好的，下面是关于 Prometheus 中 Histogram 和 Summary 的详细对比，并提供一些示例。
- 相同点
- 都用于度量分布式系统性能。
- 都可以记录和展示观测值的分布情况。
- 都支持各种聚合操作，如 sum、count、quantile 等。
- 不同点
- Histogram 通过将观测值划分成固定区间（桶）来记录数据分布情况；而 Summary 则通过百分位数来确定桶的边界。
- Histogram 更适合处理长尾型数据或极端事件，Summary 则更适合记录短周期内的数据变化。
下面给出两个具体的示例：
Histogram 示例：假设我们要度量某个 Web 服务请求的延迟时间。我们可以使用 Histogram 记录每个请求花费的时间，并将其划分为若干区间。例如，我们可以定义以下四个桶：
{le="10"} // 请求完成时间小于等于 10 毫秒{le="50"} // 请求完成时间大于 10 毫秒且小于等于 50 毫秒{le="100"} // 请求完成时间大于 50 毫秒且小于等于 100 毫秒{le="+Inf"} // 请求完成时间大于 100 毫秒
然后，我们可以在 Prometheus 中定义一个名为 request_latency_seconds 的 Histogram 类型指标：
request_latency_seconds = Histogram(name = "request_latency_seconds",help = "Request latency in seconds.",buckets = [10, 50, 100, float('inf')],)
接下来，在每次请求完成时，我们可以记录请求的延迟时间：
start_time = time.time()do_something()elapsed_time = time.time() - start_timerequest_latency_seconds.observe(elapsed_time)
最后，我们可以使用 Prometheus 的查询语句来计算各种聚合操作（如 sum、count、quantile 等），并在 Grafana 中绘制直方图等可视化图表。
Summary 示例：假设我们要度量某个 Web 服务的处理速率。我们可以使用 Summary 记录每秒钟处理请求数，并自动计算出不同百分位数的值。例如，我们可以定义以下三个百分位数：
0.5 // 50% 百分位数0.9 // 90% 百分位数0.99 // 99% 百分位数
然后，在 Prometheus 中定义一个名为 request_rate 的 Summary 类型指标：
request_rate = Summary(name = "request_rate",help = "Request rate per second.",objectives = {'0.5': 0.01,'0.9': 0.001,'0.99': 0.0001,},)
接下来，在每次请求完成时，我们可以记录处理请求数：
current_timestamp_ms = int(time.time() * 1000)requests_per_second = 1 / elapsed_timerequest_rate.observe(requests_per_second, current_timestamp_ms)
最后，我们可以使用 Prometheus 的查询语句来计算各种聚合操作（如 sum、count、avg 等），并在 Grafana 中绘制可视化图表。例如，以下查询语句可以计算出前一分钟内请求处理速率的平均值：
rate(request_rate[1m])
