influxDB基础

一、简单对比

InfluxDB 是一个由 InfluxData 开发的开源时序型数据库。使用 GO 语言开发，特别适合用于处理和分析资源监控数据这种时序相关数据。

那么相比于关系型数据库有何优势？

1、写入性能提升

2、冷热数据分离

3、时间不可倒流，数据只写不改

二、基本概念

1. Bucket（桶）： Bucket 是 InfluxDB 中的基本存储单元，用于组织和存储时间序列数据。它是数据的逻辑容器，用于区分和隔离不同类型或来源的数据。
2. Organization（组织）： Organization 是 InfluxDB 中的组织概念，用于隔离和管理用户、应用程序或项目。每个用户可以属于一个或多个组织，Bucket 也属于一个组织。
3. Measurement（测量值）： Measurement 是 InfluxDB 中的数据表的概念。它类似于关系型数据库中的表，用于存储时间序列数据。每个 Measurement 包含一组字段和标签。
4. Field（字段）： Field 是 Measurement 中的一种数据类型，用于存储实际的数值数据。例如，温度、湿度等是字段的例子。
5. Tag（标签）： Tag 是 Measurement 中的一种索引类型，用于标识和过滤数据。标签通常用于存储维度信息，例如地理位置、设备 ID 等。
6. Point（数据点）： Point 是 InfluxDB 中时间序列数据的基本单位，它包含了时间戳、字段和标签。每个数据点都关联到一个 Measurement。
7. API 密钥和访问令牌： 为了进行安全的访问和操作，InfluxDB 2.x 引入了 API 密钥和访问令牌。API 密钥用于身份验证，而访问令牌用于授权对数据的访问。
8. Flux 查询语言： Flux 是 InfluxDB 2.x 中的查询语言，用于执行强大的数据处理和分析操作。它支持更灵活的查询、过滤、聚合和转换操作。
9. 仪表板和可视化： InfluxDB 2.x 提供了仪表板和可视化工具，允许用户创建、定制和共享图表和仪表板，以直观地展示时间序列数据。

三、数据的存储

通过行协议写入数据

例如

occupancy_rate,cpu=core4 use=75,free=25

influxDB使用序列的方式去管理数据

图中的foodships为influxdb的measurement，相当于关系型数据库中的表

tags(图中的park_id，planet)相当于关系型数据库中的索引项

图中的#_foodships相当于关系型数据中的未建索引的列

---

在influxDB中，唯一的measurement、tag_set和filed（一个字段）组合是一个序列

比如tag有手机号，地块id，属性有经度、纬度、设备时间

那么该手机号地块号下的序列应该有三个，分别是经度序列，纬度序列，设备时间序列

---

假如我们有这样一个场景，我们需要查询一段时间的数据，对于传统的关系型数据库来说，我们很有可能需要多次寻址找到多个元组才能完成查询，而时序数据库是吧索引打到了一批次的数据上，在这种场景下的读写，时序数据库性能是远强于B+树数据库的

---

四、双索引设计

现在已经说明了基本的概念和数据的存储，但是还没有提到最重要的时间。在influxdb中，时间也是索引，数据在入库时，会按照时间戳进行排序。这样，我们在进行查询时，一般遵循下面的思路

（1）先指定要从哪个存储桶查询数据

（2）指定数据的时间范围

（3）指定measurement、tag_set和field说明我要查询哪个序列

五、flux查询语言

【示例】

from(bucket: "example_java")
  |> range(start:2024-11-01T00:00:00Z, stop:2024-11-03T00:00:00Z)
  |> filter(fn: (r) => r["cpu"] == "core1")

在上面的示例中我们看到了第一行指定了从哪个存储桶中查找，第二行指定了查询的数据的时间范围，第三行指定了查询的measurement，tag为cpu，但是因为没有过滤tag条件，我们查询出来了两条序列，而且每一行都是通过|> 符号将上一个函数的输出传递给下一个函数，类似于linux的管道

在range函数中，需要接收两个参数，start和stop，其中stop可以省略，省略的话默认为当前时间

start和stop既可以使用相对的时间区间也可以使用绝对的时间戳，在上面例子中使用的是绝对的时间戳，接下来我们将其换成相对的时间，其格式为时间间隔，如h/m/s

from(bucket: "example_java")
  |> range(start:-3d)
  |> filter(fn: (r) => r["_measurement"] == "occupancy_rate")

我们可以添加上tag的过滤条件，指定我们想要查询的序列

from(bucket: "example_java")
  |> range(start:2024-11-01T00:00:00Z, stop:2024-11-03T00:00:00Z)
  |> filter(fn: (r) => r["_measurement"] == "occupancy_rate")
  |> filter(fn: (r) => r["cpu"] == "core1")

这次只查询出了cpu为core1的序列

---

但是假如我们有多个属性，我们用这种方式查询到的会是这种形式

from(bucket: "example_java")
  |> range(start:2024-11-01T00:00:00Z, stop:2024-11-03T00:00:00Z)
  |> filter(fn: (r) => r["_measurement"] == "occupancy_rate")
  |> filter(fn: (r) => r["cpu"] == "core3")

可以看到，现在是长数据的格式，那么如果我们想让数据变得成宽数据格式，可以使用pivot函数

from(bucket: "example_java")
  |> range(start:2024-11-01T00:00:00Z, stop:2024-11-03T00:00:00Z)
  |> filter(fn: (r) => r["_measurement"] == "occupancy_rate")
  |> filter(fn: (r) => r["cpu"] == "core3")
  |> pivot(rowKey: ["_time"], columnKey: ["_field"], valueColumn: "_value")

其中 rowKey: [“time”]指定哪些列将用来标识唯一的行，通常使用时间戳列 “_time”-可以指定多个列

columnKey: [“_field”]指定哪些列的值将被转换为新的列名 这里指定 “field”，意味着 “_field” 列中的值将变成新的列名

valueColumn: "_value"指定哪一列包含实际的数据值，这些值将填充到新生成的列中

还有一些常见的函数

min（最小值） max（最大值）， mean（平均值）

例如

from(bucket: "example_java")
  |> range(start:2024-11-01T00:00:00Z, stop:2024-11-03T00:00:00Z)
  |> filter(fn: (r) => r["_measurement"] == "occupancy_rate")
  |> filter(fn: (r) => r["cpu"] == "core3")
  |> pivot(rowKey: ["_time"], columnKey: ["_field"], valueColumn: "_value")
  |> max(column: "free")

六、spring boot应用

1、引入依赖

<dependency>
	<groupId>com.influxdb</groupId>
    <artifactId>influxdb-client-java</artifactId>
    <version>7.2.0</version>
</dependency>

2、在配置文件中配置参数

spring:
	influxdb:
    	url: 
    	token:
    	bucket: 
    	measurement: 
    	org: 

3、配置类

@Configuration
public class InfluxConfig {
   
   


    @Value("${spring.influxdb.url}")