TDengine时序数据库 详解

1. TDengine 简介

TDengine 是一款 高性能、分布式、支持 SQL 的时序数据库（Time-Series Database, TSDB），专为 物联网（IoT）、工业互联网、金融监控、日志分析 等场景设计。其核心特点包括：

• 超高性能：单机每秒百万级写入，查询速度比传统数据库快 10 倍以上。
• 低存储成本：采用列式存储 + 压缩算法，存储空间节省 90%+。
• 完整 SQL 支持：兼容标准 SQL，支持时间窗口聚合、降采样等时序计算。
• 分布式架构：支持水平扩展，适应海量数据存储。
• 开源：核心代码开源（Apache 2.0 协议）。

2. 核心架构

(1) 存储引擎

• 列式存储：数据按列存储，提高压缩率和查询效率。
• 时间分区：按时间自动分片（如按天/小时），加快时间范围查询。
• 多级存储：支持内存、SSD、HDD 分层存储，冷热数据分离。

(2) 计算引擎

• 流式计算：内置窗口函数、连续查询（Continuous Query）。
• 分布式计算：支持多节点并行查询。

(3) 数据模型

• 超级表（Super Table）：定义同一类设备的表结构（类似关系型数据库的“表模板”）。
• 子表（Sub Table）：每个设备对应一个子表，自动管理。
• 标签（Tags）：设备的元数据（如设备 ID、位置），用于高效过滤。

3. 核心功能

(1) 高性能写入

• 批量写入：支持单条或批量插入，建议批量提交以提高吞吐量。

  INSERT INTO meter_001 USING meters TAGS ('device1', 'Beijing') VALUES (now, 23.5, 0.8);
  

• 异步写入：客户端可配置异步提交，降低延迟。

(2) 高效查询

• 时间窗口聚合：

  SELECT AVG(voltage) FROM meters 
  WHERE ts >= '2023-01-01' AND ts < '2023-01-02' 
  INTERVAL(1h);
  

• 降采样（Downsampling）：

  SELECT FIRST(voltage) FROM meters SAMPLE BY 10m;
  

(3) 数据压缩

• 默认压缩率 5:1，可通过配置选择不同压缩算法（如 LZ4、ZSTD）。

(4) 流式计算

• 连续查询（CQ）：自动计算并存储聚合结果。

  CREATE CONTINUOUS QUERY cq_1 
  RESAMPLE EVERY 10s 
  AS SELECT AVG(voltage) INTO avg_voltage FROM meters;
  

(5) 分布式扩展

• 水平分片：按时间或哈希分片，支持多节点集群。
• 负载均衡：自动分配数据到不同节点。

4. 适用场景

5. 竞品对比

6. 快速入门

(1) 安装

# Linux
wget https://www.taosdata.com/assets-download/TDengine-server-3.x.x-Linux-x64.tar.gz
tar -xzvf TDengine-server-3.x.x-Linux-x64.tar.gz
cd TDengine-server-3.x.x && ./install.sh

# 启动服务
systemctl start taosd

(2) 基本操作

-- 创建数据库
CREATE DATABASE mydb;
USE mydb;

-- 创建超级表（定义设备模板）
CREATE STABLE meters (ts TIMESTAMP, voltage FLOAT, current FLOAT) 
TAGS (device_id NCHAR(50), location NCHAR(50));

-- 插入数据（自动创建子表）
INSERT INTO meter_001 USING meters TAGS ('device1', 'Beijing') VALUES (now, 23.5, 0.8);

-- 查询
SELECT * FROM meters WHERE location = 'Beijing';

(3) 客户端连接（REST / JDBC / Python）

# Python 示例
from taos import connect

conn = connect(host="localhost", user="root", password="taosdata")
cursor = conn.cursor()
cursor.execute("SELECT * FROM meters LIMIT 10")
print(cursor.fetchall())

7. 性能优化

(1) 写入优化

• 批量插入：单次插入多条数据（建议 100~1000 条/批）。
• 异步写入：配置客户端异步提交。

(2) 查询优化

• 使用时间分区：按时间范围查询时，避免全表扫描。
• 合理使用标签：通过 TAGS 字段加速过滤。

(3) 存储优化

• 调整压缩算法：根据数据特征选择 LZ4（速度优先）或 ZSTD（压缩率优先）。
• 冷热数据分离：旧数据迁移到低成本存储。

8. 局限性

• 事务支持有限：不适合强事务场景（如银行核心系统）。
• 非时序数据不适用：关系型数据建议用 MySQL/PostgreSQL。

9. 学习资源

• 官网文档: https://www.taosdata.com
• GitHub: https://github.com/taosdata/TDengine
• 社区论坛: https://community.taosdata.com

总结

TDengine 是时序数据处理领域的 高性能、低成本解决方案，特别适合 IoT、工业互联网、金融监控 等场景。其 列式存储、分布式架构、完整 SQL 支持 使其在时序数据库中脱颖而出。对于需要 高吞吐写入、低存储成本、实时分析 的场景，TDengine 是最佳选择之一。