TDengine极简实战：从采集到入库，从前端到后端，体验物联网设备数据流转

TDengine极简实战：从采集到入库，从前端到后端，体验物联网设备数据流转

作者：牛晓青

背景

我们的项目涉及物联网相关业务，由于一开始的年少无知，传感器数据采用了 MySQL 进行存储，经过近两年的数据累积，目前几个核心表单表数据已过亿，虽然通过索引优化、 SQL 优化以及读写分离等措施，勉强满足基本的查询，能在秒级给出数据；但是数据量还在持续增加，当面对用户多维度的统计需求，在实现上、效率上总是那么不尽如人意。。

大概是2021年的6月份，一次偶然的机会，我在一个技术交流群中了解到涛思数据。后来花了三五天，把 TDengine 官网的文档过了一遍，并通过实际代码体验了一番，大大小小总结了14篇文章(文末附链接)，这个算是第15篇。

这个关于 TDengine 的极简实战项目，重在体验物联网设备数据的流转过程，尤其关注 TDengine 的特性，因为这个项目就是为体验 TDengine 而写的，顺便学习下 Vue3.0 、 ElementPlus 的使用。

所谓极（wan）简（ju）实（xiang）战（mu），就是不涉及太复杂的业务_，我们就拿通用的物联网系统的数据流转过程为例，体验下物联网数据采集、数据传输、数据转发、数据解析、数据存储、数据查询、数据呈现的完整过程。这篇文章先介绍下整体流程，不涉及具体的编码实现，重点关注数据存储时用到的时序数据库 TDengine 的独特之处，关于前、后端的功能实现，将在后续文章进行详细说明。

作为一个数据库，本身是用来存储数据的，在使用过程中主要就是 CRUD *** 作，但用到实际的物联网场景中，还需要具备高可用性、可扩展性以及便于维护的特点， TDengine 满足以上所有要求（在这之前也体验了下清华大学开源的 IoTDB ，但是并没有用明白o(╥﹏╥)o）。关于 TDengine 的时序数据写入性能，TDengine 官方自带了一个 taosdemo 的程序，我在[1-TDengine安装与初体验]（https://heartsuit.blog.csdn.net/article/details/119146355）这里面有实践，结果是开启了10个线程，建库+建表+插入数据总耗时约60s，总记录100000000条，每秒写入数据记录1681350.46条。，这里不做赘述，主要体验查询、修改、删除功能，而 TDengine 甚至都用不到我们自己在程序中进行更新、删除 *** 作（可以在建库时设置更新、删除配置），所以重点就是查询啦：海量数据的条件查询、按时间范围查询、聚合查询、分页查询、TopN查询、降采样。

TDengine是什么？

TDengine 专为物联网、车联网等时序空间大数据设计，其核心功能是时序数据库。但为减少大数据平台的研发和运维的复杂度，更进一步降低计算资源， TDengine 还提供大数据处理所需要的消息队列、消息订阅、缓存、流式计算等功能。

为什么要用TDengine？

物联网设备无时无刻都在发出数据，与互联网相比，物联网第一个突出的特点便是数据量大，而我们目前竟然还在用关系型数据库 MySQL 存储这些设备数据，单表过亿，查询与统计遇到了瓶颈。 TDengine 对物联网、运维监控等系统产生的时序数据的特点具有深刻的洞察。所有机器、设备、传感器、以及交易系统所产生的数据都是时序的，而且很多还带有位置信息。这些数据具有明显的特征，而 TDengine 是充分利用这些特点设计出的大数据平台，以下是涛思数据总结的时序数据的特点。

数据是时序的，一定带有时间戳；数据是结构化的；数据极少有更新或删除 *** 作；无需传统数据库的事务处理；相对互联网应用，写多读少；用户关注的是一段时间的趋势，而不是某一特点时间点的值；数据是有保留期限的；数据的查询分析一定是基于时间段和地理区域的；除存储查询外，还往往需要各种统计和实时计算 *** 作；数据量巨大，一天采集的数据就可以超过 100 亿条。

怎么快速上手TDengine?

那必须是官网了，官方文档写得非常全面，而且也有对应的微信视频号、B站UP等学习资源渠道。

不过在阅读官方文档前，强烈建议先看下白皮书：

https://www.taosdata.com/downloads/TDengine_White_Paper_20.pdf

当时，在阅读白皮书的过程中，看到总结的时序数据的特点、数据模型设计、存储结构设计以及数据分片设计时，在心里一遍遍地直呼内行~~，当时就下决心研究下这款优秀的时序数据库，为后续数据迁移、架构演进进行技术预研。

数据来源

至于历史数据怎么来，这不是 TDengine 要解决的问题，哈哈，因为一般需用到 TDengine 这种时序数据库的，都是数据量达到了一定程度，数据分析时的效率遇到瓶颈。

由于换工作的原因，无法使用实际的生产数据进行迁移，我这里模拟了历史数据，直接往 TDengine 中写入1亿条记录。

数据源这里使用 Node.js 模拟了一个 MQTT 客户端，当然也可以使用很多 MQTT 客户端工具： HiveMQ , MQTTfx , MQTTX 等。

主要功能

按区域检索并查看当前区域接入设备的实时数据指定区域下设备各项指标的平均值以及数据总量查看指定设备的历史数据，可按照时间段检索查看指定设备仅1小时内的各项指标的趋势导出指定设备的全量数据为Excel文件

技术选型

物联网终端技术：

EMQXNode.js

后端技术：

SpringBootTDengineTDengine-alertMyBatisPlusWebSocketHuTool

前端技术：

Vue

vue-router

ElementPlus

Layout 响应式布局Cascader 级联选择器Card 卡片Dialog 对话框Table 表格Pagination 分页DateTimePicker 日期时间选择器Message 消息提示

Echarts

环境配置

CentOS 7
TDengine 2.2.0.0，两台虚拟机实例集群
EMQX 4.2.4
SpringBoot 2.4.3
Node.js 12.22.6
Vue 3.0

服务组件

经过这个项目，我加强了对以下技术点的应用与掌握。

Node.js模拟MQTT客户端EMQX Webhook消息路由SpringBoot+MyBatisPlus服务端数据ORMTDengine亿级数据存储与查询TDengine-alert与alertManager报警监控WebSocket实时消息推送Hutool Excel文件导出ECharts数据可视化图表呈现统一响应封装、全局异常拦截Spring事件与监听MyBatisPlus分页 模拟场景

场景：在两个省份的多个城市、每个城市安装100个设备。

 {{"太原", "大同", "阳泉", "长治", "晋城", "朔州", "晋中", "运城", "忻州", "临汾", "吕梁"},
                {"西安", "铜川", "宝鸡", "咸阳", "渭南", "延安", "汉中", "榆林", "安康", "商洛"}};

数据模型设计

根据具体业务，设计超级表与子表。

-- ts, 时间戳
-- voltage, 电压
-- currente, 电流
-- temperature, 温度
-- sn, 设备序号
-- city, 时间戳
-- groupid, 分组编号

-- 超级表
create stable if not exists iot.power(ts timestamp, voltage int, currente float, temperature float) tags(sn int, city nchar(64), groupid int)

-- 子表
create table if not exists iot.device1 using iot.power tags(#{sn}, #{city}, #{groupid})

效果展示

WebSocket服务端推送

这里用到了 Node.js 模拟的一个 MQTT 客户端，并通过 EMQX 的 WebHook 插件回调后端服务接口，借助 Spring 的事件机制，实现消息入库与 WebSocket 实时数据更新 ；

TDengine查询效率

总量1亿条记录，分页查询毫无压力，基本都是 ms 级返回结果，这得益于 TDengine 的存储结构设计（其实，底层是分区查询的，扫描的仅是很小一部分数据，所以必须快啊）。

TDengine压缩效率

这可以到 TDengine 的数据目录 data ，其链接目录： /var/lib/taos/vnode ，观察数据的占用空间。

数据查询

模拟历史数据，通过脚本直接往 TDengine 中写入近1亿条记录。

条件查询、聚合查询

select count(1) total, avg(voltage) voltage, avg(currente) currente, avg(temperature) temperature from iot.power where city='西安';

按时间范围查询

SELECt COUNT(1)
FROM power
WHERe sn = '1100' AND ts BETWEEN '1610168956836' AND '1641704956836';

分页查询

SELECt ts,voltage,currente,temperature,sn,city,groupid
FROM power
WHERe sn = '1100' AND ts BETWEEN '1610168956836' AND '1641704956836' ORDER BY ts DESC
LIMIT 10 offset 50;

降采样

Echarts 的图表展示，用到了 TDengine 的降采样功能，完成插值，体现数据变化趋势。

select last(voltage) voltage, last(currente) currente, last(temperature) temperature
FROM iot.power
WHERe sn = '1101' and ts > '2021-09-07 09:15:11.138' and ts < '2021-09-07 10:15:11.138' interval(60s) fill(value, 0);

小总结

这个玩具项目，基于 TDengine 2.2.0.0 、 EMQX 4.2.4 、 SpringBoot 2.4.3 、 Node.js 12.22.6 、 Vue 3.0 完成物联网设备数据的采集、转发、存储与展现。其中关于 TDengine 的查询性能相当亮眼：海量数据的条件查询、按时间范围查询、聚合查询、分页查询、TopN查询、降采样等基本都是毫秒级便给出结果；除此之外，采用两个虚拟机实例的极简集群实现 TDengine 快速扩展。更多详情可参考以下快速上手系列(#.#)

快速上手系列

1-TDengine安装与初体验2-TDengine客户端连接，RESTful，JDBC3-TDengine竟然无法修改、删除数据？4-TDengine图形化管理工具TDengineGUI与IDEA插件5-TDengine集成SpringBoot，MyBatis，MyBatisPlus6-TDengine集群体验：2台虚拟主机7-TDengine集成Grafana实现日志数据可视化8-TDengine里用的好好的字段名，却被MySQL的保留字狠狠上了一课9-TDengine低版本分页offset出现bug，如何平滑升级版本、迁移数据10-TDengine之SpringBoot读取的时间与数据库中存储的时间相差8小时11-TDengine集成EMQX：通过规则引擎实现设备数据直接入库12-TDengine数据迁移：导入与导出13-TDengine使用JDBC-JNI连接报错：JNI connection is NULL14-TDengine安装报警模块实现报警监测Webhook回调与邮件推送

---

If you have any questions or any bugs are found, please feel free to contact me.

Your comments and suggestions are welcome!