TDengine 从入门到精通（2万字长文）

第一章：走进 TDengine 的世界

TDengine 是个啥？

如果你首次接触 TDengine，心里可能满是疑惑：这究竟是个什么东西，能派上什么用场？简单来讲，TDengine 是一款开源、高性能且云原生的时序数据库（Time Series Database, TSDB），专为处理时间序列数据而精心打造。它诞生的背景与目标十分明确，旨在攻克物联网（IoT）、车联网、工业互联网、金融市场、IT 运维等领域中，海量时间数据存储与分析的难题。

想象一下，每天数亿台设备持续不断地产生诸如温度、电压、流量等数据，传统数据库面对这汹涌如潮的数据可能不堪重负，瞬间 “垮掉”，而 TDengine 却能应对自如，轻松驾驭。它可不只是一个普通的数据库，还集成了缓存、数据订阅、流式计算以及数据清洗等多种功能，宛如一位全能型选手。无论是实时监控设备状态，还是深入分析历史趋势，TDengine 都能大显身手，发挥关键作用。

TDengine 的硬核特性

TDengine 的强大源于其一系列独特的设计与功能。接下来，让我们深入剖析这些 “硬核” 特性，看看它究竟凭借什么在时序数据库领域站稳脚跟，脱颖而出。

性能炸裂

TDengine 的性能堪称 “快得离谱”。它针对物联网大数据的特性进行了深度优化，写入和查询速度相较于传统通用数据库，提升了 10 倍以上，甚至在与不少同行的时序数据库对比中，也能轻松 “胜出”。它是如何做到这一点的呢？核心在于其存储引擎设计，通过采用列式存储、数据压缩以及时间分区等技术手段，将 TB 甚至 PB 级数据的处理变得轻而易举，仿佛小菜一碟。这不仅意味着更快的响应速度，还能为你节省大量的硬件开销，降低成本。

举个例子，假设你需要查询 1000 万条传感器数据的平均值，使用 MySQL 可能需要好几秒的时间，而 TDengine 或许几百毫秒就能迅速搞定。在对实时性要求极高的场景中，这种高效的性能表现简直如同 “救命稻草”，至关重要。

分布式架构，天生可扩展

TDengine 并非独自 “作战” 的 “独行侠”，它采用原生分布式设计，具备出色的水平扩展能力。这意味着什么呢？当数据量不断增长或者查询压力逐渐增大时，你只需简单地添加几台机器即可。节点数量越多，其处理能力就越强。而且，它内置了多副本机制，即便某个节点出现故障，数据也不会丢失，系统依旧能够稳定运行，坚如磐石。这种特性对于物联网、工业互联网这类动辄涉及上亿设备的数据洪流场景而言，尤为适用，能够轻松应对大规模数据的挑战。

SQL 用起来贼顺手

别把 TDengine 想象成一个高高在上、难以捉摸的技术 “怪兽”，实际上它非常接地气，直接支持 SQL 查询。如果你之前有使用 MySQL 或 PostgreSQL 的经验，那么切换到 TDengine 几乎不存在学习成本，能够快速上手。更令人惊喜的是，它还针对时序数据特别增加了一些实用功能，例如插值、降采样、时间加权平均（TWA）等操作，这些在传统 SQL 中难以直接实现的功能，在 TDengine 中只需通过简单的 SQL 语句就能轻松搞定，无需你再花费大量时间和精力编写一堆复杂的代码来处理，大大提高了工作效率。

比如，想要计算某设备过去一小时的平均电流，只需使用这样一句简单的 SQL 语句：

SELECT AVG(current) FROM meters WHERE ts > NOW - 1h;

代码简洁明了，同时执行效率还很高，能够快速得出所需结果。

写入方式花样多

TDengine 支持丰富多样的写入协议，像 InfluxDB Line 协议、OpenTSDB 的 Telnet 和 JSON 协议等，它都能完美兼容。这意味着你可以直接利用 Telegraf、Prometheus 等工具，将数据轻松 “塞” 进 TDengine，甚至无需编写一行代码，就能实现数据的快速写入。更为厉害的是，它还支持无模式写入。那么，什么是无模式写入呢？简单来说，就是你无需提前定义表结构，直接将数据传入，TDengine 也能准确无误地接收并处理。在业务需求频繁变动、灵活性要求较高的场景中，这种无模式写入功能简直是 “福音”，能够极大地提高数据处理的效率和灵活性。

内置缓存，省心又省力

TDengine 自带缓存功能，并且采用了时间驱动的 FIFO（先进先出）策略。最近产生的数据会自动保留在缓存中，当你想要查询某个设备的最新状态时，系统能够以极快的速度响应，瞬间给出结果。这不仅大大提高了查询速度，还能有效简化你的系统架构。以往，你可能需要自行搭建 Redis 等缓存工具来实现类似功能，而现在，TDengine 将这一切都集成在内，为你 “一站式” 解决，让你省心省力。

TDengine 能干啥？

说了这么多关于 TDengine 的特性，那么它究竟能够解决哪些实际问题呢？实际上，TDengine 的应用场景极为广泛，几乎涵盖了所有与时间序列数据相关的领域。下面，我们挑选几个典型的例子来详细探讨一下。

智能制造

在工厂环境中，生产线上的各类传感器每秒都在源源不断地输出数据，涉及温度、压力、转速等多个方面。TDengine 能够高效地存储这些数据，并且实时进行分析，为优化生产流程、提高生产效率提供有力支持。例如，通过数据分析发现某个机器的温度经常超出正常范围，系统便能及时发出预警，帮助你提前采取措施，避免因机器故障导致停机，从而减少不必要的损失。

能源管理

电力行业产生的数据量堪称庞大，每一台电表、每一个变电站都在持续不断地生成时序数据。TDengine 能够轻松应对如此海量的数据存储需求，同时支持实时分析用电趋势，甚至能够预测用电高峰期的需求，为电网的智能化运行提供关键支撑，助力电网更加高效、稳定地运转。

物联网平台

物联网（IoT）平台或许是 TDengine 最为擅长的应用领域之一。想象一下，成千上万的设备，如智能家居设备、共享单车、环境监测站等，每时每刻都在向平台上传数据。TDengine 不仅能够承受住这种巨大的数据流量冲击，还能快速响应各类查询请求，让你随时都能准确掌握设备的最新状态，实现对物联网设备的高效管理与监控。

工业大数据

对于工业企业而言，数据驱动决策至关重要，而 TDengine 恰好能成为得力助手。它能够将分散在各个角落的设备数据整合起来，通过深入分析历史趋势，挖掘潜在问题，甚至为未来的生产计划提供科学依据，帮助企业实现精细化管理，提升竞争力。

一句话总结：只要是存在大量时间序列数据需要存储、查询和分析的场景，TDengine 都能够充分发挥其优势，展现出强大的实力。

第二章：上手 TDengine：安装与配置

环境准备：跑起来之前得知道啥

TDengine 的安装过程并不复杂，但在安装之前，你需要清楚了解它能够在哪些环境中运行。它的兼容性相当出色，支持多种操作系统和硬件平台，具体要求如下：

组件	支持平台	注意事项
服务端	Linux x64	推荐使用 CentOS 7.9 或 Ubuntu 18.04
客户端	Windows x64, Linux x64	macOS 支持有限，部分功能无法完全使用
硬件平台	x64, arm64	从服务器到树莓派等设备均能运行

简单来说，只要是主流的 Linux 服务器，或者 Windows 客户端，基本都能够顺利安装和使用 TDengine。在硬件方面，它对 x64 和 arm64 架构都具有良好的兼容性，即使是嵌入式设备，也能够尝试运行。这种高度的灵活性使得 TDengine 既能应用于大规模集群场景，也能适配小型设备，满足不同用户的多样化需求。

安装 TDengine：手把手教你

TDengine 的安装过程设计得非常人性化，支持多种系统和安装方式。下面，我们针对几个常见的场景，详细讲解一下具体的安装步骤。

Debian/Ubuntu：deb 包安装

1. 下载安装包：前往 TDengine 官网（tdengine.com），获取最新版本的 deb 包，例如 TDengine-server-3.0.0.0-Linux-x64.deb。下载完成后，将安装包上传至服务器，准备进行下一步安装操作。
2. 动手安装：打开服务器的终端，进入安装包所在目录，输入以下命令：

sudo dpkg -i TDengine-server-3.0.0.0-Linux-x64.deb

系统会自动进行解包和安装操作。在安装过程中，可能会弹出一些配置问题，你只需按照提示进行填写即可。
3. 检查结果：安装完成后，使用命令taosd --version查看版本号，确认安装是否成功。如果能够正确显示版本信息，说明安装过程顺利完成。

CentOS/RHEL：rpm 包安装

1. 下载安装包：同样在官网找到对应的 rpm 包，如 TDengine-server-3.0.0.0-Linux-x64.rpm。
2. 执行安装：进入安装包所在目录，运行以下命令：

sudo rpm -ivh TDengine-server-3.0.0.0-Linux-x64.rpm

安装过程与 deb 包类似，按照提示逐步完成即可。

Windows：点一下就装

1. 下载 exe 文件：官网提供了 Windows 版本的 exe 安装包，下载完成后，双击该文件，按照安装向导的提示，点击几下 “下一步”，即可轻松完成安装。
2. 启动服务：安装完成后，你可以通过命令行输入taosd来启动服务，也可以直接在服务管理器中找到 TDengine 服务并启动它。

macOS：尝鲜用

目前，macOS 对 TDengine 的支持相对有限，但也可以进行安装。下载 pkg 包后，双击该文件，按照提示完成安装。不过需要注意的是，在 macOS 系统上，并非所有功能都能完全正常使用，因此在生产环境中，建议还是使用 Linux 系统。

启动与验证

安装完成后，启动服务是关键步骤。在 Linux 系统下，可以使用以下命令启动服务：

sudo systemctl start taosd

如果系统不支持 systemd，也可以手动运行以下命令启动：

/usr/local/taos/bin/taosd

服务启动后，在终端输入taos进入客户端，尝试连接到 TDengine。如果能够成功连接，就说明安装过程没有出现任何问题，你已经成功迈出了使用 TDengine 的第一步。

小贴士：如果是集群的第一个节点，在安装时可能会提示你填写 FQDN（完全限定域名），此时你可以先留空；后续添加节点时，则需要填写已有节点的域名。

初始配置：让 TDengine 听你话

安装好 TDengine 后，接下来需要对其进行一些初始配置，以便让它按照你的需求高效运行。配置主要通过修改/etc/taos/taos.cfg这个文件来完成，该文件位置固定，默认值通常能够满足基本需求，但如果你想要发挥 TDengine 的极致性能，可能还需要手动进行一些调整。

关键参数一览

1. firstEP：该参数用于指定集群的入口地址，格式为主机名：端口，例如h1.tdengine.com:6030。如果是单机运行模式，则无需关注该参数；但在集群环境中，需要准确填写第一个节点的地址。
2. FQDN：即完全限定域名，在多节点集群中，该参数必填。在单机模式下，可以跳过该设置；但在集群环境中，务必确保每个节点都能够正确识别对方的 FQDN，以保证节点之间的通信正常。
3. hosts 文件：如果出现无法连接到服务器的情况，很可能是域名解析出现了问题。此时，你可以打开/etc/hosts文件，添加一行记录，例如192.168.1.10 h1.tdengine.com，或者确保已正确配置好 DNS，以解决域名解析问题。
4. REST 连接：如果想要使用 REST 接口，无需额外安装任何软件，直接通过 HTTP 请求即可调用。不过需要注意的是，REST 接口的性能相对较低，并且无法使用订阅功能，因此更适合轻量级的应用场景。
5. 数据节点参数：在dnodeCfg.json文件中，还包含一些高级选项，例如：
   • numOfMnodes：表示元数据节点数，默认值为 3。
   • statusInterval：节点状态上报间隔，默认值为 10 秒。
   • monitorInterval：资源监控周期，默认值为 30 秒。

配置实战

假设你想要搭建一个单机测试环境，那么只需要修改taos.cfg文件即可。打开该文件，找到以下几行：

# firstEP           h1.tdengine.com:6030
# fqdn              localhost

对于单机环境，直接将fqdn设置为localhost，然后保存并退出文件。接下来，重启服务使配置生效：

sudo systemctl restart taosd

重启服务后，使用taos命令连接到 TDengine，尝试创建一个数据库，检查配置是否成功生效。

如果是搭建集群环境，则每台机器的taos.cfg文件都需要保持一致，尤其是firstEP参数，必须指向同一个入口节点。修改完成后，逐台重启机器上的 TDengine 服务，确保所有节点都能够正常连接到集群。

注意：如果配置出现错误，可能会收到诸如 “Unable to resolve FQDN” 之类的错误提示。此时，需要仔细检查网络连接和域名配置，不要慌张，按照提示逐步排查问题即可。

第三章：数据模型设计：玩转 TDengine 的核心

创建数据库：从零开始

TDengine 的数据管理是从创建数据库开始的。它的建库语法非常灵活，允许你根据实际需求调整各种参数。下面，我们先了解几个常用的参数：

参数	含义	取值范围	默认值	版本支持
KEEP	数据存储时长（天）	[days, 365000]	3650	2.0.8.0
UPDATE	是否允许更新数据	0, 1, 2	1	2.0.8.0
COMP	数据压缩级别	0, 1, 2	2	2.0.8.0
REPLICA	副本数	[1, 3]	1	2.0.8.0
BLOCKS	每个 VNODE 的内存块数	[3, 1000]	6	2.0.8.0
PRECISION	时间精度	'ns', 'us','ms'	'ns'	2.0.8.0

想要创建一个数据库，只需使用一条简单的 SQL 语句：

CREATE DATABASE power KEEP 365 DAYS 10 BLOCKS 6 UPDATE 1;

这条语句的含义是创建一个名为power的数据库，数据将存储 365 天，每 10 天划分为一个文件，内存块设置为 6 个，并且允许更新数据。是不是很简单呢？

小技巧：从 2.1.3.0 版本开始，修改这些参数无需重启服务，修改后会立即生效，非常方便。

表结构设计：一个设备一张表

TDengine 的表设计有一个独特之处，即 “一个设备一张表”。虽然乍一听可能觉得有些繁琐，但实际上这种设计非常巧妙，能够显著提升性能和扩展性。

基本规则

1. 表的第一列必须是TIMESTAMP类型，并且该列会自动作为主键。例如常见的时间戳字段ts，其作为时序数据库的核心标识，是不可修改的。
2. 支持丰富的列类型，包括整型（INT）、浮点型（FLOAT）、字符串型（BINARY）等，你可以根据实际需求灵活选择。
3. 列数存在一定限制，在 2.1.7.0 版本之后，超级表最多支持 4096 列，这通常能够满足大多数实际应用场景的需求。

超级表登场

TDengine 有一个强大的功能 —— 超级表（Super Table）。超级表就像是一个模板，能够用于管理一堆结构相同的子表。例如，假设你有 1000 个电表，每个电表的数据格式都相同（包含时间、电流、电压等字段），那么只需要创建一个超级表即可：

CREATE STABLE meters (ts TIMESTAMP,current FLOAT,voltage INT,phase FLOAT
) TAGS (location BINARY(64),groupId INT
);

上述语句创建了一个名为meters的超级表，它包含ts（时间戳）、current（电流）、voltage（电压）、phase（相位）等数据列，同时还定义了location（位置）和groupId（组 ID）两个标签。

接下来，为具体的电表创建子表：

CREATE TABLE d1001 USING meters TAGS ('Beijing', 1);

d1001这个子表继承了meters超级表的结构，并且带上了特定的location（北京）和groupId（1）标签。在后续查询数据时，你可以直接对meters超级表进行操作，系统会自动扫描其所有子表，获取相关数据。

实战举例

假设你负责管理大量的物联网设备，需要存储这些设备的温度和湿度数据。依据 TDengine “一个设备一张表” 的设计理念以及超级表的特性，可以这样设计数据模型：

CREATE STABLE sensors (ts TIMESTAMP,temp FLOAT,humidity FLOAT
) TAGS (device_id BINARY(32),region INT
);CREATE TABLE dev_001 USING sensors TAGS ('DEV001', 101);

这里，sensors超级表定义了通用的数据结构，包括时间戳ts、温度temp和湿度humidity字段，同时设置了device_id（设备 ID）和region（区域）标签。dev_001子表基于sensors超级表创建，代表具体的一台设备，它携带了特定的设备 ID 和区域信息。这样的设计使得每个设备的数据都有独立的表进行存储，查询时能够快速定位，管理起来也更加便捷高效。无论是新增设备，还是对设备数据进行统计分析，都变得简单明了。

超级表妙用：效率翻倍

超级表不仅是简化表管理的得力工具，更是 TDengine 高性能的核心秘诀所在。接下来，让我们深入探讨如何充分发挥超级表的强大功能。

创建与操作

创建超级表使用CREATE STABLE语句，创建子表则使用CREATE TABLE语句。若后续需要修改超级表的结构，通过ALTER STABLE语句即可轻松实现：

ALTER STABLE meters ADD COLUMN power INT;

上述语句为meters超级表添加了一个名为power（功率）的整型列，并且该操作会自动应用到所有基于meters超级表创建的子表上，实现了对子表结构的统一管理，大大提高了数据结构维护的效率。

查询神器

超级表最大的优势之一体现在查询操作上，它能够极大地简化查询流程。例如，想要计算所有电表的平均电压：

SELECT AVG(voltage) FROM meters WHERE location = 'Beijing';

这条 SQL 语句会自动遍历meters超级表下所有location（位置）为Beijing（北京）的子表，对这些子表中的电压数据进行聚合计算，最终返回平均电压值。这种查询方式无需逐个指定子表，系统自动完成数据的收集与处理，大大节省了查询编写的工作量，同时也提高了查询执行的效率。

标签活用

标签（TAGS）是超级表的灵魂所在，合理运用标签能够实现对子表的快速筛选。若要查询某个子表的标签值，可以使用以下语句：

SHOW TABLE TAGS FROM d1001;

该语句会返回d1001子表的所有标签信息，包括标签名称及其对应的值。

如果需要修改子表的标签，同样可以通过简单的 SQL 语句实现：

ALTER TABLE d1001 SET TAG location = 'Shanghai';

上述语句将d1001子表的location标签值从原来的值修改为Shanghai（上海）。通过灵活运用标签的查询与修改功能，能够更加便捷地对设备数据进行分类管理和检索。

小结

超级表通过巧妙的设计，将分散的设备数据组织得井然有序，在查询和管理数据时展现出了极高的效率和准确性。尤其是在设备众多、数据繁杂的场景中，超级表的优势更加明显，能够实现对数据的高效处理，如同进行一场降维打击，轻松应对复杂的数据管理与分析需求。

第四章：数据操作：让 TDengine 动起来

数据操作是使用 TDengine 过程中的日常任务，涵盖插入、查询、更新、删除等基本操作。接下来，我们将逐步拆解这些操作，深入了解如何灵活运用它们，通过理论与实战相结合的方式，确保你在学习后能够熟练上手操作 TDengine。

插入数据：喂饱 TDengine

TDengine 的插入功能极为灵活，支持单条插入、批量插入、多表插入，甚至具备自动建表的能力。下面，我们逐一介绍这些插入方式。

单条插入：最基础的玩法

最基础的插入方式就是单条插入，使用INSERT INTO语句向表中添加一条数据。例如，对于电表d1001，要插入一组电流、电压等数据，可以这样写：

INSERT INTO d1001 VALUES ('2025-04-04 10:00:00', 12.5, 220, 0.33);

这条语句的含义是向d1001表中插入一条记录，时间为 2025 年 4 月 4 日上午 10 点，电流值为 12.5A，电压值为 220V，相位为 0.33。操作简单直接，数据插入后立即生效。

批量插入：效率翻倍

当单条插入数据效率较低时，批量插入是更好的选择。批量插入允许你一次性向表中插入多条数据，大大节省时间和网络开销。例如：

INSERT INTO d1001 VALUES
('2025-04-04 10:01:00', 12.6, 221, 0.34),
('2025-04-04 10:02:00', 12.4, 219, 0.32);

上述语句一次性将两条数据插入到d1001表中，相较于单条插入，减少了网络请求次数，显著提高了数据插入的效率。在数据量较大的情况下，批量插入的优势尤为突出。

多表插入：一箭双雕

更为强大的是，TDengine 支持一次向多个表插入数据。例如，假设有两台电表d1001和d1002，可以使用以下语句进行插入操作：

INSERT INTO 
d1001 VALUES ('2025-04-04 10:03:00', 12.7, 223, 0.35)
d1002 (ts, current, phase) VALUES ('2025-04-04 10:03:00', 13.1, 0.36);

在这个例子中，d1001表插入了完整的字段数据，而d1002表只插入了部分字段（ts、current、phase），未指定的voltage字段会默认设置为NULL。这种多表插入的写法在涉及多个设备数据插入的场景中，能够大大简化操作流程，提高工作效率。

自动建表：懒人福音

TDengine 还具备一项实用功能 —— 在插入数据时自动创建表。假设已经存在超级表meters，但表d2001尚未创建，此时可以使用以下语句进行数据插入：

INSERT INTO d2001 USING meters TAGS ('Shanghai', 2) VALUES ('2025-04-04 10:04:00', 12.8, 224, 0.37);

这条命令会首先检查d2001表是否存在，若不存在，则根据meters超级表的结构自动创建d2001表，并为其设置Shanghai和2的标签，然后再插入数据。在动态变化的业务场景中，这种自动建表功能能够极大地提高数据处理的灵活性，减少人工干预，堪称 “懒人福音”。

注意事项

1. 时间戳范围：插入数据的时间戳需要在合理范围内，受到数据库的KEEP和DAYS参数限制。例如，如果KEEP设置为 3650 天，DAYS设置为 10 天，那么时间戳应在 “当前时间 - 3650 天” 到 “当前时间 + 10 天” 之间，超出这个范围的数据将无法成功插入。
2. 大小限制：单条记录的大小不能超过 48KB，整条 SQL 语句的长度不能超过 1MB。在实际应用中，需要注意数据量的控制，避免因数据过大导致插入失败。
3. 多线程：TDengine 支持多线程写入，但并非线程越多写入效率越高。通常情况下，将线程数控制在 20 个左右较为合适，过多的线程可能会导致系统资源竞争加剧，反而降低写入性能。

掌握了这些插入技巧，能够充分发挥 TDengine 的数据写入能力，让数据快速、高效地存储到数据库中。

查询数据：挖出金子

TDengine 的查询功能强大且贴心，尤其是针对时序数据进行了专门优化，为数据分析师提供了极大的便利。下面，我们一同探索如何从数据库中精准地查询出所需数据。

超级表查询：一网打尽

超级表在查询操作中发挥着重要作用，能够一次性扫描其所有子表的数据。例如，想要计算所有电表的平均电压，可以使用以下 SQL 语句：

SELECT AVG(voltage) FROM meters WHERE location = 'Beijing';

这条语句会自动遍历meters超级表下所有location为Beijing的子表，对这些子表中的电压数据进行聚合计算，最终返回平均电压值。通过超级表查询，能够轻松实现对大量相关设备数据的快速统计分析，大大提高了查询效率。

窗口切分：时间分片大师

在处理时序数据时，时间窗口是常用的分析手段。TDengine 提供了三种时间窗口切分方式：

1. 时间窗口（Interval）：按照固定的时间间隔对数据进行切分。例如，想要每 10 分钟统计一次数据，可以使用以下语句：

SELECT COUNT(*), AVG(current) FROM d1001 INTERVAL(10m);

上述语句将以每 10 分钟为一个时间窗口，统计d1001表中每个窗口内的数据条数，并计算平均电流值。通过时间窗口切分，能够清晰地观察到数据在不同时间段内的变化趋势。
2. 会话窗口（Session）：根据时间间隔阈值对数据进行分组。例如，当数据的时间间隔超过 5 秒时，将其划分为新的会话，可以使用以下语句：

SELECT COUNT(*) FROM d1001 SESSION(ts, 5s);

这种方式适用于分析具有连续性的数据，能够根据设定的时间间隔自动识别不同的会话区间。
3. 事件窗口（Event_window）：按照特定条件对数据进行切分，适用于较为复杂的数据分析场景。通过灵活设置事件窗口的条件，可以筛选出符合特定业务逻辑的数据片段进行分析。

这些窗口功能能够帮助你快速把握数据在时间维度上的特征和规律，为深入分析时序数据提供了有力工具。

特殊函数：时序专属

TDengine 还提供了几个专门针对时序数据设计的实用函数：

1. TWA()：时间加权平均函数，该函数在计算平均值时会考虑时间因素的权重。例如，想要计算d1001表中过去 1 小时内电流的时间加权平均值，可以使用以下语句：

SELECT TWA(current) FROM d1001 WHERE ts > NOW - 1h;

通过时间加权平均，能够更准确地反映数据在不同时间段内的重要性差异，对于分析具有时间敏感性的数据非常有用。
2. SPREAD()：用于计算数据的最大最小值差值。例如，想要计算d1001表中电压的波动范围，可以使用以下语句：

SELECT SPREAD(voltage) FROM d1001;

该函数能够快速获取数据的离散程度，帮助你了解数据的变化幅度。
3. LAST_ROW()：用于获取表中的最后一条记录。例如，想要查询d1001表中的最新数据，可以使用以下语句：

SELECT LAST_ROW(*) FROM d1001;

这些特殊函数为时序数据的分析提供了便捷的计算方法，无需手动编写复杂的算法，即可完成常见的时序数据分析任务。

结果处理

在查询数据后，你还可以对查询结果进行进一步处理，如分组、排序、限制输出等。例如：

SELECT AVG(voltage), location FROM meters GROUP BY location ORDER BY AVG(voltage) DESC LIMIT 5;

这条语句首先按照location对meters超级表下的子表进行分组，然后计算每个分组内的平均电压值，接着按照平均电压值从高到低进行排序，最后只返回排名前 5 的结果。通过灵活运用这些结果处理操作，能够根据具体需求对查询结果进行筛选和整理，获取最有价值的信息。

查询功能是 TDengine 的核心优势之一，无论是实时监控设备状态，还是进行历史数据的深度分析，TDengine 都能够凭借其强大的查询能力，为你提供准确、快速的查询结果。

更新与删除：改改删删

TDengine 的更新和删除功能虽然相对简洁，但足以满足实际应用中的常见需求。

更新数据

TDengine 的数据更新操作受到数据库UPDATE参数设置的影响：

0：表示不允许更新数据，这是数据库的默认设置。在这种模式下，对已有数据进行更新操作将被拒绝。

1：当设置为 1 时，若插入与已有记录时间戳相同的数据，新数据将覆盖旧数据。例如，在power库中，如果其UPDATE设置为 1，执行以下插入语句：

INSERT INTO d1001 VALUES ('2025-04-04 10:00:00', 13.0, 225, 0.38);

那么之前在2025-04-04 10:00:00时间戳下的记录（如(12.5, 220, 0.33)）将被新插入的数据所覆盖。
2：设置为 2 时，更新操作更加灵活，不仅可以覆盖相同时间戳的记录，甚至允许对部分字段进行单独更新，进一步增强了数据更新的灵活性。

删除数据

删除数据使用DELETE FROM语句，并支持通过条件过滤来精准删除符合特定条件的数据。例如，想要删除d1001表中 2025 年 4 月 4 日上午 9 点之前的数据，可以使用以下语句：

DELETE FROM d1001 WHERE ts < '2025-04-04 09:00:00';

上述语句将根据时间戳条件，删除d1001表中满足条件的数据。

对于超级表，同样可以进行删除操作。例如，想要删除meters超级表下所有location为Shanghai的子表数据，可以使用以下语句：

DELETE FROM meters WHERE location = 'Shanghai';

这条语句会自动遍历meters超级表下所有相关子表，删除符合条件的数据。

需要特别注意的是，删除操作是不可逆的，一旦执行删除语句，数据将永久丢失。因此，在执行删除操作之前，强烈建议先使用SELECT语句进行查询，确认要删除的数据是否正确，避免误删重要数据。

第五章：高级特性：TDengine 的杀手锏

TDengine 不仅仅具备基本的数据存储和查询功能，还拥有一系列高级特性，这些特性能够助力你的数据分析和实时处理能力更上一层楼，使其在众多数据库中脱颖而出。

时间序列分析：洞察未来

对于时序数据而言，存储只是基础，深入的分析才是关键所在。TDengine 在时间序列分析方面投入了大量精力，具备强大的分析能力。

分解与建模

1. 时间序列分解：TDengine 能够将时间序列数据分解为趋势、季节和随机三个主要部分。通过这种分解，能够更清晰地洞察数据背后隐藏的规律。例如，在分析电表数据时，可以通过时间序列分解了解用电的长期趋势（如随着季节变化的用电增长或下降趋势）、季节性波动（如每天不同时段的用电高峰和低谷）以及随机因素导致的波动（如突发设备故障引起的短暂用电异常），从而为电力调度和能源管理提供更精准的依据。
2. ARIMA 模型：该模型主要用于预测非平稳时间序列数据。以预测未来一小时的电流走势为例，TDengine 可以利用历史电流数据，通过 ARIMA 模型分析数据的自相关性、季节性等特征，构建预测模型，进而对未来短期内的电流值进行较为准确的预测。这对于电力系统的负荷预测、设备维护计划制定等具有重要意义，能够帮助相关人员提前做好准备，保障电力供应的稳定性。
3. 贝叶斯结构（BSTS）：BSTS 模型结合了先验知识，在预测过程中，不仅考虑历史数据，还融入了领域专家的经验或其他相关先验信息，使得预测结果更加准确可靠。例如，在分析金融市场的时间序列数据时，可以结合市场趋势判断、宏观经济指标等先验知识，利用 BSTS 模型进行预测，为投资决策提供更全面、精准的参考。

窗口与函数

在前面介绍查询功能时，已经提及了

请继续

连续查询：自动化的魔法

连续查询是 TDengine 一个非常实用的高级特性，它可以按照用户设定的时间间隔自动执行查询任务，并将结果存储到指定的表中。这在需要定期对数据进行汇总和分析的场景下非常有用，比如每天统计一次设备的平均温度、每小时统计一次用电量等。

创建连续查询

使用CREATE CONTINUOUS QUERY语句来创建连续查询。例如，要每天统计一次所有电表的平均电压，并将结果存储到一个名为daily_avg_voltage的表中，可以这样写：

CREATE CONTINUOUS QUERY cq_daily_avg_voltage ON power
BEGININSERT INTO daily_avg_voltageSELECT AVG(voltage) FROM meters GROUP BY location
END EVERY 1d;

在这个例子中：

• cq_daily_avg_voltage 是连续查询的名称。
• ON power 表示这个连续查询是在 power 数据库上执行。
• BEGIN 和 END 之间是具体的查询语句，这里是计算每个 location 下电表的平均电压，并将结果插入到 daily_avg_voltage 表中。
• EVERY 1d 表示查询任务每天执行一次。

管理连续查询

可以使用 SHOW CONTINUOUS QUERIES 语句查看所有的连续查询：

SHOW CONTINUOUS QUERIES;

如果需要删除某个连续查询，可以使用 DROP CONTINUOUS QUERY 语句：

DROP CONTINUOUS QUERY cq_daily_avg_voltage;

数据订阅：实时同步的桥梁

TDengine 支持数据订阅功能，允许外部应用程序实时获取数据库中数据的变化。这在实时监控、数据同步等场景中非常有用。

订阅方式

有两种订阅方式：

• 全量订阅：从指定的时间点开始，订阅数据库中所有表的数据变化。
• 增量订阅：只订阅指定时间点之后新增的数据变化。

示例代码

以下是一个简单的 Python 示例，展示如何使用 TDengine 的 Python 客户端进行数据订阅：

import taos# 连接到TDengine
conn = taos.connect(host="localhost", user="root", password="taosdata", database="power")# 创建订阅
sub = conn.subscribe(topic="my_subscription",sql="SELECT * FROM meters",interval=1000,  # 订阅间隔为1000毫秒start_time=taos.TSDB_TIMESTAMP_NULL,  # 从最新数据开始订阅callback=lambda result: print(result.fetch_all())
)# 启动订阅
sub.start()try:while True:pass
except KeyboardInterrupt:# 停止订阅sub.stop()conn.close()

在这个示例中：

• 首先使用 taos.connect 方法连接到 TDengine 数据库。
• 然后使用 conn.subscribe 方法创建一个订阅，指定订阅的主题、查询语句、订阅间隔、起始时间和回调函数。
• 最后调用 sub.start() 方法启动订阅，当有新数据时，回调函数会被触发，打印出查询结果。

缓存机制：加速数据访问

TDengine 的缓存机制可以显著提高数据的访问速度。它会将最近访问的数据缓存在内存中，当再次访问相同数据时，直接从缓存中获取，避免了磁盘 I/O 操作，从而大大提高了查询性能。

缓存配置

可以通过修改 TDengine 的配置文件 taos.cfg 来调整缓存的大小和其他参数。例如，以下是一些常用的缓存配置参数：

• cache：设置缓存的总大小，单位为 MB。
• cache_blocks：设置缓存中数据块的数量。

缓存策略

TDengine 采用了基于时间和访问频率的缓存淘汰策略，优先保留最近访问和访问频率高的数据。这样可以确保缓存中的数据是最有价值的，提高缓存的命中率。

第六章：性能优化：让 TDengine 飞起来

索引：快速定位的指南针

在数据库中，索引就像是一本书的目录，能帮助你快速定位到所需的数据。TDengine 提供了两种类型的索引：

标签索引

标签索引主要用于加速基于标签的查询。在创建表时，可以为标签字段添加索引。例如，为 meters 超级表的 location 标签添加索引：

CREATE INDEX idx_location ON meters (location);

添加索引后，当执行基于 location 标签的查询时，数据库可以更快地定位到符合条件的数据。例如：

SELECT * FROM meters WHERE location = 'Beijing';

这个查询会利用 idx_location 索引，快速筛选出 location 为 Beijing 的子表数据，大大提高查询效率。

时间戳索引

时间戳索引是 TDengine 中非常重要的索引，因为时序数据通常会按照时间进行查询。TDengine 会自动为时间戳字段创建索引，无需手动干预。例如，在查询某个时间段内的数据时：

SELECT * FROM d1001 WHERE ts BETWEEN '2025-04-01 00:00:00' AND '2025-04-02 00:00:00';

数据库会利用时间戳索引，快速定位到符合时间范围的数据，减少不必要的扫描。

分区：化整为零的智慧

分区是将大表拆分成多个小的分区，每个分区可以独立存储和管理，从而提高查询和写入性能。TDengine 支持按时间和标签进行分区。

时间分区

时间分区是最常用的分区方式，按照时间范围将数据划分到不同的分区中。例如，可以按照天、周或月进行分区。在创建表时，可以指定分区策略。例如，为 meters 超级表按天进行分区：

CREATE STABLE meters (ts TIMESTAMP,current FLOAT,voltage FLOAT,phase FLOAT
) TAGS (location BINARY(32),device_id BINARY(32)
) PARTITION BY DAYS(1);

这样，每天的数据会存储在不同的分区中。当查询某个时间段的数据时，数据库只需要扫描相关的分区，而不是整个表，从而提高查询效率。

标签分区

标签分区是根据标签值将数据划分到不同的分区中。例如，可以根据 location 标签进行分区：

CREATE STABLE meters (ts TIMESTAMP,current FLOAT,voltage FLOAT,phase FLOAT
) TAGS (location BINARY(32),device_id BINARY(32)
) PARTITION BY TAG(location);

这样，不同 location 的数据会存储在不同的分区中。当查询某个 location 的数据时，数据库只需要扫描对应的分区，提高查询效率。

集群：众人拾柴火焰高

TDengine 支持集群部署，通过将数据分布在多个节点上，可以提高系统的并发处理能力和数据存储容量。

集群架构

TDengine 集群主要由管理节点（MN）和数据节点（DN）组成。管理节点负责集群的管理和元数据的存储，数据节点负责数据的存储和处理。

集群部署

部署 TDengine 集群需要进行以下步骤：

1. 安装 TDengine：在每个节点上安装 TDengine。
2. 配置集群：修改每个节点的配置文件 taos.cfg，指定集群的相关信息，如管理节点的地址、节点 ID 等。
3. 启动集群：依次启动管理节点和数据节点。

集群优势

集群部署可以带来以下优势：

• 高并发处理：多个节点可以同时处理查询和写入请求，提高系统的并发处理能力。
• 数据冗余：数据会在多个节点上进行冗余存储，提高数据的可靠性。
• 可扩展性：可以通过添加节点来扩展集群的存储容量和处理能力。

第七章：开发与集成：TDengine 的跨界融合

编程语言支持：多语言的桥梁

TDengine 支持多种编程语言，包括 Python、Java、C、C++ 等，这使得开发者可以根据自己的需求选择合适的语言进行开发。

Python 开发

Python 是一种非常流行的编程语言，具有简洁的语法和丰富的库。以下是一个使用 Python 连接 TDengine 并执行查询的示例：

import taos# 连接到 TDengine
conn = taos.connect(host="localhost", user="root", password="taosdata", database="power")# 创建游标
cursor = conn.cursor()# 执行查询
cursor.execute("SELECT * FROM d1001 LIMIT 10")# 获取查询结果
results = cursor.fetchall()# 打印结果
for row in results:print(row)# 关闭游标和连接
cursor.close()
conn.close()

在这个示例中，首先使用 taos.connect 方法连接到 TDengine 数据库，然后创建游标并执行查询，最后获取查询结果并打印。

Java 开发

Java 是一种广泛应用于企业级开发的编程语言。以下是一个使用 Java 连接 TDengine 并执行查询的示例：

import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.ResultSet;
import java.sql.Statement;public class TDengineJavaExample {public static void main(String[] args) {try {// 加载驱动Class.forName("com.taosdata.jdbc.TSDBDriver");// 连接到 TDengineConnection conn = DriverManager.getConnection("jdbc:TAOS://localhost:6030/power", "root", "taosdata");// 创建 StatementStatement stmt = conn.createStatement();// 执行查询ResultSet rs = stmt.executeQuery("SELECT * FROM d1001 LIMIT 10");// 处理查询结果while (rs.next()) {System.out.println(rs.getString(1));}// 关闭资源rs.close();stmt.close();conn.close();} catch (Exception e) {e.printStackTrace();}}
}

在这个示例中，首先加载 TDengine 的 JDBC 驱动，然后使用 DriverManager.getConnection 方法连接到数据库，接着创建 Statement 并执行查询，最后处理查询结果并关闭资源。

C 和 C++ 开发

C 和 C++ 是性能较高的编程语言，适合对性能要求较高的场景。TDengine 提供了 C 和 C++ 的开发库，可以方便地进行开发。以下是一个简单的 C 语言示例：

#include <stdio.h>
#include <taos.h>int main() {TAOS *taos = taos_connect("localhost", "root", "taosdata", "power", 6030);if (taos == NULL) {printf("Failed to connect to TDengine\n");return -1;}TAOS_RES *res = taos_query(taos, "SELECT * FROM d1001 LIMIT 10");if (res == NULL) {printf("Failed to execute query\n");taos_close(taos);return -1;}TAOS_ROW row;while ((row = taos_fetch_row(res))) {printf("%s\n", row[0]);}taos_free_result(res);taos_close(taos);return 0;
}

在这个示例中，首先使用 taos_connect 函数连接到 TDengine 数据库，然后使用 taos_query 函数执行查询，接着使用 taos_fetch_row 函数获取查询结果，最后释放资源并关闭连接。

与其他系统集成：生态融合

TDengine 可以与其他系统进行集成，如数据采集系统、数据分析平台等，实现数据的无缝流转和处理。

与 Kafka 集成

Kafka 是一个高性能的分布式消息队列系统，可以用于数据的采集和传输。可以将 TDengine 作为 Kafka 的数据存储后端，将 Kafka 中的数据实时写入 TDengine。以下是一个简单的集成步骤：

1. 安装 Kafka 和 TDengine：分别安装 Kafka 和 TDengine。
2. 配置 Kafka Connect：使用 Kafka Connect 配置数据从 Kafka 到 TDengine 的传输。可以编写自定义的 Kafka Connect 连接器，将 Kafka 中的消息解析并写入 TDengine。
3. 启动 Kafka Connect：启动 Kafka Connect 服务，开始数据传输。

与 Grafana 集成

Grafana 是一个流行的开源数据可视化平台，可以用于展示 TDengine 中的数据。集成步骤如下：

1. 安装 Grafana：安装 Grafana 并启动服务。
2. 添加 TDengine 数据源：在 Grafana 中添加 TDengine 作为数据源，配置连接信息。
3. 创建仪表盘：在 Grafana 中创建仪表盘，选择 TDengine 数据源，编写查询语句，展示数据。