TDengine 是一款开源、云原生的时序数据库，专为物联网、工业互联网、金融、IT 运维监控等场景设计并优化。它能让大量设备、数据采集器每天产生的高达 TB 甚至 PB 级的数据得到高效实时的处理，对业务的运行状态进行实时的监测、预警，从大数据中挖掘出商业价值。

一、高性能的时序数据库

通过充分利用时序大数据的特点，TDengine团队设计了新颖的存储引擎，大幅提升了数据的写入和查询速度，同时也大幅提高了数据压缩率。与通用数据库相比，性能好至少十倍以上，而存储空间不到其1/5，与其他时序数据库相比，性能也是远超。与流行的时序数据库 InfluxDB 相比，完全采用 InfluxDB 自身提供的测试框架、数据集和测试场景写入速度至少是2倍以上，在设备数量超过1000以后，写入速度是5.2倍。对于查询场景，极个别的与InfluxDB速度持平，绝大部分都是几倍的速度，有的甚至高达40倍。数据压缩上，TDengine 也表现更好，存储空间不到 InfluxDB 的 70%。

二、极简的时序数据处理平台

时序数据库（Time Series Data, TSDB）是一个专门为时序数据优化设计的数据库，用于以高效的方式存储和分析时序数据。但是时序数据处理需要的不仅仅是存储和分析。在典型的时序数据处理平台中，TSDB 总是与流处理、缓存、数据订阅和其他工具集成在一起。这使得系统设计复杂且难以维护。此外，它还需要消耗更多的计算和存储资源。

为了降低系统设计复杂度和运行成本，TDengine 充分利用时间序列数据的特点，构建了自己的缓存、流计算和数据订阅功能。它不仅提供了一种高效的时间序列数据存储和分析方式，还为时间序列数据处理提供了一种极简的解决方案(Simplified Solution for Time Series Data)。

三、云原生时序数据库

云原生数据库 (Cloud Native Data) 是指充分利用了云计算平台以及分布式系统的优势而设计的数据库。云原生数据库提供了按照实际使用资源量来计费的能力，以降低运营成本。此外，它提供了快速开发原型、研发、测试以及部署新的应用的能力，可以大大缩短新的应用从设计开发到进入市场的时间。

作为一个云原生，而不只是能在云上运行的时序数据库(Time Series Data)，TDengine 具备云原生数据库的几大特点：水平扩展性(Scalability)、弹性(Elasticity)、韧性(Resiliency)、可观测性(Observability)以及运维自动化(Automation)。

四、开源的时序数据库

定位于为 IoT、IIoT 等场景专门打造的时序数据库（Time Series Data, TSDB），TDengine 的研发始于 2016 年 12 月。经过 2 年多的研发后，TDengine 团队在 2019 年 7 月将单机版开源，2020 年 8 月又将集群版开源。TDengine 的核心服务器代码 taosd 采用 AGPL 开源协议，但为便于与第三方工具集成，taosAdapter 以及多个连接器都采用 MIT 开源协议。没有选择 Apache 协议，而采用 AGPL 协议的唯一目的是阻止云厂商免费使用开源版本。

TDengine 项目十分活跃，从 2019 年开源到 2022 年 8 月 1 日，Pull Request 总次数已经达到 12.6k，commit 次数已经超过 69k。2022 年 1 月 1 日至 2022 年 8 月 1 日，Pull Request 数量超过 5.6k，代码 commit 次数超过 15.8k。目前 TDengine 的代码除了自己的研发团队外，外部的代码贡献者已经超过 100 人。到目前为止，TDengine 项目在 GitHub 上总共收获了 19.5k star，全球安装实例数已经超过 157.1k，用户遍布全球五十多个国家和地区。

TDengine 在 2019 年开源后，很快发行了 1.6 版，2020 年 8 月发行了 2.0 版，2022 年 8 月发行了 3.0 版。相对于 2.x 版，3.0 解决了业内的 High Cardinality 问题，能支持 10 亿条以上的时间线，100 个节点以上的集群。它在分布式设计的基础上，实现了计算和存储分离，让 TDengine 从 3.0 起成为了一个云原生时序数据库（Cloud Native Time-Series Data）。而且 3.0 将流计算、数据订阅功能完全重构，极大地提高了效率，让 TDengine 为时序数据的处理提供了一个极简的平台。同时，TDengine 3.0 重构了查询计算引擎，对 SQL 提供了更多支持，让很多复杂查询得以进行。

五、强大而又简单易用的数据分析能力

对于数据分析师来说，花费大量时间处理数据并不罕见。因为关系型数据库可以提供复杂的分析能力，一种方法便是将时间序列数据存入关系型数据库进行分析。直接将实时数据写入关系数据库存在重大的写入性能瓶颈，因此往往先将时序数据写入时序数据库(Time Series Data, TSDB)，然后从时序数据库批量导出数据，格式化并转换数据后，将其加载到关系数据库或数据仓库中进行分析。这种解决方案完全可以工作，但复杂且成本高昂。

另外一种方法就是使用支持 SQL 查询语言的时序数据库。SQL 是一种用于选择、过滤和将数据连接在一起进行数据分析的强大工具。TDengine 是支持 SQL 的时序数据库，对于数据分析师而言，使用 TDengine 就像在使用一个关系型数据库。而且通过超级表、存储和计算分离、数据按时间分区、预计算等多种手段，TDengine 提供了强大而又简单易用的分析能力。具体而言，TDengine 的分析能力具有以下显著特点：

1、多个数据采集点之间的高效聚合：TDengine 针对时序数据的特点，提出创新的超级表概念，将时序数据与标签数据分离存储。无需 JOIN，只需要指定超级表的标签过滤条件，就可将同类型的数据采集点进行高效的聚合操作，这使得组织和查找数据更加简单。此外，TDengine 允许向每个数据采集点添加多达 128 个标签，也支持在以后删除和更新这些标签。TDengine 提供了一种将数据切割成多维立方体以进行多维分析的强大方法。

2、计算存储分离：从 3.0 起，TDengine 支持存算分离，系统可以根据需要，启动一个或多个计算节点，增加计算资源，加快复杂查询的速度，减小 Latency。对于云平台，计算节点可以是一个容器，可以快速地启动或停止，计算存储分离将充分利用云平台的弹性计算资源。

3、历史与实时数据的分析完全统一：TDengine 按时间段对数据自动进行分区，即使是 10 年的数据，也无需分库分表，不存在档案数据一说。为降低存储成本，按照数据的新老程度，实行多级存储，但对用户而言是完全透明的。无论是查询最新数据还是 10 年前的数据，只是查询的起止时间不同。

4、时序数据分析的特有功能：TDengine 在标准 SQL 的基础上，针对时序数据的处理进行扩展，提供累计求和、时间加权平均、移动平均、变化率、时间窗口，session 窗口、state 窗口、插值等众多时序数据分析功能。通过时间窗口和插值，可以将不同数据采集点的数据按固定时间间隔将数据的时间戳对齐，便于后续的进一步分析。可以参考 SQL手册了解更多信息。

5、实时数据分析：TDengine 既提供了时间驱动的流式计算(连续查询)，也提供了事件驱动的流式计算。不仅可以对单个数据采集点生成的数据流进行流式计算，也可以对多个采集点的数据流聚合后进行流式计算。对自定义函数的支持更是让流计算能方便地提供对数据的前置处理、转换或任何其他复杂计算。关于流式计算，请看用户文档流式计算。

6、支持Python：不仅提供 Python 连接器，还支持 Pandas 及 data ，让喜爱 Python 的数据分析师可以很方便地利用各种 Python 库做时序数据分析。

7、其他便捷的数据访问、分析手段：利用 TDengine 提供的命令行程序，可以在终端执行各种即席查询、或者导入导出数据。提供 R 与 Matlab 以及多种编程语言的连接器，支持与 Grafana、Google Data Studio 的无缝集成。

在一般的场景下，TDengine 可以作为时序数据仓库(Time-Series Data Warehouse) 使用，不再需要将时序数据导入到专门的数据仓库或数据湖进行处理分析，数据平台的成本将大幅降低。

六、简单易用的时序数据库

TDengine 作为一款时序数据库（Time Series Data），为时序数据的处理提供了一强大而又简单易用的平台。一个数据采集点一张表、超级表和标签的核心设计使得写入和查询的性能极大提升，而且让组织和查找数据变得更加简单。对于数据库管理员来说，TDengine 显著减少了系统部署维护和管理数据的工作量。对于开发人员来说，TDengine 提供了简单的接口、极简的解决方案，并支持与众多第三方工具的无缝集成。对于数据用户说，TDengine 提供了便利的获取数据的方式。

轻松管理

1、部署 – TDengine 的标准安装包才 8 MB，而且没有任何依赖，从下载、安装到运行，仅需几秒钟。集群的管理都是通过简单的 SQL 语句进行，并支持容器和 Kubernetes 部署。更多信息请参考用户文档部署。

2、监测 – TDengine 提供了 Grafana 插件 TDinsight。您可通过可视化看板了解系统的各种状态和监测指标，并设置报警。了解更多，请看用户文档 TDinsight。

3、数据复制：TDengine 企业版提供了一个强大的工具 taosX，它允许将数据库、超级表或子表的数据从一个集群复制到另一个集群，或保存到一个文件。taosX 能够将任何边缘、中心或云端集群的数据复制或同步到任何其他边缘、中心或云端集群，以便轻松地将数据保存在用户希望的地方。

易于开发

1、连接器 – 可以使用 C/C++、Java、Python、Go、Node.js、C# 和 Rust 的连接器以及示例代码来构建自己的应用程序。更多信息请查看用户文档连接器。

2、SQL支持 – 采用标准 SQL，没有学习成本，可以使用 SQL 插入、查询数据以及管理集群。了解更多，请看SQL手册。

3、无缝集成 – 无需一行代码，TDengine 就可以与 Kafka、Telegraf、Grafana、Google Data Studio、EMQ X、Prometheus、StatsD 和 Collectd 等众多第三方工具集成。了解更多，请查看用户文档第三方工具。

4、极简的时序数据处理平台 – TDengine 具有内置的缓存、流计算和数据订阅功能，为时间序列数据处理提供了极简的解决方案，不再需要 Kafka、Redis、Spark、F 或其他类似工具，可以大幅降低系统设计的复杂度和运营成本。了解更多，请查看用户文档开发指南。

轻松获取数据

1、交互式控制台 – TDengine 命令行程序(CLI) 让用户可以直接从 bash 或终端控制台运行 SQL，与运行的数据库系统或 TDengine 云服务交互，执行各种即席查询，导入导出数据等。了解更多，请查看用户手册 TDengine CLI。

2、与分析工具集成 – 使用 Python、R 和 Matlab 的连接器，参考示例代码，将数据导出到这些更专业的工具进行分析。了解更多，请查看用户文档连接器。

3、可视化 – 支持 Grafana 与 Google Data Studio 集成，不需要任何代码，即可创建自己的数据看板。

本文参考：https://www.taosdata.com