pod的有些数据需要进行containers数据的累加得到
dataProcessors = append(dataProcessors,
processors.NewPodAggregator(),
&processors.NamespaceAggregator{
MetricsToAggregate: metricsToAggregate,
},
&processors.NodeAggregator{
MetricsToAggregate: metricsToAggregateForNode,
},
&processors.ClusterAggregator{
MetricsToAggregate: metricsToAggregate,
})
nodeAutoscalingEnricher, err := processors.NewNodeAutoscalingEnricher(kubernetesUrl)
if err != nil {
glog.Fatalf("Failed to create NodeAutoscalingEnricher: %v", err)
}
dataProcessors = append(dataProcessors, nodeAutoscalingEnricher)
// 这是整个Heapster功能的关键处
// 根据sourceManger、sinkManager、dataProcessors来创建manager对象
manager, err := manager.NewManager(sourceManager, dataProcessors, sinkManager, *argMetricResolution,
manager.DefaultScrapeOffset, manager.DefaultMaxParallelism)
if err != nil {
glog.Fatalf("Failed to create main manager: %v", err)
}
// 开始创建协程，从各个sources获取metrics数据，并经过dataProcessors的处理，然后export到各个用于后端数据存储的sinks
manager.Start()
// 以下的就是创建Heapster server，用于提供各类API
// 通过http.mux及go-restful进行实现
// 新版的heapster还支持TLS
handler := setupHandlers(metricSink, podLister, nodeLister, historicalSource)
addr := fmt.Sprintf("%s:%d", *argIp, *argPort)
glog.Infof("Starting heapster on port %d", *argPort)
mux := http.NewServeMux()
promHandler := prometheus.Handler()
if len(*argTLSCertFile) > 0 && len(*argTLSKeyFile) > 0 {
if len(*argTLSClientCAFile) > 0 {
authPprofHandler, err := newAuthHandler(handler)
if err != nil {
glog.Fatalf("Failed to create authorized pprof handler: %v", err)
}
handler = authPprofHandler
authPromHandler, err := newAuthHandler(promHandler)
if err != nil {
glog.Fatalf("Failed to create authorized prometheus handler: %v", err)
}
promHandler = authPromHandler
}
mux.Handle("/", handler)
mux.Handle("/metrics", promHandler)
healthz.InstallHandler(mux, healthzChecker(metricSink))
// If allowed users is set, then we need to enable Client Authentication
if len(*argAllowedUsers) > 0 {
server := &http.Server{
Addr: addr,
Handler: mux,
TLSConfig: &tls.Config{ClientAuth: tls.RequestClientCert},
}
glog.Fatal(server.ListenAndServeTLS(*argTLSCertFile, *argTLSKeyFile))
} else {
glog.Fatal(http.ListenAndServeTLS(addr, *argTLSCertFile, *argTLSKeyFile, mux))
}
} else {
mux.Handle("/", handler)
mux.Handle("/metrics", promHandler)
healthz.InstallHandler(mux, healthzChecker(metricSink))
glog.Fatal(http.ListenAndServe(addr, mux))
}
}介绍了Heapster的启动流程后，大致能明白了该启动过程分为几个关键点：
创建数据源对象
创建后端存储对象list
创建处理metrics数据的processors
创建manager，并开启数据的获取及export的协程
开启Heapster server，并支持各类API
下面进行一一介绍。
创建数据源
先介绍下相关的结构体，因为这才是作者的核心思想。
创建的sourceProvider是实现了MetricsSourceProvider接口的对象。
先看下MetricsSourceProvider：
type MetricsSourceProvider interface {
GetMetricsSources() []MetricsSource
}每个最终返回的对象，都需要提供GetMetricsSources()，看字面意识就可以知道就是提供所有的获取Metrics源头的接口。
我们的参数--source=kubernetes,所以其实我们真实返回的结构是kubeletProvider.
路径: heapster/metrics/sources/kubelet/kubelet.go
type kubeletProvider struct {
// 用于从k8s获取最新的nodes信息,然后根据kubeletClient，合成各个metricSources
nodeLister *cache.StoreToNodeLister
// 反射
reflector *cache.Reflector
// kubeletClient相关的配置，比如端口：10255
kubeletClient *KubeletClient
}结构介绍完了，看下具体的创建过程，跟kubernetes相关的关键接口是NewKubeletProvider():
func NewKubeletProvider(uri *url.URL) (MetricsSourceProvider, error) {
// 创建kubernetes master及kubelet client相关的配置
kubeConfig, kubeletConfig, err := GetKubeConfigs(uri)
if err != nil {
return nil, err
}
// 创建kubeClient及kubeletClient
kubeClient := kube_client.NewOrDie(kubeConfig)
kubeletClient, err := NewKubeletClient(kubeletConfig)
if err != nil {
return nil, err
}
// 获取下所有的Nodes，测试下创建的client是否能正常通讯
if _, err := kubeClient.Nodes().List(kube_api.ListOptions{
LabelSelector: labels.Everything(),
FieldSelector: fields.Everything()}); err != nil {
glog.Errorf("Failed to load nodes: %v", err)
}
// 监控k8s的nodes变更
// 这里会创建协程进行watch，便于后面调用nodeLister.List()列出所有的nodes。
// 该Watch的实现，需要看下apiServer中的实现，后面会进行讲解
lw := cache.NewListWatchFromClient(kubeClient, "nodes", kube_api.NamespaceAll, fields.Everything())
nodeLister := &cache.StoreToNodeLister{Store: cache.NewStore(cache.MetaNamespaceKeyFunc)}
reflector := cache.NewReflector(lw, &kube_api.Node{}, nodeLister.Store, time.Hour)
reflector.Run()
// 结构在前面介绍过
return &kubeletProvider{
nodeLister: nodeLister,
reflector: reflector,
kubeletClient: kubeletClient,
}, nil
}该过程会涉及到较多的技术点，比如apiServer中的watch实现，reflector的使用。这里不会进行细讲，该文章主要是针对heapster的源码实现，apiServer相关的实现后面会进行单独输出。
这里需要注意的是创建了ListWath,需要关注后面哪里用到了nodeLister.List()进行nodes的获取。
创建后端服务
前面已经提到后端数据存储会有两处，一个是metricSink，另一个是influxdbSink。所以这里会涉及到两个结构：
type MetricSink struct {
// 锁
lock sync.Mutex
// 长时间存储metrics数据，默认时间是15min
longStoreMetrics []string
longStoreDuration time.Duration
// 短时间存储metrics数据，默认时间是140s
shortStoreDuration time.Duration
// 短时存储空间
shortStore []*core.DataBatch
// 长时存储空间
longStore []*multimetricStore
}该结构就是用于heapster API调用时获取的数据源，这里会分为两种数据存储方式：长时存储和短时存储。所以集群越大时，heapster占用内存越多，需要考虑该问题如何处理或者优化。
type influxdbSink struct {
// 连接后端influxDB数据库的client
client influxdb_common.InfluxdbClient
// 锁
sync.RWMutex
c influxdb_common.InfluxdbConfig
dbExists bool
}这个就是我们配置的InfluxDB的结构，是我们真正的数据存储后端。
开始介绍创建后端服务流程，从sinksFactory.BuildAll()接口直接入手。
路径： heapster/metrics/sinks/factory.go
func (this *SinkFactory) BuildAll(uris flags.Uris, historicalUri string) (*metricsink.MetricSink, []core.DataSink, core.HistoricalSource) {
result := make([]core.DataSink, 0, len(uris))
var metric *metricsink.MetricSink
var historical core.HistoricalSource
// 根据传入的"--sink"参数信息，进行build
// 支持多后端数据存储，会进行遍历并创建
for _, uri := range uris {
// 关键接口
sink, err := this.Build(uri)
if err != nil {
glog.Errorf("Failed to create sink: %v", err)
continue
}
if uri.Key == "metric" {
metric = sink.(*metricsink.MetricSink)
}
if uri.String() == historicalUri {
if asHistSource, ok := sink.(core.AsHistoricalSource); ok {
historical = asHistSource.Historical()
} else {
glog.Errorf("Sink type %q does not support being used for historical access", uri.Key)
}
}
result = append(result, sink)
}
// 默认metricSink一定会创建
if metric == nil {
uri := flags.Uri{}
uri.Set("metric")
sink, err := this.Build(uri)
if err == nil {
result = append(result, sink)
metric = sink.(*metricsink.MetricSink)
} else {
glog.Errorf("Error while creating metric sink: %v", err)
}
}
if len(historicalUri) > 0 && historical == nil {
glog.Errorf("Error while initializing historical access: unable to use sink %q as a historical source", historicalUri)
}
return metric, result, historical
}该接口流程比较简单，就是对传入参数进行判断，然后调用this.Build()进行创建，这里只需要注意即使没有配置metric，也会进行metricSink的创建。
func (this *SinkFactory) Build(uri flags.Uri) (core.DataSink, error) {
switch uri.Key {
。。。
case "influxdb":
return influxdb.CreateInfluxdbSink(&uri.Val)
。。。
case "metric":
return metricsink.NewMetricSink(140*time.Second, 15*time.Minute, []string{
core.MetricCpuUsageRate.MetricDescriptor.Name,
core.MetricMemoryUsage.MetricDescriptor.Name}), nil
。。。
default:
return nil, fmt.Errorf("Sink not recognized: %s", uri.Key)
}
}influxdb的创建其实就是根据传入的参数然后创建一个config结构，用于后面创建连接influxDB的client；
metric的创建其实就是初始化了一个MetricSink结构，需要注意的是传入的第三个参数，因为这是用于指定哪些metrics需要进行长时间存储，默认就是cpu/usage和memory/usage,因为这两个参数用户最为关心。
具体的创建接口就不在深入了，较为简单。
到这里BuildAll()就结束了，至于返回值前面已经做过介绍，就不在累赘了。
其实没那么简单，还有一步：sinkManager的创建。
进入sinks.NewDataSinkManager()接口看下：
func NewDataSinkManager(sinks []core.DataSink, exportDataTimeout, stopTimeout time.Duration) (core.DataSink, error) {
sinkHolders := []sinkHolder{}
// 遍历前面创建的sinkList
for _, sink := range sinks {
// 为每个sink添加一个dataChannel和stopChannel
// 用于获取数据和stop信号
sh := sinkHolder{
sink: sink,
dataBatchChannel: make(chan *core.DataBatch),
stopChannel: make(chan bool),
}
sinkHolders = append(sinkHolders, sh)
// 每个sink都会创建一个协程
// 从dataChannel获取数据，并调用sink.export()导出到后端数据库
go func(sh sinkHolder) {
for {
select {
case data := <-sh.dataBatchChannel:
export(sh.sink, data)
case isStop := <-sh.stopChannel:
glog.V(2).Infof("Stop received: %s", sh.sink.Name())
if isStop {
sh.sink.Stop()
return
}
}
}
}(sh)
}
return &sinkManager{
sinkHolders: sinkHolders,
exportDataTimeout: exportDataTimeout,
stopTimeout: stopTimeout,
}, nil
}这里会为每个sink创建协程，等待数据的到来并最终将数据导入到对应的后端数据库。
这里需要带个问号，既然channel有一端在收，总得有地方会发送，这会在后面才会揭晓。
go协程 + channel的方式，是golang最常见的方式，确实便用。
创建数据Processors
因为cAdvisor返回的原始数据就包含了nodes和containers的相关数据，所以heapster需要创建各种processor，用于处理成不同类型的数据，比如pod, namespace, cluster，node。
还有些数据需要计算出速率，有些数据需要进行累加，不同类型拥有的metrics还不一样等等情况。
看下源码：
func main() {
...
// 计算namespace和cluster的metrics值时，下列数据需要进行累加求值
metricsToAggregate := []string{
core.MetricCpuUsageRate.Name,
core.MetricMemoryUsage.Name,
core.MetricCpuRequest.Name,
core.MetricCpuLimit.Name,
core.MetricMemoryRequest.Name,
core.MetricMemoryLimit.Name,
}
// 计算node的metrics值时，下列数据需要进行累加求值
metricsToAggregateForNode := []string{
core.MetricCpuRequest.Name,
core.MetricCpuLimit.Name,
core.MetricMemoryRequest.Name,
core.MetricMemoryLimit.Name,
}
// RateMetricsMapping中的数据需要计算速率，比如cpu/usage_rate,network/rx_rate
dataProcessors := []core.DataProcessor{
// Convert cumulaties to rate
processors.NewRateCalculator(core.RateMetricsMapping),
}
kubernetesUrl, err := getKubernetesAddress(argSources)
if err != nil {
glog.Fatalf("Failed to get kubernetes address: %v", err)
}
kubeConfig, err := kube_config.GetKubeClientConfig(kubernetesUrl)
if err != nil {
glog.Fatalf("Failed to get client config: %v", err)
}
kubeClient := kube_client.NewOrDie(kubeConfig)
// 创建pod的ListWatch，用于从k8s server监听pod变更
podLister, err := getPodLister(kubeClient)
if err != nil {
glog.Fatalf("Failed to create podLister: %v", err)
}
// 创建node的ListWatch，用于从k8s server监听node变更
nodeLister, err := getNodeLister(kubeClient)
if err != nil {
glog.Fatalf("Failed to create nodeLister: %v", err)
}
// 该podBasedEnricher用于解析从sources获取到的pod和container的metrics数据，
// 然后对pod和container进行数据完善，比如添加labels.但这里还不会处理metricsValue
podBasedEnricher, err := processors.NewPodBasedEnricher(podLister)
if err != nil {
glog.Fatalf("Failed to create PodBasedEnricher: %v", err)
}
dataProcessors = append(dataProcessors, podBasedEnricher)
// 跟上面的podBasedEnricher同理，需要注意的是在append时有先后顺序
namespaceBasedEnricher, err := processors.NewNamespaceBasedEnricher(kubernetesUrl)
if err != nil {
glog.Fatalf("Failed to create NamespaceBasedEnricher: %v", err)
}
dataProcessors = append(dataProcessors, namespaceBasedEnricher)
// 这里的对象会对metricsValue进行处理，对应的数据进行累加求值
dataProcessors = append(dataProcessors,
processors.NewPodAggregator(),
&processors.NamespaceAggregator{
MetricsToAggregate: metricsToAggregate,
},
&processors.NodeAggregator{
MetricsToAggregate: metricsToAggregateForNode,
},
&processors.ClusterAggregator{
MetricsToAggregate: metricsToAggregate,
})
dataProcessors = append(dataProcessors, processors.NewRcAggregator())
nodeAutoscalingEnricher, err := processors.NewNodeAutoscalingEnricher(kubernetesUrl)
if err != nil {
glog.Fatalf("Failed to create NodeAutoscalingEnricher: %v", err)
}
dataProcessors = append(dataProcessors, nodeAutoscalingEnricher)Processors的功能基本就是这样了，相对有点复杂，数据处理的样式和类别较多。
各个对象的Process()方法就不进行一一介绍了，就是按照顺序一个一个的填充core.DataBatch数据。有兴趣的可以逐个看下，可以借鉴下实现的方式。
获取源数据并存储
前面的都是铺垫，开始介绍heapster的关键实现，进行源数据的获取，并导出到后端存储。
先介绍相关结构：
type Manager interface {
Start()
Stop()
}Manager是需要实现Start和stop方法的接口。而真实创建的对象其实是realManager:
type realManager struct {
// 数据源
source core.MetricsSource
// 数据处理对象
processors []core.DataProcessor
// 后端存储对象
sink core.DataSink
// 每次scrape数据的时间间隔
resolution time.Duration
// 创建多个scrape协程时，需要sleep这点时间，防止异常
scrapeOffset time.Duration
// scrape 停止的管道
stopChan chan struct{}
//
housekeepSemaphoreChan chan struct{}
// 超时
housekeepTimeout time.Duration
}关键的代码如下：
manager, err := manager.NewManager(sourceManager, dataProcessors, sinkManager, *argMetricResolution,
manager.DefaultScrapeOffset, manager.DefaultMaxParallelism)
if err != nil {
glog.Fatalf("Failed to create main manager: %v", err)
}
manager.Start()首先会根据前面创建的sourceManager, dataProcessors, sinkManager对象，再创建manager。
路径： heapster/metrics/manager/manager.go
func NewManager(source core.MetricsSource, processors []core.DataProcessor, sink core.DataSink, resolution time.Duration,
scrapeOffset time.Duration, maxParallelism int) (Manager, error) {
manager := realManager{
source: source,
processors: processors,
sink: sink,
resolution: resolution,
scrapeOffset: scrapeOffset,
stopChan: make(chan struct{}),
housekeepSemaphoreChan: make(chan struct{}, maxParallelism),
housekeepTimeout: resolution / 2,
}
for i := 0; i < maxParallelism; i++ {
manager.housekeepSemaphoreChan <- struct{}{}
}
return &manager, nil
}前面介绍了该关键结构readlManager，继续进入manager.Start()：
func (rm *realManager) Start() {
go rm.Housekeep()
}
func (rm *realManager) Housekeep() {
for {
// Always try to get the newest metrics
now := time.Now()
// 获取数据的时间段，默认是1min
start := now.Truncate(rm.resolution)
end := start.Add(rm.resolution)
// 真正同步一次的时间间隔，默认是1min + 5s
timeToNextSync := end.Add(rm.scrapeOffset).Sub(now)
select {
case <-time.After(timeToNextSync):
rm.housekeep(start, end)
case <-rm.stopChan:
rm.sink.Stop()
return
}
}
}继续看rm.housekeep(start, end), 该接口就传入了时间区间，其实cAdvisor就是支持时间区间来获取metrics值。
func (rm *realManager) housekeep(start, end time.Time) {
if !start.Before(end) {
glog.Warningf("Wrong time provided to housekeep start:%s end: %s", start, end)
return
}
select {
case <-rm.housekeepSemaphoreChan:
// ok, good to go
case <-time.After(rm.housekeepTimeout):
glog.Warningf("Spent too long waiting for housekeeping to start")
return
}
go func(rm *realManager) {
defer func() { rm.housekeepSemaphoreChan <- struct{}{} }()
// 从sources获取数据
data := rm.source.ScrapeMetrics(start, end)
// 遍历processors，然后进行数据处理
for _, p := range rm.processors {
newData, err := process(p, data)
if err == nil {
data = newData
} else {
glog.Errorf("Error in processor: %v", err)
return
}
}
// 最终将数据导出到后端存储
rm.sink.ExportData(data)
}(rm)
}逻辑比较简单，会有三个关键：
源数据获取
数据处理
导出到后端
先看下rm.source.ScrapeMetrics()接口实现.
路径： heapster/metrics/sources/manager.go
func (this *sourceManager) ScrapeMetrics(start, end time.Time) *DataBatch {
// 调用了nodeLister.List()获取最新的k8s nodes列表，再根据之前配置的kubelet端口等信息，返回sources
// 在创建sourceProvider时，会创建node的ListWatch，所以这里nodeLister可使用list()
sources := this.metricsSourceProvider.GetMetricsSources()
responseChannel := make(chan *DataBatch)
。。。
// 遍历各个source，然后创建协程获取数据
for _, source := range sources {
go func(source MetricsSource, channel chan *DataBatch, start, end, timeoutTime time.Time, delayInMs int) {
// scrape()接口其实就是调用了kubeletMetricsSource.ScrapeMetrics()
// 每个node都会组成对应的kubeletMetricsSource
// ScrapeMetrics()就是从cAdvisor中获取监控信息，并进行了decode
metrics := scrape(source, start, end)
...
select {
// 将获取到的数据丢入responseChannel
// 下面会用到
case channel <- metrics:
// passed the response correctly.
return
case <-time.After(timeForResponse):
glog.Warningf("Failed to send the response back %s", source)
return
}
}(source, responseChannel, start, end, timeoutTime, delayMs)
}
response := DataBatch{
Timestamp: end,
MetricSets: map[string]*MetricSet{},
}
latencies := make([]int, 11)
responseloop:
for i := range sources {
...
select {
// 获取前面创建的协程得到的数据
case dataBatch := <-responseChannel:
if dataBatch != nil {
for key, value := range dataBatch.MetricSets {
response.MetricSets[key] = value
}
}
。。。
case <-time.After(timeoutTime.Sub(now)):
glog.Warningf("Failed to get all responses in time (got %d/%d)", i, len(sources))
break responseloop
}
}
...
return &response
}该接口的逻辑就是先通过nodeLister获取k8s所有的nodes，这样便能知道所有的kubelet信息，然后创建对应数量的协程从各个kubelet中获取对应的cAdvisor监控信息，进行处理后再返回。
获取到数据后，就需要调用各个processors的Process()接口进行数据处理，接口太多就不一一介绍了，挑个node_aggregator.go进行介绍：
func (this *NodeAggregator) Process(batch *core.DataBatch) (*core.DataBatch, error) {
for key, metricSet := range batch.MetricSets {
// 判断下该metric是否是pod的
// metricSet.Labels都是前面就进行了填充，所以前面说需要注意每个processor的append顺序
if metricSetType, found := metricSet.Labels[core.LabelMetricSetType.Key]; found && metricSetType == core.MetricSetTypePod {
// Aggregating pods
nodeName, found := metricSet.Labels[core.LabelNodename.Key]
if nodeName == "" {
glog.V(8).Infof("Skipping pod %s: no node info", key)
continue
}
if found {
// 获取nodeKey,比如： node:172.25.5.111
nodeKey := core.NodeKey(nodeName)
// 前面都是判断该pod在哪个node上，然后该node的数据是需要通过这些pod进行累加得到
node, found := batch.MetricSets[nodeKey]
if !found {
glog.V(1).Info("No metric for node %s, cannot perform node level aggregation.")
} else if err := aggregate(metricSet, node, this.MetricsToAggregate); err != nil {
return nil, err
}
} else {
glog.Errorf("No node info in pod %s: %v", key, metricSet.Labels)
}
}
}
return batch, nil
}基本流程就是这样了，有需要的可以各个深入查看。
最后就是数据的后端存储。
这里会涉及到两部分：metricSink和influxdbSink。
从rm.sink.ExportData(data)接口入手：
路径： heapster/metrics/sinks/manager.go
func (this *sinkManager) ExportData(data *core.DataBatch) {
var wg sync.WaitGroup
// 遍历所有的sink，这里其实就两个
for _, sh := range this.sinkHolders {
wg.Add(1)
// 创建协程，然后将之前获取的data丢入dataBatchChannel
go func(sh sinkHolder, wg *sync.WaitGroup) {
defer wg.Done()
glog.V(2).Infof("Pushing data to: %s", sh.sink.Name())
select {
case sh.dataBatchChannel <- data:
glog.V(2).Infof("Data push completed: %s", sh.sink.Name())
// everything ok
case <-time.After(this.exportDataTimeout):
glog.Warningf("Failed to push data to sink: %s", sh.sink.Name())
}
}(sh, &wg)
}
// Wait for all pushes to complete or timeout.
wg.Wait()
}千辛万苦，你把数据丢入sh.dataBatchChannel完事了？
dataBatchChannel有点眼熟，因为之前创建sinkManager的时候，也创建了协程并监听了该管道，所以真正export数据是在之前就完成了，这里只需要把数据丢入管道即可。
所以golang中协程与协程之间的通信，channel才是王道啊！
ExportData有两个，一个一个讲吧。
先来关键的influxDB.
路径： heapster/metrics/sinks/influxdb/influxdb.go
func (sink *influxdbSink) ExportData(dataBatch *core.DataBatch) {
...
dataPoints := make([]influxdb.Point, 0, 0)
for _, metricSet := range dataBatch.MetricSets {
// 遍历MetricValues
for metricName, metricValue := range metricSet.MetricValues {
var value interface{}
if core.ValueInt64 == metricValue.ValueType {
value = metricValue.IntValue
} else if core.ValueFloat == metricValue.ValueType {
value = float64(metricValue.FloatValue)
} else {
continue
}
// Prepare measurement without fields
fieldName := "value"
measurementName := metricName
if sink.c.WithFields {
// Prepare measurement and field names
serieName := strings.SplitN(metricName, "/", 2)
measurementName = serieName[0]
if len(serieName) > 1 {
fieldName = serieName[1]
}
}
// influxdb单条数据结构
point := influxdb.Point{
// 度量值名称,比如cpu/usage
Measurement: measurementName,
// 该tags就是在processors中进行添加，主要是pod_name,node_name,namespace_name等
Tags: metricSet.Labels,
// 该字段就是具体的值了
Fields: map[string]interface{}{
fieldName: value,
},
// 时间戳
Time: dataBatch.Timestamp.UTC(),
}
// append到dataPoints，超过maxSendBatchSize数量后直接sendData到influxdb
dataPoints = append(dataPoints, point)
if len(dataPoints) >= maxSendBatchSize {
sink.sendData(dataPoints)
dataPoints = make([]influxdb.Point, 0, 0)
}
}
// 遍历LabeledMetrics，主要就是filesystem的数据
// 不太明白为何要将filesystem的数据进行区分，要放到Labeled中？什么意图？望高手指点，谢谢
// 接下来的操作就跟上面MetricValues的操作差不多了
for _, labeledMetric := range metricSet.LabeledMetrics {
。。。
point := influxdb.Point{
Measurement: measurementName,
Tags: make(map[string]string),
Fields: map[string]interface{}{
fieldName: value,
},
Time: dataBatch.Timestamp.UTC(),
}
for key, value := range metricSet.Labels {
point.Tags[key] = value
}
for key, value := range labeledMetric.Labels {
point.Tags[key] = value
}
dataPoints = append(dataPoints, point)
if len(dataPoints) >= maxSendBatchSize {
sink.sendData(dataPoints)
dataPoints = make([]influxdb.Point, 0, 0)
}
}
}
if len(dataPoints) >= 0 {
sink.sendData(dataPoints)
}
}该接口中有一处不太明白，metricSet中的LabeledMetrics和MetricsValue有何差别，为何要将filesystem的数据进行区分对待，放入LabeldMetrics?
看代码的过程中没有得到答案，望大神指点迷津，多谢多谢！
有问题，但也不影响继续往下学习，接着看下MetricSink：
func (this *MetricSink) ExportData(batch *core.DataBatch) {
this.lock.Lock()
defer this.lock.Unlock()
now := time.Now()
// 将数据丢入longStore和shortStore
// 需要根据保存的时间将老数据丢弃
this.longStore = append(popOldStore(this.longStore, now.Add(-this.longStoreDuration)),
buildMultimetricStore(this.longStoreMetrics, batch))
this.shortStore = append(popOld(this.shortStore, now.Add(-this.shortStoreDuration)), batch)
}该逻辑比较简单，就是将数据丢入两个Store中，然后把过期数据丢弃。
这里提醒一点，heapster API调用时先会从longStore中匹配数据，没匹配上的话再从shortStore获取，而longStore中存储的数据类型前面已经做过介绍。
终于结束了。。
Heapster API创建
前面的主流业务都介绍完了，Heapster本身也提供了API用于开发者进行使用与测试。
继续分析代码吧：
// 关键接口，后面分析
handler := setupHandlers(metricSink, podLister, nodeLister, historicalSource)
。。。
// 创建http的mux多分器，用于http.Server的路由
mux := http.NewServeMux()
// prometheus：最新出现的人气很高的监控系统，值得了解学习下，后续安排！
promHandler := prometheus.Handler()
// 支持TLS,我们用了http
if len(*argTLSCertFile) > 0 && len(*argTLSKeyFile) > 0 {
。。。
} else {
// 多分器分了"/"和"/metrics"
// 进入"/",还会进行细分，里面使用到了go-restful
mux.Handle("/", handler)
mux.Handle("/metrics", promHandler)
// 注册健康检测接口
healthz.InstallHandler(mux, healthzChecker(metricSink))
// 启动Server
glog.Fatal(http.ListenAndServe(addr, mux))
}这里的关键是setupHandlers()接口，需要学习下里面如何使用go-restful进行请求路由的。
k8s apiServer中也大量使用了go-restful,在学习该源码时有进行过分析
路径： heapster/metrics/handlers.go
func setupHandlers(metricSink *metricsink.MetricSink, podLister *cache.StoreToPodLister, nodeLister *cache.StoreToNodeLister, historicalSource core.HistoricalSource) http.Handler {
runningInKubernetes := true
// 创建container，指定route类型为CurlyRouter
// 这些都跟go-restful基础有关，有兴趣的可以看下原理
wsContainer := restful.NewContainer()
wsContainer.EnableContentEncoding(true)
wsContainer.Router(restful.CurlyRouter{})
// 注册v1版本相关的api，包括官方介绍的"/api/v1/model"
a := v1.NewApi(runningInKubernetes, metricSink, historicalSource)
a.Register(wsContainer)
// 这个metricsApi注册了"/apis/metrics/v1alpha1"的各类命令
// 暂不关心
m := metricsApi.NewApi(metricSink, podLister, nodeLister)
m.Register(wsContainer)
handlePprofEndpoint := func(req *restful.Request, resp *restful.Response) {
name := strings.TrimPrefix(req.Request.URL.Path, pprofBasePath)
switch name {
case "profile":
pprof.Profile(resp, req.Request)
case "symbol":
pprof.Symbol(resp, req.Request)
case "cmdline":
pprof.Cmdline(resp, req.Request)
default:
pprof.Index(resp, req.Request)
}
}
// Setup pporf handlers.
ws = new(restful.WebService).Path(pprofBasePath)
ws.Route(ws.GET("/{subpath:*}").To(metrics.InstrumentRouteFunc("pprof", handlePprofEndpoint))).Doc("pprof endpoint")
wsContainer.Add(ws)
return wsContainer
}关键在于v1版本的API注册，继续深入a.Register(wsContainer)：
func (a *Api) Register(container *restful.Container) {
// 注册"/api/v1/metric-export" API
// 用于从shortStore中获取所有的metrics信息
ws := new(restful.WebService)
ws.Path("/api/v1/metric-export").
Doc("Exports the latest point for all Heapster metrics").
Produces(restful.MIME_JSON)
ws.Route(ws.GET("").
To(a.exportMetrics).
Doc("export the latest data point for all metrics").
Operation("exportMetrics").
Writes([]*types.Timeseries{}))
// ws必须要add到container中才能生效
container.Add(ws)
// 注册"/api/v1/metric-export-schema" API
// 用于导出所有的metrics name，比如network-rx
// 还会导出还有的labels,比如pod-name
ws = new(restful.WebService)
ws.Path("/api/v1/metric-export-schema").
Doc("Schema for metrics exported by heapster").
Produces(restful.MIME_JSON)
ws.Route(ws.GET("").
To(a.exportMetricsSchema).
Doc("export the schema for all metrics").
Operation("exportmetricsSchema").
Writes(types.TimeseriesSchema{}))
container.Add(ws)
// 注册metircSink相关的API，即"/api/v1/model/"
if a.metricSink != nil {
glog.Infof("Starting to Register Model.")
a.RegisterModel(container)
}
if a.historicalSource != nil {
a.RegisterHistorical(container)
}
}官方资料中介绍heapster metric model,我们使用到这些API也会比较多。
进入a.RegisterModel(container)看下：
func (a *Api) RegisterModel(container *restful.Container) {
ws := new(restful.WebService)
// 指定所有命令的prefix： "/api/v1/model"
ws.Path("/api/v1/model").
Doc("Root endpoint of the stats model").
Consumes("*/*").
Produces(restful.MIME_JSON)
// 在这里增加各类命令，比如"/metrics/,/nodes/"等等
addClusterMetricsRoutes(a, ws)
// 列出所有的keys
ws.Route(ws.GET("/debug/allkeys").
To(metrics.InstrumentRouteFunc("debugAllKeys", a.allKeys)).
Doc("Get keys of all metric sets available").
Operation("debugAllKeys"))
container.Add(ws)
}继续看addClusterMetricsRoutes()：
func addClusterMetricsRoutes(a clusterMetricsFetcher, ws *restful.WebService) {
。。。
if a.isRunningInKubernetes() {
// 列出所有namespaces的API
ws.Route(ws.GET("/namespaces/").
To(metrics.InstrumentRouteFunc("namespaceList", a.namespaceList)).
Doc("Get a list of all namespaces that have some current metrics").
Operation("namespaceList"))
// 获取指定namespaces的metrics
ws.Route(ws.GET("/namespaces/{namespace-name}/metrics").
To(metrics.InstrumentRouteFunc("availableNamespaceMetrics", a.availableNamespaceMetrics)).
Doc("Get a list of all available metrics for a Namespace entity").
Operation("availableNamespaceMetrics").
Param(ws.PathParameter("namespace-name", "The name of the namespace to lookup").DataType("string")))
// 获取namespace指定的metrics值
ws.Route(ws.GET("/namespaces/{namespace-name}/metrics/{metric-name:*}").
To(metrics.InstrumentRouteFunc("namespaceMetrics", a.namespaceMetrics)).
Doc("Export an aggregated namespace-level metric").
Operation("namespaceMetrics").
Param(ws.PathParameter("namespace-name", "The name of the namespace to lookup").DataType("string")).
Param(ws.PathParameter("metric-name", "The name of the requested metric").DataType("string")).
Param(ws.QueryParameter("start", "Start time for requested metrics").DataType("string")).
Param(ws.QueryParameter("end", "End time for requested metric").DataType("string")).
Param(ws.QueryParameter("labels", "A comma-separated list of key:values pairs to use to search for a labeled metric").DataType("string")).
Writes(types.MetricResult{}))
。。。
}
。。。
}Heapster API的注册基本就这样了，在花点时间看下API的实现吧。
我们挑一个例子做下分析，获取某个pod的指定的metrics值.
对应的接口：heapster/metrics/api/v1/model_handler.go
func (a *Api) podMetrics(request *restful.Request, response *restful.Response) {
a.processMetricRequest(
// 根据URI传入的ns和pod名字，拼装成key，如："namespace:default/pod:123"
core.PodKey(request.PathParameter("namespace-name"),
request.PathParameter("pod-name")),
request, response)
}根据URI的输入参数并调用processMetricRequest()接口,获取对应的metric value:
func (a *Api) processMetricRequest(key string, request *restful.Request, response *restful.Response) {
// 时间区间
start, end, err := getStartEndTime(request)
if err != nil {
response.WriteError(http.StatusBadRequest, err)
return
}
// 获取metric Name,比如"/cpu/usage"
metricName := request.PathParameter("metric-name")
// 根据metricName进行转换，比如将cpu-usage转换成cpu/usage_rate
// 所以这里需要注意cpu-usage不等于/cpu/usage，一个表示cpu使用率，一个表示cpu使用量
convertedMetricName := convertMetricName(metricName)
// 获取请求中的labels，根据是否有指定labels来调用不同的接口
labels, err := getLabels(request)
if err != nil {
response.WriteError(http.StatusBadRequest, err)
return
}
var metrics map[string][]core.TimestampedMetricValue
if labels != nil {
// 该接口从metricSet.LabeledMetrics中获取对应的value
metrics = a.metricSink.GetLabeledMetric(convertedMetricName, labels, []string{key}, start, end)
} else {
// 该接口先从longStoreMetrics中进行匹配，匹配不到的话再从shortStore中获取对应的metricValue
metrics = a.metricSink.GetMetric(convertedMetricName, []string{key}, start, end)
}
// 将获取到的metricValue转换成MetricPoint格式的值，会有多组"时间戳+value"
converted := exportTimestampedMetricValue(metrics[key])
// 将结果进行response
response.WriteEntity(converted)
}OK,大功告成！API的实现也讲完了，很多API都是相通的，最终都会调用相同的接口，所以不一一介绍了。
这里需要注意heapster的API的URI还有多种写法，比如/api/v1/model/cpu-usage,等价于/api/v1/model/cpu/usage_rate/，别误理解成/cpu/usage了，这两个概念不一样，一个是cpu使用率，一个是cpu使用量。
上面的提醒告诉我们，没事多看源码，很多误解自然而然就解除了！
笔者能力有限，看源码也在于学习提升能力，当然也会有较多不理解或者理解不当的地方，希望各位能予以矫正，多谢多谢！
扩展
上面的介绍完了Heapster的实现，我们可以思考下是否可以动手修改源码，比如增加一些对象的metrics信息。
笔者考虑是否可以直接支持RC/RS/Deployment的metrics信息，让业务层可以直接拿到服务的整体信息。
参考资料
Heapster官方资料：https://github.com/kubernetes...
InfluxDB github: https://github.com/influxdata...
扫一扫
631
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
