InfluxDB是一個開源的時序數(shù)據(jù)庫，使用GO語言開發(fā)，特別適合用于處理和分析資源監(jiān)控數(shù)據(jù)這種時序相關(guān)數(shù)據(jù)。而InfluxDB自帶的各種特殊函數(shù)如求標準差，隨機取樣數(shù)據(jù)，統(tǒng)計數(shù)據(jù)變化比等，使數(shù)據(jù)統(tǒng)計和實時分析變得十分方便。在我們的容器資源監(jiān)控系統(tǒng)中，就采用了InfluxDB存儲cadvisor的監(jiān)控數(shù)據(jù)。本文對InfluxDB的基本概念和一些特色功能做一個詳細介紹，內(nèi)容主要是翻譯整理自官網(wǎng)文檔，如有錯漏，請指正。

1 安裝配置

這里說一下使用docker容器運行influxdb的步驟，物理機安裝請參照官方文檔。拉取鏡像文件后運行即可，當前最新版本是1.3.5。啟動容器時設置掛載的數(shù)據(jù)目錄和開放端口。InfluxDB的操作語法InfluxQL與SQL基本一致，也提供了一個類似mysql-client的名為influx的CLI。InfluxDB本身是支持分布式部署多副本存儲的，本文介紹都是針對的單節(jié)點單副本。

# docker pull influxdb
# docker run -idt --name influxdb -p 8086:8086 -v /Users/ssj/influxdb:/var/lib/influxdb influxdb
f216e9be15bff545befecb30d1d275552026216a939cc20c042b17419e3bde31
# docker exec -it influxdb /bin/bash 
root@f216e9be15bf:/# influx
Connected to http://localhost:8086 version 1.3.5
InfluxDB shell version: 1.3.5
> create database cadvisor  ## 創(chuàng)建數(shù)據(jù)庫cadvisor
> show databases           
name: databases
name
----
_internal
cadvisor
> CREATE USER testuser WITH PASSWORD 'testpwd' ## 創(chuàng)建用戶和設置密碼
> GRANT ALL PRIVILEGES ON cadvisor TO testuser ## 授權(quán)數(shù)據(jù)庫給指定用戶
> CREATE RETENTION POLICY "cadvisor_retention" ON "cadvisor" DURATION 30d REPLICATION 1 DEFAULT ## 創(chuàng)建默認的數(shù)據(jù)保留策略，設置保存時間30天，副本為1

2 重要概念

influxdb里面有一些重要概念：database，timestamp，field key， field value， field set，tag key，tag value，tag set，measurement， retention policy ，series，point。結(jié)合下面的例子數(shù)據(jù)來說明這幾個概念：

name: census
-————————————
time                     butterflies     honeybees     location   scientist
2015-08-18T00:00:00Z      12                23           1         langstroth
2015-08-18T00:00:00Z      1                 30           1         perpetua
2015-08-18T00:06:00Z      11                28           1         langstroth
2015-08-18T00:06:00Z      3                 28           1         perpetua
2015-08-18T05:54:00Z      2                 11           2         langstroth
2015-08-18T06:00:00Z      1                 10           2         langstroth
2015-08-18T06:06:00Z      8                 23           2         perpetua
2015-08-18T06:12:00Z      7                 22           2         perpetua

timestamp

既然是時間序列數(shù)據(jù)庫，influxdb的數(shù)據(jù)都有一列名為time的列，里面存儲UTC時間戳。

field key，field value，field set

butterflies和honeybees兩列數(shù)據(jù)稱為字段(fields)，influxdb的字段由field key和field value組成。其中butterflies和honeybees為field key，它們?yōu)閟tring類型，用于存儲元數(shù)據(jù)。

而butterflies這一列的數(shù)據(jù)12-7為butterflies的field value，同理，honeybees這一列的23-22為honeybees的field value。field value可以為string，float，integer或boolean類型。field value通常都是與時間關(guān)聯(lián)的。

field key和field value對組成的集合稱之為field set。如下：

butterflies = 12 honeybees = 23
butterflies = 1 honeybees = 30
butterflies = 11 honeybees = 28
butterflies = 3 honeybees = 28
butterflies = 2 honeybees = 11
butterflies = 1 honeybees = 10
butterflies = 8 honeybees = 23
butterflies = 7 honeybees = 22

在influxdb中，字段必須存在。注意，字段是沒有索引的。如果使用字段作為查詢條件，會掃描符合查詢條件的所有字段值，性能不及tag。類比一下，fields相當于SQL的沒有索引的列。

tag key，tag value，tag set

location和scientist這兩列稱為標簽(tags)，標簽由tag key和tag value組成。location這個tag key有兩個tag value：1和2，scientist有兩個tag value：langstroth和perpetua。tag key和tag value對組成了tag set，示例中的tag set如下：

location = 1, scientist = langstroth
location = 2, scientist = langstroth
location = 1, scientist = perpetua
location = 2, scientist = perpetua

tags是可選的，但是強烈建議你用上它，因為tag是有索引的，tags相當于SQL中的有索引的列。tag value只能是string類型 如果你的常用場景是根據(jù)butterflies和honeybees來查詢，那么你可以將這兩個列設置為tag，而其他兩列設置為field，tag和field依據(jù)具體查詢需求來定。

measurement

measurement是fields，tags以及time列的容器，measurement的名字用于描述存儲在其中的字段數(shù)據(jù)，類似mysql的表名。如上面例子中的measurement為census。measurement相當于SQL中的表，本文中我在部分地方會用表來指代measurement。

retention policy

retention policy指數(shù)據(jù)保留策略，示例數(shù)據(jù)中的retention policy為默認的autogen。它表示數(shù)據(jù)一直保留永不過期，副本數(shù)量為1。你也可以指定數(shù)據(jù)的保留時間，如30天。

series

series是共享同一個retention policy，measurement以及tag set的數(shù)據(jù)集合。示例中數(shù)據(jù)有4個series，如下:

Arbitrary series number	Retention policy	Measurement	Tag set
series 1	autogen	census	location = 1,scientist = langstroth
series 2	autogen	census	location = 2,scientist = langstroth
series 3	autogen	census	location = 1,scientist = perpetua
series 4	autogen	census	location = 2,scientist = perpetua

point

point則是同一個series中具有相同時間的field set，points相當于SQL中的數(shù)據(jù)行。如下面就是一個point：

name: census
-----------------
time                  butterflies    honeybees   location    scientist
2015-08-18T00:00:00Z       1            30           1        perpetua

database

上面提到的結(jié)構(gòu)都存儲在數(shù)據(jù)庫中，示例的數(shù)據(jù)庫為my_database。一個數(shù)據(jù)庫可以有多個measurement，retention policy， continuous queries以及user。influxdb是一個無模式的數(shù)據(jù)庫，可以很容易的添加新的measurement，tags，fields等。而它的操作卻和傳統(tǒng)的數(shù)據(jù)庫一樣，可以使用類SQL語言查詢和修改數(shù)據(jù)。

influxdb不是一個完整的CRUD數(shù)據(jù)庫，它更像是一個CR-ud數(shù)據(jù)庫。它優(yōu)先考慮的是增加和讀取數(shù)據(jù)而不是更新和刪除數(shù)據(jù)的性能，而且它阻止了某些更新和刪除行為使得創(chuàng)建和讀取數(shù)據(jù)更加高效。

3 特色函數(shù)

influxdb函數(shù)分為聚合函數(shù)，選擇函數(shù)，轉(zhuǎn)換函數(shù)，預測函數(shù)等。除了與普通數(shù)據(jù)庫一樣提供了基本操作函數(shù)外，還提供了一些特色函數(shù)以方便數(shù)據(jù)統(tǒng)計計算，下面會一一介紹其中一些常用的特色函數(shù)。

聚合函數(shù)：FILL(), INTEGRAL()，SPREAD()， STDDEV()，MEAN(), MEDIAN()等。
選擇函數(shù): SAMPLE(), PERCENTILE(), FIRST(), LAST(), TOP(), BOTTOM()等。
轉(zhuǎn)換函數(shù): DERIVATIVE(), DIFFERENCE()等。
預測函數(shù)：HOLT_WINTERS()。

先從官網(wǎng)導入測試數(shù)據(jù)（注：這里測試用的版本是1.3.1，最新版本是1.3.5）:

$ curl https://s3.amazonaws.com/noaa.water-database/NOAA_data.txt -o NOAA_data.txt
$ influx -import -path=NOAA_data.txt -precision=s -database=NOAA_water_database
$ influx -precision rfc3339 -database NOAA_water_database
Connected to http://localhost:8086 version 1.3.1
InfluxDB shell 1.3.1
> show measurements
name: measurements
name
----
average_temperature
distincts
h2o_feet
h2o_pH
h2o_quality
h2o_temperature

> show series from h2o_feet;
key
---
h2o_feet,location=coyote_creek
h2o_feet,location=santa_monica

下面的例子都以官方示例數(shù)據(jù)庫來測試，這里只用部分數(shù)據(jù)以方便觀察。measurement為h2o_feet，tag key為location，field key有level description和water_level兩個。

> SELECT * FROM "h2o_feet" WHERE time >= '2015-08-17T23:48:00Z' AND time <= '2015-08-18T00:30:00Z'
name: h2o_feet
time                 level description    location     water_level
----                 -----------------    --------     -----------
2015-08-18T00:00:00Z between 6 and 9 feet coyote_creek 8.12
2015-08-18T00:00:00Z below 3 feet         santa_monica 2.064
2015-08-18T00:06:00Z between 6 and 9 feet coyote_creek 8.005
2015-08-18T00:06:00Z below 3 feet         santa_monica 2.116
2015-08-18T00:12:00Z between 6 and 9 feet coyote_creek 7.887
2015-08-18T00:12:00Z below 3 feet         santa_monica 2.028
2015-08-18T00:18:00Z between 6 and 9 feet coyote_creek 7.762
2015-08-18T00:18:00Z below 3 feet         santa_monica 2.126
2015-08-18T00:24:00Z between 6 and 9 feet coyote_creek 7.635
2015-08-18T00:24:00Z below 3 feet         santa_monica 2.041
2015-08-18T00:30:00Z between 6 and 9 feet coyote_creek 7.5
2015-08-18T00:30:00Z below 3 feet         santa_monica 2.051

GROUP BY，F(xiàn)ILL()

如下語句中GROUP BY time(12m),* 表示以每12分鐘和tag(location)分組(如果是GROUP BY time(12m)則表示僅每12分鐘分組，GROUP BY 參數(shù)只能是time和tag)。然后fill(200)表示如果這個時間段沒有數(shù)據(jù)，以200填充，mean(field_key)求該范圍內(nèi)數(shù)據(jù)的平均值(注意：這是依據(jù)series來計算。其他還有SUM求和，MEDIAN求中位數(shù))。LIMIT 7表示限制返回的point(記錄數(shù))最多為7條，而SLIMIT 1則是限制返回的series為1個。

注意這里的時間區(qū)間，起始時間為整點前包含這個區(qū)間第一個12m的時間，比如這里為 2015-08-17T:23:48:00Z，第一條為 2015-08-17T23:48:00Z <= t < 2015-08-18T00:00:00Z這個區(qū)間的location=coyote_creek的water_level的平均值，這里沒有數(shù)據(jù)，于是填充的200。第二條為 2015-08-18T00:00:00Z <= t < 2015-08-18T00:12:00Z區(qū)間的location=coyote_creek的water_level平均值，這里為 （8.12+8.005）/ 2 = 8.0625，其他以此類推。

而GROUP BY time(10m)則表示以10分鐘分組，起始時間為包含這個區(qū)間的第一個10m的時間，即 2015-08-17T23:40:00Z。默認返回的是第一個series，如果要計算另外那個series，可以在SQL語句后面加上 SOFFSET 1。

那如果時間小于數(shù)據(jù)本身采集的時間間隔呢，比如GROUP BY time(10s)呢？這樣的話，就會按10s取一個點，沒有數(shù)值的為空或者FILL填充，對應時間點有數(shù)據(jù)則保持不變。

## GROUP BY time(12m)
> SELECT mean("water_level") FROM "h2o_feet" WHERE time >= '2015-08-17T23:48:00Z' AND time <= '2015-08-18T00:30:00Z' GROUP BY time(12m),* fill(200) LIMIT 7 SLIMIT 1
name: h2o_feet
tags: location=coyote_creek
time                 mean
----                 ----
2015-08-17T23:48:00Z 200
2015-08-18T00:00:00Z 8.0625
2015-08-18T00:12:00Z 7.8245
2015-08-18T00:24:00Z 7.5675

## GROUP BY time(10m)，SOFFSET設置為1
> SELECT mean("water_level") FROM "h2o_feet" WHERE time >= '2015-08-17T23:48:00Z' AND time <= '2015-08-18T00:30:00Z' GROUP BY time(10m),* fill(200) LIMIT 7 SLIMIT 1 SOFFSET 1
name: h2o_feet
tags: location=santa_monica
time                 mean
----                 ----
2015-08-17T23:40:00Z 200
2015-08-17T23:50:00Z 200
2015-08-18T00:00:00Z 2.09
2015-08-18T00:10:00Z 2.077
2015-08-18T00:20:00Z 2.041
2015-08-18T00:30:00Z 2.051

INTEGRAL(field_key, unit)

計算數(shù)值字段值覆蓋的曲面的面積值并得到面積之和。測試數(shù)據(jù)如下：

> SELECT "water_level" FROM "h2o_feet" WHERE "location" = 'santa_monica' AND time >= '2015-08-18T00:00:00Z' AND time <= '2015-08-18T00:30:00Z'

name: h2o_feet
time                   water_level
----                   -----------
2015-08-18T00:00:00Z   2.064
2015-08-18T00:06:00Z   2.116
2015-08-18T00:12:00Z   2.028
2015-08-18T00:18:00Z   2.126
2015-08-18T00:24:00Z   2.041
2015-08-18T00:30:00Z   2.051

使用INTERGRAL計算面積。注意，這個面積就是這些點連接起來后與時間圍成的不規(guī)則圖形的面積，注意unit默認是以1秒計算，所以下面語句計算結(jié)果為3732.66=2.028*1800+分割出來的梯形和三角形面積。如果unit改為1分，則結(jié)果為3732.66/60 = 62.211。unit為2分，則結(jié)果為3732.66/120 = 31.1055。以此類推。

# unit為默認的1秒
> SELECT INTEGRAL("water_level") FROM "h2o_feet" WHERE "location" = 'santa_monica' AND time >= '2015-08-18T00:00:00Z' AND time <= '2015-08-18T00:30:00Z'
name: h2o_feet
time                 integral
----                 --------
1970-01-01T00:00:00Z 3732.66

# unit為1分
> SELECT INTEGRAL("water_level", 1m) FROM "h2o_feet" WHERE "location" = 'santa_monica' AND time >= '2015-08-18T00:00:00Z' AND time <= '2015-08-18T00:30:00Z'
name: h2o_feet
time                 integral
----                 --------
1970-01-01T00:00:00Z 62.211

SPREAD(field_key)

計算數(shù)值字段的最大值和最小值的差值。

> SELECT SPREAD("water_level") FROM "h2o_feet" WHERE time >= '2015-08-17T23:48:00Z' AND time <= '2015-08-18T00:30:00Z' GROUP BY time(12m),* fill(18) LIMIT 3 SLIMIT 1 SOFFSET 1
name: h2o_feet
tags: location=santa_monica
time                 spread
----                 ------
2015-08-17T23:48:00Z 18
2015-08-18T00:00:00Z 0.052000000000000046
2015-08-18T00:12:00Z 0.09799999999999986

STDDEV(field_key)

計算字段的標準差。influxdb用的是貝塞爾修正的標準差計算公式，如下：

mean=(v₁+v₂+...+v_n)/n;
stddev = math.sqrt(
((v₁-mean)² + (v₂-mean)² + ...+(v_n-mean)²)/(n-1)
)

> SELECT STDDEV("water_level") FROM "h2o_feet" WHERE time >= '2015-08-17T23:48:00Z' AND time <= '2015-08-18T00:30:00Z' GROUP BY time(12m),* fill(18) SLIMIT 1;
name: h2o_feet
tags: location=coyote_creek
time                 stddev
----                 ------
2015-08-17T23:48:00Z 18
2015-08-18T00:00:00Z 0.08131727983645186
2015-08-18T00:12:00Z 0.08838834764831845
2015-08-18T00:24:00Z 0.09545941546018377

PERCENTILE(field_key, N)

選取某個字段中大于N%的這個字段值。

如果一共有4條記錄，N為10，則10%*4=0.4，四舍五入為0，則查詢結(jié)果為空。N為20，則 20% * 4 = 0.8，四舍五入為1，選取的是4個數(shù)中最小的數(shù)。如果N為40，40% * 4 = 1.6，四舍五入為2，則選取的是4個數(shù)中第二小的數(shù)。由此可以看出N=100時，就跟MAX(field_key)是一樣的，而當N=50時，與MEDIAN(field_key)在字段值為奇數(shù)個時是一樣的。

> SELECT PERCENTILE("water_level",20) FROM "h2o_feet" WHERE time >= '2015-08-17T23:48:00Z' AND time <= '2015-08-18T00:30:00Z' GROUP BY time(12m)
name: h2o_feet
time                 percentile
----                 ----------
2015-08-17T23:48:00Z 
2015-08-18T00:00:00Z 2.064
2015-08-18T00:12:00Z 2.028
2015-08-18T00:24:00Z 2.041

> SELECT PERCENTILE("water_level",40) FROM "h2o_feet" WHERE time >= '2015-08-17T23:48:00Z' AND time <= '2015-08-18T00:30:00Z' GROUP BY time(12m)
name: h2o_feet
time                 percentile
----                 ----------
2015-08-17T23:48:00Z 
2015-08-18T00:00:00Z 2.116
2015-08-18T00:12:00Z 2.126
2015-08-18T00:24:00Z 2.051

SAMPLE(field_key, N)

隨機返回field key的N個值。如果語句中有GROUP BY time()，則每組數(shù)據(jù)隨機返回N個值。

> SELECT SAMPLE("water_level",2) FROM "h2o_feet" WHERE time >= '2015-08-17T23:48:00Z' AND time <= '2015-08-18T00:30:00Z';
name: h2o_feet
time                 sample
----                 ------
2015-08-18T00:00:00Z 2.064
2015-08-18T00:12:00Z 2.028

> SELECT SAMPLE("water_level",2) FROM "h2o_feet" WHERE time >= '2015-08-17T23:48:00Z' AND time <= '2015-08-18T00:30:00Z' GROUP BY time(12m);
name: h2o_feet
time                 sample
----                 ------
2015-08-18T00:06:00Z 2.116
2015-08-18T00:06:00Z 8.005
2015-08-18T00:12:00Z 7.887
2015-08-18T00:18:00Z 7.762
2015-08-18T00:24:00Z 7.635
2015-08-18T00:30:00Z 2.051

CUMULATIVE_SUM(field_key)

計算字段值的遞增和。

> SELECT CUMULATIVE_SUM("water_level") FROM "h2o_feet" WHERE time >= '2015-08-17T23:48:00Z' AND time <= '2015-08-18T00:30:00Z';
name: h2o_feet
time                 cumulative_sum
----                 --------------
2015-08-18T00:00:00Z 8.12
2015-08-18T00:00:00Z 10.184
2015-08-18T00:06:00Z 18.189
2015-08-18T00:06:00Z 20.305
2015-08-18T00:12:00Z 28.192
2015-08-18T00:12:00Z 30.22
2015-08-18T00:18:00Z 37.982
2015-08-18T00:18:00Z 40.108
2015-08-18T00:24:00Z 47.742999999999995
2015-08-18T00:24:00Z 49.78399999999999
2015-08-18T00:30:00Z 57.28399999999999
2015-08-18T00:30:00Z 59.334999999999994

DERIVATIVE(field_key, unit) 和 NON_NEGATIVE_DERIVATIVE(field_key, unit)

計算字段值的變化比。unit默認為1s，即計算的是1秒內(nèi)的變化比。

如下面的第一個數(shù)據(jù)計算方法是 (2.116-2.064)/(6*60) = 0.00014..，其他計算方式同理。雖然原始數(shù)據(jù)是6m收集一次，但是這里的變化比默認是按秒來計算的。如果要按6m計算，則設置unit為6m即可。

> SELECT DERIVATIVE("water_level") FROM "h2o_feet" WHERE "location" = 'santa_monica' AND time >= '2015-08-18T00:00:00Z' AND time <= '2015-08-18T00:30:00Z'
name: h2o_feet
time                 derivative
----                 ----------
2015-08-18T00:06:00Z 0.00014444444444444457
2015-08-18T00:12:00Z -0.00024444444444444465
2015-08-18T00:18:00Z 0.0002722222222222218
2015-08-18T00:24:00Z -0.000236111111111111
2015-08-18T00:30:00Z 0.00002777777777777842

> SELECT DERIVATIVE("water_level", 6m) FROM "h2o_feet" WHERE "location" = 'santa_monica' AND time >= '2015-08-18T00:00:00Z' AND time <= '2015-08-18T00:30:00Z'
name: h2o_feet
time                 derivative
----                 ----------
2015-08-18T00:06:00Z 0.052000000000000046
2015-08-18T00:12:00Z -0.08800000000000008
2015-08-18T00:18:00Z 0.09799999999999986
2015-08-18T00:24:00Z -0.08499999999999996
2015-08-18T00:30:00Z 0.010000000000000231

而DERIVATIVE結(jié)合GROUP BY time，以及mean可以構(gòu)造更加復雜的查詢，如下所示:

> SELECT DERIVATIVE(mean("water_level"), 6m) FROM "h2o_feet" WHERE time >= '2015-08-18T00:00:00Z' AND time <= '2015-08-18T00:30:00Z' group by time(12m), *
name: h2o_feet
tags: location=coyote_creek
time                 derivative
----                 ----------
2015-08-18T00:12:00Z -0.11900000000000022
2015-08-18T00:24:00Z -0.12849999999999984

name: h2o_feet
tags: location=santa_monica
time                 derivative
----                 ----------
2015-08-18T00:12:00Z -0.00649999999999995
2015-08-18T00:24:00Z -0.015499999999999847

這個計算其實是先根據(jù)GROUP BY time求平均值，然后對這個平均值再做變化比的計算。因為數(shù)據(jù)是按12分鐘分組的，而變化比的unit是6分鐘，所以差值除以2(12/6)才得到變化比。如第一個值是 (7.8245-8.0625)/2 = -0.1190。

> SELECT mean("water_level") FROM "h2o_feet" WHERE time >= '2015-08-18T00:00:00Z' AND time <= '2015-08-18T00:30:00Z' group by time(12m), *
name: h2o_feet
tags: location=coyote_creek
time                 mean
----                 ----
2015-08-18T00:00:00Z 8.0625
2015-08-18T00:12:00Z 7.8245
2015-08-18T00:24:00Z 7.5675

name: h2o_feet
tags: location=santa_monica
time                 mean
----                 ----
2015-08-18T00:00:00Z 2.09
2015-08-18T00:12:00Z 2.077
2015-08-18T00:24:00Z 2.0460000000000003

NON_NEGATIVE_DERIVATIVE與DERIVATIVE不同的是它只返回的是非負的變化比:

> SELECT DERIVATIVE(mean("water_level"), 6m) FROM "h2o_feet" WHERE location='santa_monica' AND time >= '2015-08-18T00:00:00Z' AND time <= '2015-08-18T00:30:00Z' group by time(6m), *
name: h2o_feet
tags: location=santa_monica
time                 derivative
----                 ----------
2015-08-18T00:06:00Z 0.052000000000000046
2015-08-18T00:12:00Z -0.08800000000000008
2015-08-18T00:18:00Z 0.09799999999999986
2015-08-18T00:24:00Z -0.08499999999999996
2015-08-18T00:30:00Z 0.010000000000000231

> SELECT NON_NEGATIVE_DERIVATIVE(mean("water_level"), 6m) FROM "h2o_feet" WHERE location='santa_monica' AND time >= '2015-08-18T00:00:00Z' AND time <= '2015-08-18T00:30:00Z' group by time(6m), *
name: h2o_feet
tags: location=santa_monica
time                 non_negative_derivative
----                 -----------------------
2015-08-18T00:06:00Z 0.052000000000000046
2015-08-18T00:18:00Z 0.09799999999999986
2015-08-18T00:30:00Z 0.010000000000000231

4 連續(xù)查詢

4.1 基本語法

連續(xù)查詢(CONTINUOUS QUERY，簡寫為CQ)是指定時自動在實時數(shù)據(jù)上進行的InfluxQL查詢，查詢結(jié)果可以存儲到指定的measurement中?；菊Z法格式如下：

CREATE CONTINUOUS QUERY <cq_name> ON <database_name>
BEGIN
  <cq_query>
END

cq_query格式：
SELECT <function[s]> INTO <destination_measurement> FROM <measurement> [WHERE <stuff>] GROUP BY time(<interval>)[,<tag_key[s]>]

CQ操作的是實時數(shù)據(jù)，它使用本地服務器的時間戳、GROUP BY time()時間間隔以及InfluxDB預先設置好的時間范圍來確定什么時候開始查詢以及查詢覆蓋的時間范圍。注意CQ語句里面的WHERE條件是沒有時間范圍的，因為CQ會根據(jù)GROUP BY time()自動確定時間范圍。

CQ執(zhí)行的時間間隔和GROUP BY time()的時間間隔一樣，它在InfluxDB預先設置的時間范圍的起始時刻執(zhí)行。如果GROUP BY time(1h)，則單次查詢的時間范圍為 now()-GROUP BY time(1h)到 now()，也就是說，如果當前時間為17點，這次查詢的時間范圍為 16:00到16:59.99999。

下面看幾個示例，示例數(shù)據(jù)如下，這是數(shù)據(jù)庫transportation中名為bus_data的measurement，每15分鐘統(tǒng)計一次乘客數(shù)和投訴數(shù)。數(shù)據(jù)文件bus_data.txt如下：

# DDL
CREATE DATABASE transportation

# DML
# CONTEXT-DATABASE: transportation 

bus_data,complaints=9 passengers=5 1472367600
bus_data,complaints=9 passengers=8 1472368500
bus_data,complaints=9 passengers=8 1472369400
bus_data,complaints=9 passengers=7 1472370300
bus_data,complaints=9 passengers=8 1472371200
bus_data,complaints=7 passengers=15 1472372100
bus_data,complaints=7 passengers=15 1472373000
bus_data,complaints=7 passengers=17 1472373900
bus_data,complaints=7 passengers=20 1472374800

導入數(shù)據(jù)，命令如下：

root@f216e9be15bf:/# influx -import -path=bus_data.txt -precision=s
root@f216e9be15bf:/# influx -precision=rfc3339 -database=transportation
Connected to http://localhost:8086 version 1.3.5
InfluxDB shell version: 1.3.5
> select * from bus_data
name: bus_data
time                 complaints passengers
----                 ---------- ----------
2016-08-28T07:00:00Z 9          5
2016-08-28T07:15:00Z 9          8
2016-08-28T07:30:00Z 9          8
2016-08-28T07:45:00Z 9          7
2016-08-28T08:00:00Z 9          8
2016-08-28T08:15:00Z 7          15
2016-08-28T08:30:00Z 7          15
2016-08-28T08:45:00Z 7          17
2016-08-28T09:00:00Z 7          20

示例1 自動縮小取樣存儲到新的measurement中

對單個字段自動縮小取樣并存儲到新的measurement中。

CREATE CONTINUOUS QUERY "cq_basic" ON "transportation"
BEGIN
  SELECT mean("passengers") INTO "average_passengers" FROM "bus_data" GROUP BY time(1h)
END

這個CQ的意思就是對bus_data每小時自動計算取樣數(shù)據(jù)的平均乘客數(shù)并存儲到 average_passengers中。那么在2016-08-28這天早上會執(zhí)行如下流程：

At 8:00 cq_basic 執(zhí)行查詢，查詢時間范圍 time >= '7:00' AND time < '08:00'.
cq_basic寫入一條記錄到 average_passengers:
name: average_passengers
------------------------
time                   mean
2016-08-28T07:00:00Z   7
At 9:00 cq_basic 執(zhí)行查詢，查詢時間范圍 time >= '8:00' AND time < '9:00'.
cq_basic寫入一條記錄到 average_passengers:
name: average_passengers
------------------------
time                   mean
2016-08-28T08:00:00Z   13.75

# Results
> SELECT * FROM "average_passengers"
name: average_passengers
------------------------
time                   mean
2016-08-28T07:00:00Z   7
2016-08-28T08:00:00Z   13.75

示例2 自動縮小取樣并存儲到新的保留策略（Retention Policy）中

CREATE CONTINUOUS QUERY "cq_basic_rp" ON "transportation"
BEGIN
  SELECT mean("passengers") INTO "transportation"."three_weeks"."average_passengers" FROM "bus_data" GROUP BY time(1h)
END

與示例1類似，不同的是保留的策略不是autogen，而是改成了three_weeks(創(chuàng)建保留策略語法 CREATE RETENTION POLICY "three_weeks" ON "transportation" DURATION 3w REPLICATION 1)。

> SELECT * FROM "transportation"."three_weeks"."average_passengers"
name: average_passengers
------------------------
time                   mean
2016-08-28T07:00:00Z   7
2016-08-28T08:00:00Z   13.75

示例3 使用后向引用(backreferencing)自動縮小取樣并存儲到新的數(shù)據(jù)庫中

CREATE CONTINUOUS QUERY "cq_basic_br" ON "transportation"
BEGIN
  SELECT mean(*) INTO "downsampled_transportation"."autogen".:MEASUREMENT FROM /.*/ GROUP BY time(30m),*
END

使用后向引用語法自動縮小取樣并存儲到新的數(shù)據(jù)庫中。語法 :MEASUREMENT 用來指代后面的表，而 /.*/則是分別查詢所有的表。這句CQ的含義就是每30分鐘自動查詢transportation的所有表(這里只有bus_data一個表)，并將30分鐘內(nèi)數(shù)字字段(passengers和complaints)求平均值存儲到新的數(shù)據(jù)庫 downsampled_transportation中。

最終結(jié)果如下：

> SELECT * FROM "downsampled_transportation."autogen"."bus_data"
name: bus_data
--------------
time                   mean_complaints   mean_passengers
2016-08-28T07:00:00Z   9                 6.5
2016-08-28T07:30:00Z   9                 7.5
2016-08-28T08:00:00Z   8                 11.5
2016-08-28T08:30:00Z   7                 16

示例4 自動縮小取樣以及配置CQ的時間范圍

CREATE CONTINUOUS QUERY "cq_basic_offset" ON "transportation"
BEGIN
  SELECT mean("passengers") INTO "average_passengers" FROM "bus_data" GROUP BY time(1h,15m)
END

與前面幾個示例不同的是，這里的GROUP BY time(1h, 15m)指定了一個時間偏移，也就是說 cq_basic_offset執(zhí)行的時間不再是整點，而是往后偏移15分鐘。執(zhí)行流程如下:

At 8:15 cq_basic_offset 執(zhí)行查詢的時間范圍 time >= '7:15' AND time < '8:15'.
name: average_passengers
------------------------
time                   mean
2016-08-28T07:15:00Z   7.75
At 9:15 cq_basic_offset 執(zhí)行查詢的時間范圍 time >= '8:15' AND time < '9:15'.
name: average_passengers
------------------------
time                   mean
2016-08-28T08:15:00Z   16.75

最終結(jié)果:

> SELECT * FROM "average_passengers"
name: average_passengers
------------------------
time                   mean
2016-08-28T07:15:00Z   7.75
2016-08-28T08:15:00Z   16.75

4.2 高級語法

InfluxDB連續(xù)查詢的高級語法如下：

CREATE CONTINUOUS QUERY <cq_name> ON <database_name>
RESAMPLE EVERY <interval> FOR <interval>
BEGIN
  <cq_query>
END

與基本語法不同的是，多了RESAMPLE關(guān)鍵字。高級語法里CQ的執(zhí)行時間和查詢時間范圍則與RESAMPLE里面的兩個interval有關(guān)系。

高級語法中CQ以EVERY interval的時間間隔執(zhí)行，執(zhí)行時查詢的時間范圍則是FOR interval來確定。如果FOR interval為2h，當前時間為17:00，則查詢的時間范圍為15:00-16:59.999999。RESAMPLE的EVERY和FOR兩個關(guān)鍵字可以只有一個。

示例的數(shù)據(jù)表如下，比之前的多了幾條記錄為了示例3和示例4的測試:

name: bus_data
--------------
time                   passengers
2016-08-28T06:30:00Z   2
2016-08-28T06:45:00Z   4
2016-08-28T07:00:00Z   5
2016-08-28T07:15:00Z   8
2016-08-28T07:30:00Z   8
2016-08-28T07:45:00Z   7
2016-08-28T08:00:00Z   8
2016-08-28T08:15:00Z   15
2016-08-28T08:30:00Z   15
2016-08-28T08:45:00Z   17
2016-08-28T09:00:00Z   20

示例1 只配置執(zhí)行時間間隔

CREATE CONTINUOUS QUERY "cq_advanced_every" ON "transportation"
RESAMPLE EVERY 30m
BEGIN
  SELECT mean("passengers") INTO "average_passengers" FROM "bus_data" GROUP BY time(1h)
END

這里配置了30分鐘執(zhí)行一次CQ，沒有指定FOR interval，于是查詢的時間范圍還是GROUP BY time(1h)指定的一個小時，執(zhí)行流程如下：

At 8:00, cq_advanced_every 執(zhí)行時間范圍 time >= '7:00' AND time < '8:00'.
name: average_passengers
------------------------
time                   mean
2016-08-28T07:00:00Z   7
At 8:30, cq_advanced_every 執(zhí)行時間范圍 time >= '8:00' AND time < '9:00'.
name: average_passengers
------------------------
time                   mean
2016-08-28T08:00:00Z   12.6667
At 9:00, cq_advanced_every 執(zhí)行時間范圍 time >= '8:00' AND time < '9:00'.
name: average_passengers
------------------------
time                   mean
2016-08-28T08:00:00Z   13.75

需要注意的是，這里的 8點到9點這個區(qū)間執(zhí)行了兩次，第一次執(zhí)行時時8:30，平均值是 (8+15+15）/ 3 = 12.6667，而第二次執(zhí)行時間是9:00，平均值是 (8+15+15+17) / 4=13.75，而且最后第二個結(jié)果覆蓋了第一個結(jié)果。InfluxDB如何處理重復的記錄可以參見這個文檔。

最終結(jié)果：

> SELECT * FROM "average_passengers"
name: average_passengers
------------------------
time                   mean
2016-08-28T07:00:00Z   7
2016-08-28T08:00:00Z   13.75

示例2 只配置查詢時間范圍

CREATE CONTINUOUS QUERY "cq_advanced_for" ON "transportation"
RESAMPLE FOR 1h
BEGIN
  SELECT mean("passengers") INTO "average_passengers" FROM "bus_data" GROUP BY time(30m)
END

只配置了時間范圍，而沒有配置EVERY interval。這樣，執(zhí)行的時間間隔與GROUP BY time(30m)一樣為30分鐘，而查詢的時間范圍為1小時，由于是按30分鐘分組，所以每次會寫入兩條記錄。執(zhí)行流程如下：

At 8:00 cq_advanced_for 查詢時間范圍：time >= '7:00' AND time < '8:00'.
寫入兩條記錄。
name: average_passengers
------------------------
time                   mean
2016-08-28T07:00:00Z   6.5
2016-08-28T07:30:00Z   7.5
At 8:30 cq_advanced_for 查詢時間范圍：time >= '7:30' AND time < '8:30'.
寫入兩條記錄。
name: average_passengers
------------------------
time                   mean
2016-08-28T07:30:00Z   7.5
2016-08-28T08:00:00Z   11.5
At 9:00 cq_advanced_for 查詢時間范圍：time >= '8:00' AND time < '9:00'.
寫入兩條記錄。
name: average_passengers
------------------------
time                   mean
2016-08-28T08:00:00Z   11.5
2016-08-28T08:30:00Z   16

需要注意的是，cq_advanced_for每次寫入了兩條記錄，重復的記錄會被覆蓋。

最終結(jié)果：

> SELECT * FROM "average_passengers"
name: average_passengers
------------------------
time                   mean
2016-08-28T07:00:00Z   6.5
2016-08-28T07:30:00Z   7.5
2016-08-28T08:00:00Z   11.5
2016-08-28T08:30:00Z   16

示例3 同時配置執(zhí)行時間間隔和查詢時間范圍

CREATE CONTINUOUS QUERY "cq_advanced_every_for" ON "transportation"
RESAMPLE EVERY 1h FOR 90m
BEGIN
  SELECT mean("passengers") INTO "average_passengers" FROM "bus_data" GROUP BY time(30m)
END

這里配置了執(zhí)行間隔為1小時，而查詢范圍90分鐘，最后分組是30分鐘，每次插入了三條記錄。執(zhí)行流程如下：

At 8:00 cq_advanced_every_for 查詢時間范圍 time >= '6:30' AND time < '8:00'.
插入三條記錄
name: average_passengers
------------------------
time                   mean
2016-08-28T06:30:00Z   3
2016-08-28T07:00:00Z   6.5
2016-08-28T07:30:00Z   7.5
At 9:00 cq_advanced_every_for 查詢時間范圍 time >= '7:30' AND time < '9:00'.
插入三條記錄
name: average_passengers
------------------------
time                   mean
2016-08-28T07:30:00Z   7.5
2016-08-28T08:00:00Z   11.5
2016-08-28T08:30:00Z   16

最終結(jié)果：

> SELECT * FROM "average_passengers"
name: average_passengers
------------------------
time                   mean
2016-08-28T06:30:00Z   3
2016-08-28T07:00:00Z   6.5
2016-08-28T07:30:00Z   7.5
2016-08-28T08:00:00Z   11.5
2016-08-28T08:30:00Z   16

示例4 配置查詢時間范圍和FILL填充

CREATE CONTINUOUS QUERY "cq_advanced_for_fill" ON "transportation"
RESAMPLE FOR 2h
BEGIN
  SELECT mean("passengers") INTO "average_passengers" FROM "bus_data" GROUP BY time(1h) fill(1000)
END

在前面值配置查詢時間范圍的基礎上，加上FILL填充空的記錄。執(zhí)行流程如下：

At 6:00, cq_advanced_for_fill 查詢時間范圍：time >= '4:00' AND time < '6:00'，沒有數(shù)據(jù)，不填充。

At 7:00, cq_advanced_for_fill 查詢時間范圍：time >= '5:00' AND time < '7:00'. 寫入兩條記錄，沒有數(shù)據(jù)的時間點填充1000。
------------------------
time                   mean
2016-08-28T05:00:00Z   1000          <------ fill(1000)
2016-08-28T06:00:00Z   3             <------ average of 2 and 4

[…] At 11:00, cq_advanced_for_fill 查詢時間范圍：time >= '9:00' AND time < '11:00'.寫入兩條記錄，沒有數(shù)據(jù)的點填充1000。
name: average_passengers
------------------------
2016-08-28T09:00:00Z   20            <------ average of 20
2016-08-28T10:00:00Z   1000          <------ fill(1000)     

At 12:00, cq_advanced_for_fill 查詢時間范圍：time >= '10:00' AND time < '12:00'。沒有數(shù)據(jù)，不填充。

最終結(jié)果:

> SELECT * FROM "average_passengers"
name: average_passengers
------------------------
time                   mean
2016-08-28T05:00:00Z   1000
2016-08-28T06:00:00Z   3
2016-08-28T07:00:00Z   7
2016-08-28T08:00:00Z   13.75
2016-08-28T09:00:00Z   20
2016-08-28T10:00:00Z   1000

5 參考資料

https://docs.influxdata.com/influxdb/v1.3/
https://zh.wikipedia.org/wiki/%E6%A8%99%E6%BA%96%E5%B7%AE

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九欧美,1769亚洲,黄色成人av

時序數(shù)據(jù)庫InfluxDB使用詳解

時序數(shù)據(jù)庫InfluxDB使用詳解

1 安裝配置

2 重要概念

timestamp

field key，field value，field set

tag key，tag value，tag set

measurement

retention policy

series

point

database

3 特色函數(shù)

GROUP BY，F(xiàn)ILL()

INTEGRAL(field_key, unit)

SPREAD(field_key)

STDDEV(field_key)

PERCENTILE(field_key, N)

SAMPLE(field_key, N)

CUMULATIVE_SUM(field_key)

DERIVATIVE(field_key, unit) 和 NON_NEGATIVE_DERIVATIVE(field_key, unit)

4 連續(xù)查詢

4.1 基本語法

示例1 自動縮小取樣存儲到新的measurement中

示例2 自動縮小取樣并存儲到新的保留策略（Retention Policy）中

示例3 使用后向引用(backreferencing)自動縮小取樣并存儲到新的數(shù)據(jù)庫中

示例4 自動縮小取樣以及配置CQ的時間范圍

4.2 高級語法

示例1 只配置執(zhí)行時間間隔

示例2 只配置查詢時間范圍

示例3 同時配置執(zhí)行時間間隔和查詢時間范圍

示例4 配置查詢時間范圍和FILL填充

5 參考資料

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九 欧美,1769亚洲,黄色成人av

時序數(shù)據(jù)庫InfluxDB使用詳解

1 安裝配置

2 重要概念

timestamp

field key，field value，field set

tag key，tag value，tag set

measurement

retention policy

series

point

database

3 特色函數(shù)

GROUP BY，F(xiàn)ILL()

INTEGRAL(field_key, unit)

SPREAD(field_key)

STDDEV(field_key)

PERCENTILE(field_key, N)

SAMPLE(field_key, N)

CUMULATIVE_SUM(field_key)

DERIVATIVE(field_key, unit) 和 NON_NEGATIVE_DERIVATIVE(field_key, unit)

4 連續(xù)查詢

4.1 基本語法

示例1 自動縮小取樣存儲到新的measurement中

示例2 自動縮小取樣并存儲到新的保留策略（Retention Policy）中

示例3 使用后向引用(backreferencing)自動縮小取樣并存儲到新的數(shù)據(jù)庫中

示例4 自動縮小取樣以及配置CQ的時間范圍

4.2 高級語法

示例1 只配置執(zhí)行時間間隔

示例2 只配置查詢時間范圍

示例3 同時配置執(zhí)行時間間隔和查詢時間范圍

示例4 配置查詢時間范圍和FILL填充

5 參考資料

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九欧美,1769亚洲,黄色成人av

field key，field value，field set

tag key，tag value，tag set

GROUP BY，F(xiàn)ILL()