PromQL 进阶
掌握基础后，本章讲生产中最常用到的进阶写法：分位数、运算、子查询、记录规则。
1. 分位数：histogram_quantile
延迟的「平均值」会掩盖长尾。看 P95 / P99 才真实反映用户体验。前提是你的指标是 Histogram 类型（带 _bucket 后缀，按 le 分桶）。
# P95 请求延迟（秒）
histogram_quantile(
0.95,
sum by (le) (rate(http_request_duration_seconds_bucket[5m]))
)要点：
- 外层
sum by (le)把多实例的 bucket 合并，再交给histogram_quantile 0.95是要的百分位；0.99即 P99- 必须作用于
rate(..._bucket[5m])，且按le聚合
⚠️别忘了 sum by (le)
新手常写 histogram_quantile(0.95, rate(x_bucket[5m])) 报错——因为 rate 后还带着 instance 等标签，必须 sum by (le) 压平再算分位。
2. 四则运算与向量匹配
两个瞬时向量可以直接运算（如 错误率 = 错误/总量）。
# 每个序列各自相除（按相同标签集合对齐）
errors / total当两边标签不完全一致，需要显式指定匹配：
# 忽略 instance 标签，只按 job 对齐
sum by (job) (errors) / on (job) sum by (job) (total)on (label)：只按这些标签匹配ignoring (label)：忽略这些标签后匹配group_left/group_right：一对多匹配（很多场景需要，如把up关联到带额外标签的序列）
3. 子查询（Subquery）
有时你想对一个「已经聚合过的区间」再聚合，比如「过去 1 小时里，每 5 分钟窗口的 P95 的最大值」：
max_over_time(
histogram_quantile(0.95,
sum by (le) (rate(http_request_duration_seconds_bucket[5m]))
)[1h:5m]
)语法：expr[start:resolution] —— 在 start 长度内，每 resolution 取一个采样点。
ℹ️子查询的代价
子查询会对每个子窗口重算一遍内部查询，开销较大。高频使用的复杂查询应改用记录规则（见下）。
4. 记录规则（Recording Rules）
把「算得慢、用得勤」的查询预先算好存成新指标，仪表盘直接查结果，又快又省。
在 Prometheus 侧定义（prometheus.yml 或独立 rules 文件）：
# prometheus/rules.yml
groups:
- name: example
interval: 30s
rules:
- record: job:http_requests:rate5m
expr: sum by (job) (rate(http_requests_total[5m]))
- record: job:http_errors:ratio5m
expr: |
sum by (job) (rate(http_requests_total{status=~"5.."}[5m]))
/
sum by (job) (rate(http_requests_total[5m]))之后在 Grafana 里直接写：
job:http_errors:ratio5m💡命名约定
社区约定 level:metric:operation 三段式，例如 job:http_requests:rate5m，可读性好、不易冲突。
5. 常用进阶函数
| 函数 | 作用 |
|---|---|
histogram_quantile(q, b) | 分位数 |
clamp_max(x, m) / clamp_min | 限制上下限 |
absent() | 序列消失时返回 1（适合「该有却没有」的告警） |
label_replace() | 运行时改写/新增标签 |
predict_linear() | 线性预测（如磁盘多久满） |
# 预测 4 小时后磁盘可用字节（小于 0 即将写满）
predict_linear(node_filesystem_avail_bytes[1h], 4 * 3600) < 0小结
- 分位数用
histogram_quantile(0.95, sum by (le)(rate(bucket[5m]))) - 向量运算用
on()/ignoring()/group_left()控制匹配 - 子查询
expr[start:res]做嵌套区间 - 记录规则把重查询预计算，仪表盘秒开
下一章：查询结果的「数据转换（Transform）」→