InfluxDB 2.x

InfluxDB 2.x

简介

InfluxDB 2.x 是 InfluxData 公司推出的时间序列数据库的最新版本。与 InfluxDB 1.x 相比，InfluxDB 2.x 引入了一些新的特性和改进，旨在提供更强大、灵活和易于使用的时间序列数据存储和查询解决方案。以下是 InfluxDB 2.x 的一些关键特点和概念：

  1. Flux 查询语言： InfluxDB 2.x 引入了 Flux 查询语言，用于执行强大的数据处理和分析操作。Flux 提供了更灵活的查询能力，支持复杂的数据转换、过滤、聚合和连接操作，以更好地支持用户对时间序列数据的操作和分析。
  2. 新的数据存储引擎： InfluxDB 2.x 使用 Flux Engine 作为新的数据存储引擎。Flux Engine 具有更好的性能和扩展性，支持高并发写入和高效查询。
  3. Bucket 和 Organization： InfluxDB 2.x 引入了 Bucket 和 Organization 的概念。Bucket 是数据的逻辑容器，用于组织和存储时间序列数据，而 Organization 用于隔离和管理不同的用户或应用程序。
  4. 新的用户界面（UI）： InfluxDB 2.x 提供了全新的仪表板和可视化工具，使用户能够轻松创建、定制和共享漂亮的图表和仪表板，以直观地展示时间序列数据。
  5. API 密钥和访问令牌： 为了实现更安全的访问和操作，InfluxDB 2.x 引入了 API 密钥和访问令牌。API 密钥用于身份验证，访问令牌用于授权对数据的访问。
  6. 支持多租户： InfluxDB 2.x 提供更好的多租户支持，允许在同一实例中隔离和管理多个不同的组织和数据。
  7. 新的存储结构： InfluxDB 2.x 采用新的存储结构，支持更灵活的标签和更好的查询性能，同时改进了存储效率。
  8. 云原生和容器化： InfluxDB 2.x 被设计用于云原生环境和容器化部署，支持在 Kubernetes 或其他容器编排工具中运行。
  9. 更好的持久性查询支持： Flux 查询语言支持对查询结果进行持久性存储，使用户可以创建并定期执行持久性的计算任务。

基本概念

以下是 InfluxDB 2.x 的一些基本概念，这些概念有助于理解和使用 InfluxDB：

  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。

Bucket类似于关系型数据库中的库的概念。Measurement类似于数据库中表。

应用场景

广泛应用于物联网、监控系统、日志分析、金融数据分析等。以下是一些时序数据库的常见应用场景：

  1. 监控和运维： 时序数据库常用于监控系统的性能和运行状态。通过记录服务器、网络设备、应用程序等的性能指标，管理员可以实时监测系统健康状况，快速识别并解决问题。
  2. 物联网（IoT）： 物联网设备产生大量的时间序列数据，包括传感器读数、设备状态和事件记录。时序数据库能够高效地存储和查询这些数据，为物联网应用提供实时性和高吞吐量。
  3. 能源管理： 时序数据库可用于跟踪能源使用情况，记录电表读数、太阳能发电量、温度等信息。这对于能源消耗分析、可再生能源监测和节能优化非常有用。
  4. 金融数据分析： 金融行业需要处理大量的交易数据、股价变动和其他市场指标。时序数据库能够提供快速的查询和分析功能，以便实时监控市场情况和执行高频交易策略。
  5. 日志分析： 服务器日志、应用程序日志等产生的日志数据通常是按时间戳记录的。时序数据库可用于存储和分析大量的日志数据，以便追踪系统事件、调查问题和进行故障排除。
  6. 工业自动化： 在制造业和工业自动化中，时序数据库用于记录生产过程中的传感器数据、生产线状态和设备运行情况，以实现实时监控和质量控制。
  7. 环境监测： 时序数据库可用于存储气象数据、空气质量指标、水质数据等环境监测信息。这有助于研究气候变化、提高自然灾害预警系统的效能等。

服务端配置

安装环境

Windows系统，Docker安装最新influxdb镜像，设置宿主机映射默认端口:8086，运行成功后，Dashboad访问路径127.0.0.1:8086,初次打开需要设置用户名，密码和组织Organization名称。

创建数据库

点击Bluckets选项，点击 “CREATE BLUCKET” 按钮添加Blucket

为bucket添加TELEGRAF配置

为添加的bucket添加数据来源配置，点击”CREATE CONFIGURATION”按钮

选择新加的Blucket为其添加System数据源

只需要填写配置名称/描述，配置内容不需要自己填写，保存自动生成。

保存后出现该界面代表创建完成，会返回给配置信息：export INFLUX_TOKEN 和 telegraf --config

点击后关闭界面

TELEGRAF配置参数说明

这四个key的值就对应的是JAVA应用程序中yaml中的配置的四个属性值，分别是url、token、org、bucket
注意：2.x版本是通过这四个属性来访问的，不再是账号和密码。
其中token的值就是第二步创建完配置文件后返回的两个配置文件中的 export INFLUX_TOKEN

经过测试发现了问题，注意这个TOKEN是数据库配置的TOKEN虽然可以连接到数据库并成功插入数据，但是并不具备访问的权限的，也就是说只能保存不能进行其他操作。查询报错：HTTP status code: 404; Message: failed to initialize execute state: could not find bucket “XX”

配置数据库的访问权限API TOKENS

选择“API TOKENS”选项后，点击”GENERATE API TOKEN”按钮中”Customer API Token”选项配置

为新建的bucket创建读写权限

点击“Generate”按钮后，会弹窗生成API TOKEN值，该TOKENS直接替换掉yaml配置文件中的token即可

客户端使用

应用环境

以spring-boot 项目，maven构建为例，maven文件引入客户端包，源码Github地址：https://github.com/influxdata/influxdb-client-java，maven配置如下所示：

		<dependency>
			<groupId>com.influxdb</groupId>
			<artifactId>influxdb-client-java</artifactId>
			<version>6.10.0</version>
		</dependency>
		<dependency>
			<groupId>com.influxdb</groupId>
			<artifactId>influxdb-client-core</artifactId>
			<version>6.10.0</version>
		</dependency>

配置参数

在yaml中配置或者新增配置文件。本项目以配置文件为例，在resouces下新增influx2.properties配置文件。配置文件内容如下所示：

influx2.url=http://127.0.0.1:8086
influx2.org=21
influx2.token=n1laoPJafR9NkPJ_eIulO8fURL2I1-s_K582HByY1PGMtqVXmP1z2zHtwz-hmxS6aO336MfIF4H7EqpXOKZ1Fg==
influx2.bucket=chj-influx

添加配置类InfluxConfigProperties.java

package guru.springframework.config;

import com.influxdb.client.InfluxDBClient;
import com.influxdb.client.InfluxDBClientFactory;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class InfluxConfigProperties {
    @Bean
    public InfluxDBClient influxDBClient() {
        return InfluxDBClientFactory.create();
    }
}

FLUX查询语言

Flux 是一种功能强大的查询语言，特别适用于处理时间序列数据。Flux 具有丰富的操作和函数，使用户能够执行复杂的数据处理、过滤、聚合和计算任务。其中bucket 和 range 是必填的。

以下是一些 Flux 查询和计算的基本示例：

查询数据：

  1. 选择数据点：

    from(bucket: "your_bucket")
  |> range(start: -1h)
  |> filter(fn: (r) => r._measurement == "your_measurement")

  2. 选择特定字段：

    from(bucket: "your_bucket")
  |> range(start: -1h)
  |> filter(fn: (r) => r._measurement == "your_measurement")
  |> filter(fn: (r) => r._field == "your_field")

数据处理和计算：

  1. 计算平均值：

    from(bucket: "your_bucket")
  |> range(start: -1h)
  |> filter(fn: (r) => r._measurement == "your_measurement")
  |> filter(fn: (r) => r._field == "your_field")
  |> mean()

  2. 计算总和：

    from(bucket: "your_bucket")
  |> range(start: -1h)
  |> filter(fn: (r) => r._measurement == "your_measurement")
  |> filter(fn: (r) => r._field == "your_field")
  |> sum()

  3. 计算差异：

    
from(bucket: "your_bucket")
  |> range(start: -1h)
  |> filter(fn: (r) => r._measurement == "your_measurement")
  |> difference()

  4. 计算百分比：

    from(bucket: "your_bucket")
  |> range(start: -1h)
  |> filter(fn: (r) => r._measurement == "your_measurement")
  |> map(fn: (r) => ({ r with _value: r._value * 100 }))

数据过滤和筛选：

  1. 按标签过滤：

    from(bucket: "your_bucket")
  |> range(start: -1h)
  |> filter(fn: (r) => r._measurement == "your_measurement" and r.your_tag == "desired_value")

  2. 按条件过滤：

    from(bucket: "your_bucket")
  |> range(start: -1h)
  |> filter(fn: (r) => r._measurement == "your_measurement" and r._value > 10.0)

  3. 按时间范围过滤：

    from(bucket: "your_bucket")
  |> range(start: -1h, stop: now())
  |> filter(fn: (r) => r._measurement == "your_measurement")

这些示例演示了 Flux 查询语言中的一些常见操作，但 Flux 提供了更多的功能，可以通过组合和嵌套这些操作来执行更复杂的查询和计算任务。

数据集结构体说明

FluxTable.java

//
// Source code recreated from a .class file by IntelliJ IDEA
// (powered by FernFlower decompiler)
//

package com.influxdb.query;

import java.io.Serializable;
import java.util.ArrayList;
import java.util.List;
import java.util.StringJoiner;
import java.util.stream.Collectors;
import javax.annotation.Nonnull;

public final class FluxTable implements Serializable {
    private List<FluxColumn> columns = new ArrayList();
    private List<FluxRecord> records = new ArrayList();

    public FluxTable() {
    }

    @Nonnull
    public List<FluxColumn> getColumns() {
        return this.columns;
    }

    @Nonnull
    public List<FluxColumn> getGroupKey() {
        return (List)this.columns.stream().filter(FluxColumn::isGroup).collect(Collectors.toList());
    }

    @Nonnull
    public List<FluxRecord> getRecords() {
        return this.records;
    }

    public String toString() {
        return (new StringJoiner(", ", FluxTable.class.getSimpleName() + "[", "]")).add("columns=" + this.columns.size()).add("records=" + this.records.size()).toString();
    }
}

FluxRecord.java

//
// Source code recreated from a .class file by IntelliJ IDEA
// (powered by FernFlower decompiler)
//

package com.influxdb.query;

import com.influxdb.utils.Arguments;
import java.io.Serializable;
import java.time.Instant;
import java.util.ArrayList;
import java.util.LinkedHashMap;
import java.util.List;
import java.util.Map;
import java.util.Objects;
import java.util.StringJoiner;
import javax.annotation.Nonnull;
import javax.annotation.Nullable;

public final class FluxRecord implements Serializable {
    private final Integer table;
    private LinkedHashMap<String, Object> values = new LinkedHashMap();
    private List<Object> row = new ArrayList();

    public FluxRecord(@Nonnull Integer table) {
        Arguments.checkNotNull(table, "Table index");
        this.table = table;
    }

    @Nullable
    public Instant getStart() {
        return (Instant)this.getValueByKey("_start");
    }

    @Nullable
    public Instant getStop() {
        return (Instant)this.getValueByKey("_stop");
    }

    @Nullable
    public Instant getTime() {
        return (Instant)this.getValueByKey("_time");
    }

    @Nullable
    public Object getValue() {
        return this.getValueByKey("_value");
    }

    @Nullable
    public String getField() {
        return (String)this.getValueByKey("_field");
    }

    @Nullable
    public String getMeasurement() {
        return (String)this.getValueByKey("_measurement");
    }

    @Nonnull
    public Integer getTable() {
        return this.table;
    }

    @Nonnull
    public Map<String, Object> getValues() {
        return this.values;
    }

    @Nonnull
    public List<Object> getRow() {
        return this.row;
    }

    @Nullable
    public Object getValueByIndex(int index) {
        return this.values.values().toArray()[index];
    }

    @Nullable
    public Object getValueByKey(@Nonnull String key) {
        Arguments.checkNonEmpty(key, "key");
        return this.values.get(key);
    }

    public String toString() {
        return (new StringJoiner(", ", FluxRecord.class.getSimpleName() + "[", "]")).add("table=" + this.table).add("values=" + this.values.size()).toString();
    }

    public boolean equals(Object o) {
        if (this == o) {
            return true;
        } else if (o != null && this.getClass() == o.getClass()) {
            FluxRecord that = (FluxRecord)o;
            return Objects.equals(this.table, that.table) && Objects.equals(this.values, that.values);
        } else {
            return false;
        }
    }

    public int hashCode() {
        return Objects.hash(new Object[]{this.table, this.values});
    }
}

返回结果如下图所示：

说明：cloumns前8个是固定，从第9个为设置的Tag。records里面的值对应的列cloumn的取值。桶一个tag下每个字段会展示一条数据，_field为字段名称，_value为该字段的值，按tag为索引，按字段为维度存取数据，侧重于某个字段（指标）的展示，在DashBoads里面展示如下图所示：

部分功能代码演示

新增数据

  1. 通过Influx 行协议的方法写入。writeApiBlocking.writeRecord
  2. 通过写入 Point点。writeApiBlocking.writePoint
  3. POJO的模式写入。writeApi.writeMeasurement
 @Autowired
 private InfluxDBClient influxDBClient;
 
 public void addMyMeasurement() {
        WriteApiBlocking writeApiBlocking = influxDBClient.getWriteApiBlocking();
        // 1. 通过Influx 行协议的方法写入 writeRecord
        // 选择时间戳模式
        writeApiBlocking.writeRecord(WritePrecision.NS, "MyMeasurement,location=河南 temperature=34.2,humidity=99");

        // 2. 通过写入 Point点API
        Point point = Point.measurement("MyMeasurement")
                .addTag("location", "厦门")
                .addField("temperature", 32.12)
                .addField("humidity", 88.0);
        writeApiBlocking.writePoint(point);

        // 3. POJO的模式写入
        WriteApi writeApi = influxDBClient.makeWriteApi();
        MyMeasurement myMeasurement = new MyMeasurement();
        myMeasurement.setLocation("广州");
        myMeasurement.setTemperature(88.0);
        myMeasurement.setHumidity(77);
        writeApi.writeMeasurement(WritePrecision.NS,myMeasurement);

    }

如果使用第三种方式，则其中POJO类代码如下所示：

package guru.springframework.domain;

import com.influxdb.annotations.Column;
import com.influxdb.annotations.Measurement;
import lombok.Data;

import java.time.Instant;

@Data
@Measurement(name = "MyMeasurement")
public class MyMeasurement {

    @Column(tag = true)
    private String location;

    /**
     * 温度
     */
    @Column
    private double temperature;

    /**
     * 湿度
     */
    @Column
    private double humidity;

    @Column(timestamp = true)
    Instant time;

}

查询数据

  public List<MyMeasurement> getMyMeasurements() {
        String flux = "from(bucket: \"chj-influx\")\n" +
                "  |> range(start: -38h)\n" ;
        List<MyMeasurement> myMeasurements = new ArrayList<>();
        List<FluxTable> results = influxDBClient.getQueryApi().query(flux);
        for (FluxTable table : results) {
            for (FluxRecord record : table.getRecords()) {
                MyMeasurement myMeasurement = new MyMeasurement();
                if (record.getField().equals("temperature")) {
                    myMeasurement.setTemperature(Double.parseDouble(record.getValue().toString()));
                }else{
                    continue;
                }
//                if (record.getField().equals("humidity")) {
//                    myMeasurement.setHumidity(Double.parseDouble(record.getValue().toString()));
//                }
                myMeasurement.setLocation(record.getValueByKey("location").toString());
                myMeasurement.setTime(record.getTime());
                myMeasurements.add(myMeasurement);
            }
        }

地区温度字段（指标）的结果展示如下所示

{
	"code": 200,
	"message": "操作成功",
	"data": [
		{
			"location": "厦门",
			"temperature": 32.12,
			"humidity": 0,
			"time": "2024-03-09T03:43:11.162747749Z"
		},
		{
			"location": "河南",
			"temperature": 34.2,
			"humidity": 0,
			"time": "2024-03-09T03:43:11.101985536Z"
		}
	]
}

删除数据

只能按tag删除，调用deleteApi.delete方法。

   /*
     * 只能按tag删除
     */
    public void deleteMyMeasurement() {
        String predictSql = "location=\"河南\"";
        DeleteApi deleteApi = influxDBClient.getDeleteApi();
        deleteApi.delete(OffsetDateTime.now().minusHours(24),
                OffsetDateTime.now(),
                predictSql,
                bucket,
                org
        );
   }

示例项目地址下载

[https://github.com/caohuajin/influxDB2.x]

posted @ 2024-03-10 10:18  曹化金  阅读(2825)  评论(3)  编辑  收藏  举报