Recopilación de métricas personalizadas de MongoDB

Docs > Integraciones > Integration Guides > Recopilación de métricas personalizadas de MongoDB

Información general

Para recopilar métricas personalizadas con la integración MongoDB, utiliza la opción custom_queries en el archivo conf.d/mongo.d/conf.yaml en la raíz del directorio de configuración de tu Agent. Para ver más detalles, consulta el mongo.d/conf.yaml de ejemplo.

Configuración

Estas son las opciones de las custom_queries:

metric_prefix: Cada métrica comienza con el prefijo elegido.
query: Es la consulta Mongo runCommand a ejecutar como un objeto JSON. Nota: El Agent sólo admite las consultas count, find y aggregates.
database: Es la base de datos MongoDB de la que recopilar métricas.
**fields: Se ignora en las consultas a count. Se trata de una lista que representa cada campo sin un orden específico. Ignora los campos no especificados y los que faltan. Hay tres datos obligatorios para cada fields:
- field_name: Es el nombre del campo del que obtener los datos.
- name: Es el sufijo que se añade al prefijo de la métrica para formar el nombre completo de la métrica. Si type es tag, esta columna se trata como etiqueta (tag) y se aplica a cada métrica recopilada por esta consulta concreta.
- type: Es el método de envío (gauge, count, rate y más). También se puede definir como tag para etiquetar cada métrica de la fila con el nombre y el valor del elemento de esta columna. Puedes utilizar el tipo count para realizar agregaciones para consultas que devuelven varias filas con la misma etiqueta o ninguna.
tags: Una lista de etiquetas para aplicar a cada métrica (según lo especificado anteriormente).
count_type: Sólo para consultas count, es el método de envío (gauge, count, rate y más) del resultado de recuento. Se ignora para las consultas que no son de recuento.

Ejemplos

Para los siguientes ejemplos se utiliza la siguiente recopilación user_collection de Mongo:

{ name: "foo", id: 12345, active: true, age:45, is_admin: true}
{ name: "bar", id: 67890, active: false, age:25, is_admin: true}
{ name: "foobar", id: 16273, active: true, age:35, is_admin: false}

Elige el tipo de consulta de la que quieres ver un ejemplo:

Para monitorizar cuántos usuarios están activos en un momento dado, tu comando de recuento de Mongo sería:

db.runCommand( {count: user_collection, query: {active:true}})

Que correspondería a la siguiente configuración YAML custom_queries dentro de tu archivo mongo.d/conf.yaml:

custom_queries:
  - metric_prefix: mongo.users
    query: {"count": "user_collection", "query": {"active":"true"}}
    count_type: gauge
    tags:
      - user:active

Esto emitiría una métrica gauge mongo.users con una etiqueta: user:active.

Nota: El tipo de métrica definido es gauge.

Para monitorizar la edad por usuario, tu comando de búsqueda de Mongo sería:

db.runCommand( {find: user_collection, filter: {active:true} )

Que correspondería a la siguiente configuración YAML custom_queries dentro de tu archivo mongo.d/conf.yaml:

custom_queries:
  - metric_prefix: mongo.example2
    query: {"find": "user_collection", "filter": {"active":"true"}}
    fields:
      - field_name: name
        name: name
        type: tag
      - field_name: age
        name: user.age
        type: gauge

Esto emitiría una métrica gauge mongo.example2.user.age con dos etiquetas: name:foo y name:foobar.

Nota: El tipo de métrica definido es gauge.

Para monitor el promedio de edad de un usuario administrador y de un usuario no administrador, tu comando de agregado de Mongo sería:

db.runCommand(
              {
                'aggregate': "user_collection",
                'pipeline': [
                  {"$match": {"active": "true"}},
                  {"$group": {"_id": "$is_admin", "age_avg": {"$avg": "$age"}}}
                ],
                'cursor': {}
              }
            )

Que correspondería a la siguiente configuración YAML custom_queries dentro de tu archivo mongo.d/conf.yaml:

custom_queries:
  - metric_prefix: mongo.example3
    query: {"aggregate": "user_collection","pipeline": [{"$match": {"active": "true"}},{"$group": {"_id": "$is_admin", "age_avg": {"$avg": "$age"}}}],"cursor": {}}
    fields:
      - field_name: age_avg
        name: user.age
        type: gauge
      - field_name: _id
        name: is_admin
        type: tag
    tags:
      - test:mongodb

Esto emitiría una métrica gauge mongo.example3.user.age con dos etiquetas: is_admin:true y is_admin:false que representan el promedio de edad de los usuarios para cada etiqueta.

Nota: Después de actualizar el archivo YAML de Mongo, reinicia el Datadog Agent.