搞不清 TDengine 的“复杂”查询？一文让它变简单

小 T 导读：作为一款专业的时序数据库（Time Series Database，TSDB），为满足用户在不同场景下的查询需求，TDengine 提供了丰富的查询功能。除了一些主要的查询外，还包括多表聚合查询、降采样查询及连续查询，本文将从实际操作层面对这三种特殊查询进行解读。

查询数据

主要查询功能

TDengine 采用 SQL 作为查询语言，应用程序可以通过 REST API 或连接器发送 SQL 语句，用户还可以通过 TDengine 命令行工具 taos 手动执行 SQL 即席查询（Ad-Hoc Query）。TDengine 支持如下查询功能：

单列、多列数据查询
标签和数值的多种过滤条件：>, <, =, <>, like 等
聚合结果的分组（Group by）、排序（Order by）、约束输出（Limit/Offset）
数值列及聚合结果的四则运算
时间戳对齐的连接查询（Join Query: 隐式连接）操作
多种聚合/计算函数: count, max, min, avg, sum, twa, stddev, leastsquares, top, bottom, first, last, percentile, apercentile, last_row, spread, diff 等

例如：在命令行工具 taos 中，我们需要从表 d1001 中查询出 voltage > 215 的记录，按时间降序排列，仅仅输出如下 2 条结果。

taos> select * from d1001 where voltage > 215 order by ts desc limit 2;
           ts            |       current        |   voltage   |        phase         |
======================================================================================
 2018-10-03 14:38:16.800 |             12.30000 |         221 |              0.31000 |
 2018-10-03 14:38:15.000 |             12.60000 |         218 |              0.33000 |
Query OK, 2 row(s) in set (0.001100s)

为满足物联网场景的需求，TDengine 还支持几个特殊的函数，比如 twa(时间加权平均)、spread (最大值与最小值的差)、last_row(最后一条记录)等，未来还将有更多与物联网场景相关的函数添加进来。

多表聚合查询

在物联网场景中，往往同一个类型的数据采集点有多个。TDengine 采用超级表(STable)的概念来描述某一个类型的数据采集点，一张普通的表来描述一个具体的数据采集点。同时 TDengine 使用标签来描述数据采集点的静态属性，一个具体的数据采集点有具体的标签值。

通过指定标签的过滤条件，TDengine 实现了将超级表(某一类型的数据采集点)所属的子表统一进行聚合查询。值得一提的是，对普通表的聚合函数以及绝大部分操作都适用于超级表，语法完全一样。

示例一

在 TAOS Shell 查找加利福尼亚州所有智能电表采集的电压平均值，并按照 location 分组。代码如下所示：

taos> SELECT AVG(voltage) FROM meters GROUP BY location;
       avg(voltage)        |            location            |
=============================================================
             222.000000000 | California.LosAngeles                |
             219.200000000 | California.SanFrancisco               |
Query OK, 2 row(s) in set (0.002136s)

示例二

在 TAOS shell 查找 groupId 为 2 的所有智能电表过去 24 小时的记录条数，电流的最大值。代码如下所示：

taos> SELECT count(*), max(current) FROM meters where groupId = 2 and ts > now - 24h;
     cunt(*)  |    max(current)  |
==================================
            5 |             13.4 |
Query OK, 1 row(s) in set (0.002136s)

需要注意的是，TDengine 仅容许对同属于一个超级表的表之间进行聚合查询，不同超级表之间的聚合查询并不支持。

降采样查询、插值

除了上述场景，在物联网场景中，我们还经常需要通过降采样（down sampling）将采集的数据按时间段进行聚合。TDengine 提供了一个简便的关键词——interval（等间隔窗口），让按照时间窗口进行的查询操作变得极为简单。比如，对智能电表 d1001 采集的电流值按每 10 秒钟求和：

taos> SELECT sum(current) FROM d1001 INTERVAL(10s);
           ts            |       sum(current)        |
======================================================
 2018-10-03 14:38:00.000 |              10.300000191 |
 2018-10-03 14:38:10.000 |              24.900000572 |
Query OK, 2 row(s) in set (0.000883s)

同样，降采样操作也适用于超级表，比如将加利福尼亚州所有智能电表采集的电流值按每秒钟求和：

taos> SELECT SUM(current) FROM meters where location like "California%" INTERVAL(1s);
           ts            |       sum(current)        |
======================================================
 2018-10-03 14:38:04.000 |              10.199999809 |
 2018-10-03 14:38:05.000 |              32.900000572 |
 2018-10-03 14:38:06.000 |              11.500000000 |
 2018-10-03 14:38:15.000 |              12.600000381 |
 2018-10-03 14:38:16.000 |              36.000000000 |
Query OK, 5 row(s) in set (0.001538s)

此外，降采样操作也支持时间偏移，比如：将所有智能电表采集的电流值按每秒钟求和，但要求每个时间窗口从 500 毫秒开始：

taos> SELECT SUM(current) FROM meters INTERVAL(1s, 500a);
           ts            |       sum(current)        |
======================================================
 2018-10-03 14:38:04.500 |              11.189999809 |
 2018-10-03 14:38:05.500 |              31.900000572 |
 2018-10-03 14:38:06.500 |              11.600000000 |
 2018-10-03 14:38:15.500 |              12.300000381 |
 2018-10-03 14:38:16.500 |              35.000000000 |
Query OK, 5 row(s) in set (0.001521s)

众所周知，在物联网场景里每个数据采集点采集数据的时间较难同步，但很多分析算法(比如 FFT)需要把采集的数据严格按照时间等间隔地对齐，在很多系统里，这需要应用自己写程序来处理，但使用 TDengine 的降采样操作这个需求便能轻松解决了。

如果一个时间间隔里没有采集的数据，TDengine 还提供插值计算的功能。

写在最后

时序数据的查询场景多种多样，从用户需求出发，TDengine 进行了一系列查询功能的设计和优化。本文详细介绍了 TDengine 中的几种复杂查询功能想了解更多 TDengine Database的具体细节，欢迎大家在GitHub上查看相关源代码。

秒客网