这个演示应用程序 StatsD 是将 statsd 与 Python Flask 应用程序集成的一个完整示例。
集成 Prometheus要使用 Prometheus 监测系统，我们使用 Promethius Python 客户端。我们将首先去创建有关的指标类对象：
REQUEST_LATENCY =Histogram('request_latency_seconds','Request latency',
['app_name','endpoint']
)
在上面的语句中的第三个参数是与这个指标相关的标识符。这些标识符是由与单个指标值相关联的元数据定义的。
去记录一个特定的观测指标：
REQUEST_LATENCY.labels('webapp', request.path).observe(resp_time)
下一步是在我们的应用程序中定义一个 Prometheus 能够刮取的 HTTP 端点。这通常是一个被称为 /metrics 的端点：
@app.route('/metrics')
def metrics():
returnResponse(prometheus_client.generate_latest(), mimetype=CONTENT_TYPE_LATEST)
这个演示应用程序 Prometheus 是将 prometheus 与 Python Flask 应用程序集成的一个完整示例。
哪个更好：StatsD 还是 Prometheus？本能地想到的下一个问题便是：我应该使用 StatsD 还是 Prometheus？关于这个主题我写了几篇文章，你可能发现它们对你很有帮助：
指标的使用方式我们已经学习了一些关于为什么要在我们的应用程序上配置监测的原因，而现在我们来更深入地研究其中的两个用法：报警和自动扩展。
使用指标进行报警指标的一个关键用途是创建警报。例如，假如过去的五分钟，你的 HTTP 500 的数量持续增加，你可能希望给相关的人发送一封电子邮件或页面提示。对于配置警报做什么取决于我们的监测设置。对于 Prometheus 我们可以使用 Alertmanager，而对于 StatsD，我们使用 Nagios。
使用指标进行自动扩展在一个云基础设施中，如果我们当前的基础设施供应过量或供应不足，通过指标不仅可以让我们知道，还可以帮我们实现一个自动伸缩的策略。例如，如果在过去的五分钟里，在我们服务器上的工作进程使用率达到 90%，我们可以水平扩展。我们如何去扩展取决于云基础设施。AWS 的自动扩展，缺省情况下，扩展策略是基于系统的 CPU 使用率、网络流量、以及其它因素。然而，让基础设施伸缩的应用程序指标，我们必须发布 自定义的 CloudWatch 指标。
在多服务架构中的应用程序监测当我们超越一个单应用程序架构时，比如当客户端的请求在响应被发回之前，能够触发调用多个服务，就需要从我们的指标中获取更多的信息。我们需要一个统一的延迟视图指标，这样我们就能够知道响应这个请求时每个服务花费了多少时间。这可以用 分布式跟踪 来实现。
你可以在我的博客文章 《在你的 Python 应用程序中通过 Zipkin 引入分布式跟踪》 中看到在 Python 中进行分布式跟踪的示例。
划重点总之，你需要记住以下几点：
理解你的监测系统中指标类型的含义
知道监测系统需要的你的数据的测量单位
监测你的应用程序中的大多数关键组件
监测你的应用程序在它的大多数关键阶段的行为
以上要点是假设你不去管理你的监测系统。如果管理你的监测系统是你的工作的一部分，那么你还要考虑更多的问题！
其它资源以下是我在我的监测学习过程中找到的一些非常有用的资源：
综合的 StatsD/Graphite Prometheus 避免犯错（即第 3 阶段的学习）在我们学习监测的基本知识时，时刻注意不要犯错误是很重要的。以下是我偶然发现的一些很有见解的资源：