之前介绍了运维监控系统Prometheus,然后就有同鞋问我关于时序数据库的情况,所以这里总结一下时序数据库,并以InfluxDB为例,介绍时序数据库的功能特性和使用方式,希望能对大家有所帮助。

一、时序数据库概述1.1 什么是时序数据库

时序数据是一组按照时间维度索引的数据。时序数据在日常生活中随处可见,比如每个整点的温度、湿度等天气数据,每分钟的股票价格数据等。我们常用曲线图、柱状图等形式去展现时序数据,也就是我们常常听到的“数据可视化”。

时序数据库是一种非关系型数据库,以时间作为数据主键,专门用来存储时序数据。

1.2 时序数据库的特点1.3 时序数据库的使用场景

目前比较流行的时序数据库有:InfluxDB、Prometheus、OpenTSDB、TDengine等,其中使用最广泛的当属InfluxDB,行业内应用最广泛。还有就是刚进入业内视野的国产时序数据库TDengine。而Prometheus则是Prometheus监控系统自带的数据库。

二、InfluxDB简介2.1 什么是InfluxDB

InfluxDB 是一个用于存储和分析时间序列数据的开源数据库。由 Golang 语言编写,也是由 Golang 编写的软件中比较著名的一个,在很多 Golang 的沙龙或者文章中可能都会把 InfluxDB 当标杆来介绍,这也间接帮助 InfluxDB 提高了知名度。

2.2 InfluxDB的特性

在最新的 DB-ENGINES 给出的时间序列数据库的排名中,InfluxDB 高居第一位,可以预见,InfluxDB 会越来越得到广泛的使用。

2.3 InfluxDB几个基本概念

时序数据库由于其存储海量时序数据的特性,因此与传统数据库有些许不同,下面先对influxdb中涉及的基本概念作出解释。

influxdb数据库由database、measurement、point等三部分构成。分别对应关系数据库中的数据库、表、数据行。

概念

MySQL

InfluxDB

数据库(同)

database

database

表(不同)

table

measurement(测量; 度量)

列(不同)

column

Point,包括:tag(带索引的,非必须)、field(不带索引)、timestemp(唯一主键)

2.4 Point数据构成

由于database和measurement与传统数据库基本相同,这里不做过多解释,以下针对influxdb中特有的Point进行讲解。

Point是InfluxDB中独有的概念,由时间(time)、数据(field)、标签(tags)三类字段组成。

(1)time:代表每条数据的时间字段,是measurement中的数据主键,因此time字段具有索引属性。一条point只能有一个time。

(2)field:代表各种数据的字段,例如气温、压力、股价等,field字段没有索引属性。一条point可以包括多个field。

(3)tag:代表各类非数据字段,例如设备编码、地区、姓名等,tag字段有索引属性。一条point可以包括多个tag。

例如:监控系统系统中,保存某个服务器的cpu和内存等资源使用情况,使用cpu_usage_total 的表名(measurement)保存数据。以下表示某一个point的样例数据:

influxdb spring boot(彻底搞懂时序数据库InfluxDB)(1)

其中time为time字段,记录数据产生的时间;cpu_usage和memory_usage分别代表CPU使用率和内存使用率,因此他们是field字段,真正的监控数据;cpu 和host代表CPU的名字和服务器IP,所以,他们是tag字段,用于查询和检索。

在使用和设计InfluxDB数据结构时,需要注意以下几点:

三、InfluxDB安装

InfluxDB安装非常简单,根据操作系统执行对应的安装命令即可。这里以window为例,演示如何安装InfluxDB。

3.1 下载

InfluxDB:https://dl.influxdata.com/influxdb/releases/influxdb-1.7.4_windows_amd64.zip

chronograf :https://dl.influxdata.com/chronograf/releases/chronograf-1.7.8_windows_amd64.zip

chronograf为InfluxDB的Web后台管理端,InfluxDB提供了控制台命令端,如果使用不习惯,可以使用chronograf。

3.2 解压安装包

软件下载成功后,解压,我们可以看到influxDB的数据库文件非常简单。如下图所示:

influxdb spring boot(彻底搞懂时序数据库InfluxDB)(2)

3.3 修改配置文件

InfluxDB 的数据存储主要有三个目录。默认情况下是 meta, wal 以及 data 三个目录,程序启动后会自动生成。

接下来修改influxdb.conf 配置文件,修改以下部分的路径。

influxdb spring boot(彻底搞懂时序数据库InfluxDB)(3)

另外,InfluxDB服务默认端口为8086,如果需要更改端口号,则增加以下配置。

influxdb spring boot(彻底搞懂时序数据库InfluxDB)(4)

3.4 启动InfluxDB服务

配置文件修改完成后,接下来启动InfluxDB服务。直接运行Influxd.exe使用默认配置运行即可。如果需要使用自定义的配置文件,则指定conf文件进行启动,启动命令如下:

#先cmd 进入influxDB目录 influxd.exe -config influxdb.conf

看到如下输出,说明InfluxDB启动成功。

influxdb spring boot(彻底搞懂时序数据库InfluxDB)(5)

四、InfluxDB使用

InfluxQL是一种类似于SQL的查询语言,用于与InfluxDB进行交互。如果你使用过关系数据库及SQL,那么你可以很快速的掌握InfluxQL。但是,InfluxQL又不完全是SQL,缺乏SQL中的一些高级的语法,例如UNION,JOIN,HAVING等。

那么InfluxDB的到底如何操作呢?接下来介绍InfluxQL语言的使用方法。

4.1 连接InfluxDB服务

进入到InfluxDB目录后,在cmd中输入influx命令即可,命令如下:

# 使用Command命令行进入influxdb influx -port 8086

如果使用的是默认配置,可以不需要加端口,直接influx即可。

influxdb spring boot(彻底搞懂时序数据库InfluxDB)(6)

4.2 操作InfluxDB

InfluxQL与SQL命令语法类似。接下来我们看一看InfluxQL 是怎么使用的?

4.2.1创建数据库

# 创建数据库 CREATE DATABASE weiz_tes # 显示所有数据库 SHOW DATABASES # 删除数据库 DROP DATABASE weiz_test # 使用数据库 USE weiz_test

4.2.2 表操作

1.创建表

InfluxDB没有专门的创建表的命令,当插入一条数据point至某A表时,此A表会自动创建,并且表的格式、字段名、字段类型也由此条插入命令决定。

2.修改表

InfluxDB没有修改表的命令,但当插入一条新数据point至表A时,如果此point中的字段多于原A表的字段,会自动修改A表与此条插入数据的格式字段等一致。

注意:此种情况仅限于新插入的数据字段与表A字段的交集即表A的情况,如果新插入数据字段与表A完全不同则会插入失败。

3.查询表

# 显示该数据库中的表 SHOW MEASUREMENTS

4.删除表:

DROP MEASUREMENT "measurementName"

5.插入数据

insert host_cpu_usage_total,host_name=host1,cpu_core=core1 cpu_usage=0.26,cpu_idle=0.76

上面,我们新增一条数据,measurement为host_cpu_usage_total, tag为host_name,cpu_core, field为cpu_usage,cpu_idle。

我们简单小结一下插入的语句写法:

  1. 基本格式:.insert measurement "," tag=value,tag=value 空格 field=value,field=value ;
  2. tag与tag之间用逗号分隔;field与field之间用逗号分隔;
  3. tag与field之间用空格分隔;
  4. tag都是string类型,不需要引号将value包裹;
  5. field如果是string类型,需要加引号;

6.查询数据

select * from host_cpu_usage_total

查询语句使用select 关键字,格式与mysql 基本一致。

influxdb spring boot(彻底搞懂时序数据库InfluxDB)(7)

4.2.3 用户管理

InfluxDB 默认管理员账号:admin,密码为空。我们可以新增用户和权限。命令如下:

#显示用户 show users #创建用户 create user "username" with password 'password' #创建管理员权限用户 create user "username" with password 'password' with all privileges #删除用户 drop user "username"

以上是对InfluxDB数据库操作的基本总结,其他复杂的用法可以参考官网教程。官网教程地址:https://docs.influxdata.com/influxdb/v1.7/。

五、SpringBoot整合InfluxDB

前面介绍了InfluxDB的基本安装和使用。接下来我们介绍SpringBoot项目如何整合InfluxDB,实现数据的增删改查。这里使用的Spring Boot版本为2.4.1。接下来看看如何实现的。

5.1 添加依赖

首先创建springboot项目spring-boot-starter-influxdb,并添加相关依赖,具体依赖如下:

<dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter</artifactId> </dependency> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-test</artifactId> <scope>test</scope> </dependency> <dependency> <groupId>org.influxdb</groupId> <artifactId>influxdb-java</artifactId> <version>2.14</version> </dependency>

5.2 修改application.properties 配置

接下来修改application.properties 配置文件,增加InfluxDB的相关配置,具体如下:

#influxdb 配置 spring.influx.url=http://localhost:8086 spring.influx.user=admin spring.influx.password= spring.influx.database=weiz_test

上面配置的是InfluxDB数据库连接配置,默认url为:http://localhost:8086 ,数据库为之前创建的weiz_test数据库。用户名为admin,密码默认为空。

5.3 读取配置文件

创建InfluxDBConfig类,负责读取Influx的数据库连接配置。具体代码如下:

@Configuration public class InfluxDBConfig { @Value("${spring.influx.user}") public String userName; @Value("${spring.influx.password}") public String password; @Value("${spring.influx.url}") public String url; //数据库 @Value("${spring.influx.database}") public String database; }

5.4 数据库操作类

创建数据库操作类InfluxDBService,负责数据库的初始化,增删改查等操作的具体实现,示例代码如下:

@Service public class InfluxDBService { @Autowired private InfluxDBConfig influxDBConfig; @PostConstruct public void initInfluxDb() { this.retentionPolicy = retentionPolicy == null || "".equals(retentionPolicy) ? "autogen" : retentionPolicy; this.influxDB = influxDbBuild(); } //保留策略 private String retentionPolicy; private InfluxDB influxDB; /** * 设置数据保存策略 defalut 策略名 /database 数据库名/ 30d 数据保存时限30天/ 1 副本个数为1/ 结尾DEFAULT * 表示 设为默认的策略 */ public void createRetentionPolicy() { String command = String.format("CREATE RETENTION POLICY \"%s\" ON \"%s\" DURATION %s REPLICATION %s DEFAULT", "defalut", influxDBConfig.database, "30d", 1); this.query(command); } /** * 连接时序数据库;获得InfluxDB **/ private InfluxDB influxDbBuild() { if (influxDB == null) { influxDB = InfluxDBFactory.connect(influxDBConfig.url, influxDBConfig.userName, influxDBConfig.password); influxDB.setDatabase(influxDBConfig.database); } return influxDB; } /** * 插入 * @param measurement 表 * @param tags 标签 * @param fields 字段 */ public void insert(String measurement, Map<String, String> tags, Map<String, Object> fields) { influxDbBuild(); Point.Builder builder = Point.measurement(measurement); builder.time(System.currentTimeMillis(), TimeUnit.MILLISECONDS); builder.tag(tags); builder.fields(fields); influxDB.write(influxDBConfig.database, "", builder.build()); } /** * @desc 插入,带时间time * @date 2021/3/27 *@param measurement *@param time *@param tags *@param fields * @return void */ public void insert(String measurement, long time, Map<String, String> tags, Map<String, Object> fields) { influxDbBuild(); Point.Builder builder = Point.measurement(measurement); builder.time(time, TimeUnit.MILLISECONDS); builder.tag(tags); builder.fields(fields); influxDB.write(influxDBConfig.database, "", builder.build()); } /** * @desc influxDB开启UDP功能,默认端口:8089,默认数据库:udp,没提供代码传数据库功能接口 * @date 2021/3/13 *@param measurement *@param time *@param tags *@param fields * @return void */ public void insertUDP(String measurement, long time, Map<String, String> tags, Map<String, Object> fields) { influxDbBuild(); Point.Builder builder = Point.measurement(measurement); builder.time(time, TimeUnit.MILLISECONDS); builder.tag(tags); builder.fields(fields); int udpPort = 8089; influxDB.write(udpPort, builder.build()); } /** * 查询 * @param command 查询语句 * @return */ public QueryResult query(String command) { influxDbBuild(); return influxDB.query(new Query(command, influxDBConfig.database)); } /** * @desc 查询结果处理 * @date 2021/5/12 *@param queryResult */ public List<Map<String, Object>> queryResultProcess(QueryResult queryResult) { List<Map<String, Object>> mapList = new ArrayList<>(); List<QueryResult.Result> resultList = queryResult.getResults(); //把查询出的结果集转换成对应的实体对象,聚合成list for(QueryResult.Result query : resultList){ List<QueryResult.Series> seriesList = query.getSeries(); if(seriesList != null && seriesList.size() != 0) { for(QueryResult.Series series : seriesList){ List<String> columns = series.getColumns(); String[] keys = columns.toArray(new String[columns.size()]); List<List<Object>> values = series.getValues(); if(values != null && values.size() != 0) { for(List<Object> value : values){ Map<String, Object> map = new HashMap(keys.length); for (int i = 0; i < keys.length; i ) { map.put(keys[i], value.get(i)); } mapList.add(map); } } } } } return mapList; } /** * @desc InfluxDB 查询 count总条数 * @date 2021/4/8 */ public long countResultProcess(QueryResult queryResult) { long count = 0; List<Map<String, Object>> list = queryResultProcess(queryResult); if(list != null && list.size() != 0) { Map<String, Object> map = list.get(0); double num = (Double)map.get("count"); count = new Double(num).longValue(); } return count; } /** * 查询 * @param dbName 创建数据库 * @return */ public void createDB(String dbName) { influxDbBuild(); influxDB.createDatabase(dbName); } /** * 批量写入测点 * * @param batchPoints */ public void batchInsert(BatchPoints batchPoints) { influxDbBuild(); influxDB.write(batchPoints); } /** * 批量写入数据 * * @param database 数据库 * @param retentionPolicy 保存策略 * @param consistency 一致性 * @param records 要保存的数据(调用BatchPoints.lineProtocol()可得到一条record) */ public void batchInsert(final String database, final String retentionPolicy, final InfluxDB.ConsistencyLevel consistency, final List<String> records) { influxDbBuild(); influxDB.write(database, retentionPolicy, consistency, records); } /** * @desc 批量写入数据 * @date 2021/3/19 *@param consistency *@param records */ public void batchInsert(final InfluxDB.ConsistencyLevel consistency, final List<String> records) { influxDbBuild(); influxDB.write(influxDBConfig.database, "", consistency, records); } }

5.5 测试验证

接下来,我们写几个单元测试,验证数据的增删改查等操作是否成功。单元测试代码如下:

@SpringBootTest class Example01ApplicationTests { @Autowired private InfluxDBService influxDBService; @Test void contextLoads() { } @Test public void testSave(){ String measurement = "host_cpu_usage_total"; Map<String,String> tags = new HashMap<>(); tags.put("host_name","host2"); tags.put("cpu_core","core0"); Map<String, Object> fields = new HashMap<>(); fields.put("cpu_usage",0.22); fields.put("cpu_idle",0.56); influxDBService.insert(measurement, tags, fields); } @Test public void testGetdata(){ String command = "select * from host_cpu_usage_total"; QueryResult queryResult = influxDBService.query(command); List<Map<String, Object>> result = influxDBService.queryResultProcess(queryResult); for (Map map: result) { System.out.println("time:" map.get("time") " host_name:" map.get("host_name") " cpu_core:" map.get("cpu_core") " cpu_usage:" map.get("host_name") " cpu_idle:" map.get("host_name")); } } }

运行上面的新增和查询等单元测试,单击Run Test或在方法上右击,选择Run 'testSave' ,查看单元测试结果,运行结果如下图所示。

influxdb spring boot(彻底搞懂时序数据库InfluxDB)(8)

接下来调用数据验证数据查询,运行'testGetData'测试方法,运行结果如下图所示:

influxdb spring boot(彻底搞懂时序数据库InfluxDB)(9)

保存和查询等功能的单元测试运行成功,说明InfluxDB的增加和查询操作执行成功。

最后

以上,我们就把时序数据库InfluxDB介绍完了,并通过示例介绍了如何在SpringBoot项目中整合InfluxDB。示例代码也会同步上传:https://gitee.com/weizhong1988/spring-boot-starter 。如有疑问,请在下方留言!

InfluxDB在系统监控、物联网等方面的应用越来越多,希望大家能够熟练掌握。

,