2. PromQL 基础回顾：数据类型、选择器与标签匹配

在深入黄金指标与录制规则设计之前，必须牢固掌握 PromQL 的核心数据类型与选择器机制。PromQL 的查询结果类型决定了你能对数据执行何种操作，而标签匹配则是精准筛选监控目标的唯一手段。本节将系统梳理这四大基石。

2.1 四种核心数据类型

PromQL 表达式求值后返回以下四种类型之一。理解它们的区别是避免查询错误的前提。

2.2 瞬时向量 vs 区间向量：核心差异

这两个向量类型是 PromQL 查询的主力。它们的差异直接决定了你能使用的函数和操作符。

• 瞬时向量：用于当前值的运算、比较、聚合。例如：avg(rate(http_requests_total[5m])) 中的 rate() 返回的就是瞬时向量。
• 区间向量：用于历史窗口的聚合计算，是 rate()、increase()、avg_over_time() 等函数的唯一合法输入。

下面的 SVG 图展示了瞬时向量与区间向量在时间轴上的数据采集差异：

2.3 选择器与标签匹配

选择器（Selector）用于从 Prometheus 时间序列数据库中筛选出特定的指标。标签匹配是选择器的灵魂，它决定了查询的精确度与范围。

2.3.1 完整选择器语法

<metric_name>{<label_matchers>}

其中 <label_matchers> 支持四种匹配操作符：

2.3.2 选择器匹配逻辑

选择器中的多个标签匹配条件是逻辑与（AND）关系。只有同时满足所有标签条件的序列才会被选中。

# 选中 job 为 "node" 且 instance 以 "10.0.1." 开头的所有序列
node_memory_MemTotal_bytes{job="node", instance=~"10\\.0\\.1\\..*"}

下面的 SVG 图展示了选择器如何通过标签匹配从时间序列数据库中筛选数据：

2.4 空匹配与隐式标签

选择器中的标签匹配可以省略指标名，此时会匹配所有指标。这在调试时非常有用，但生产环境中应避免，因为会带来巨大的性能开销。

# 匹配所有指标中 job 为 "node" 的序列（不推荐在生产中使用）
{job="node"}

此外，Prometheus 会自动为每个时间序列附加 __name__ 隐式标签，其值即为指标名。你可以像普通标签一样使用它：

# 等价于 node_cpu_seconds_total
{__name__="node_cpu_seconds_total"}

2.5 选择器最佳实践

• 优先精确匹配：能用 = 就不要用 =~，正则匹配会消耗更多 CPU。
• 避免全量扫描：始终至少指定一个标签匹配条件，减少 Prometheus 需要扫描的序列数量。
• 注意标签值中的特殊字符：正则匹配时，点号 .、反斜杠 \ 等需要转义。
• 录制规则中固定标签：在录制规则表达式中，尽量使用精确标签匹配，确保规则结果的可预测性。