ITPub博客

数据就是财富，通过对时序数据进行全方位的分析，有可能挖掘出对业务决策很有帮助的信息，从而进一步创造价值、提升效率。 EII 可以在 Docker 上运行，以便将基础设施与应用程序分开，让用户能够更快地进行开发。

为了给更多开发者赋能，鼓励开发者积极踊跃地在社区中发光发热，并持续与我们产生连接，更好地参与到对 TDengine 的贡献当中，我们技术社区正式启动一个新项目：TD Hero。

DataX 是由阿里云开源的离线数据同步工具/平台，目前已经支持多种主流异构数据源在内的高效的数据互相同步功能。我们的研发团队完成了 TDengine 的适配，相关代码已被 DataX 官方接受并合并到主干中。

Google Data Studio 是一个强大的报表可视化工具，它提供了丰富的数据图表和数据连接，可以非常方便地按照既定模板生成报表。因其简便易用和生态丰富而在数据分析领域得到一众数据科学家的青睐。

对于“涛思文化奖”，我们今后不设名额限制，不设时间，只要敢于指出非自己职责范围内的问题，解决它或推动它的解决，只要有创新，能极大的提升工作效率或产品竞争力，我们就马上奖励，而且奖金马上兑现。只有这样，涛思数据才有希望，才有可能打造出顶级的时序数据库产品（Time-Series Database），也才有可能成为世界一流的基础软件公司。

此前有人在某问答网站上发布了这样一个问题：既然部分时序数据库如 InfluxDB、TimescaleDB 是基于关系型、非时序数据库 PostgreSQL 开发而来，那在时序数据场景下，能否用 MySQL/MongoDB 这类数据库去代替时序数据库（Time-Series Database）使用？对于此问题，涛思数据资深研发工程师试图从原理和实践出发为同样有此疑问的朋友作出解答。

众所周知，压缩算法的目的主要是为了减少存储空间或传输带宽，通过把原始数据转换成比原始格式更紧凑的形式，来提高数据的传输、存储和处理效率。我们熟悉的很多压缩软件都是借助非常复杂的算法才得以实现，像一些时序数据库（Time-Series Database），比如 TDengine，也是通过内置压缩功能，才能实现对时序数据的高比例压缩。

为了更方便用户使用 TDengine + Grafana 这个组合，在 TDengine 和 Grafana 两个团队的协作之下，TDengine 插件正式上架 Grafana 官网！一行命令即可完成安装配置。

涛思数据与华为云深度融合达成联营联运合作，成为紧密合作伙伴。依托华为云 Stack 深厚技术底蕴，结合涛思数据 TDengine 强大引擎能力，大幅降低系统总拥有成本与复杂程度，减少研发运维难度。双方携手打造高效稳定安全的物联网数据处理解决方案，作为智能基础设施，赋能产业数字化转型。

小T导读：在去年 11 月，曾在甲骨文北京研发中心核心开发团队任职的张玮绚（Wade）转身成为了涛思数据的一员，负责 TDengine 的研发管理工作。在即将进入 45 岁之际，他毅然选择了转换赛道，重燃少年时期的冒险精神。从 90 分完美主义出发，他希望未来自己能够和团队一起将 TDengine 打造成为时序数据库的代名词。本文中 Wade 将会阐述转换赛道的心路历程，分享自己的人生和职场经验，给到有需要的人一些参考。

TDengine 2.6 版本已经正式发布，有不少用户在此时会有升级的需求，本篇文章详细讲解了 TDengine 的升级流程。以 2.0.16 为分界线，升级步骤稍有不同，在阅读具体升级步骤前，请注意检查自己的数据库服务版本。

小 T 导读：在使用或者实现分布式数据库（Distributed Database）时，会面临把一个表的数据按照一定的策略分散到各个数据库节点上的情况，随之而来的是多节点数据查询复杂性的问题，例如 Join 和子查询。本文将会为你解读分布式数据库下子查询和 Join 等复杂 SQL 如何实现，来帮助你更好地解决上述问题。

作为创始团队成员之一，廖浩均在 2017 年就正式加入了涛思数据，彼时整个团队才不过寥寥五个人，TDengine 也才诞生不久。作为一位毕业于中科院计算所的计算机应用技术专业博士，廖浩均为什么会决定从一家稳定的上市企业转移阵地到一家数据库初创公司？在进入涛思数据之后，他又见证和参与了 TDengine 的哪些改变与进步？立足当下展望未来，携手 TDengine，他会如何走好接下来的路？

上周末在知乎看到一个问题“都说现在编程技术更新速度快很多技术会过时，那么有哪些技术不容易过时呢?”，临时起意做了一个回答，没想到点赞数很快破千，成了热门回答，感觉很多技术人都比较关心这个问题。趁着在北京大兴酒店隔离有闲，把这篇回答扩展成一篇文章，结合我研发 TDengine 的经验，再更加深入地展开阐述一下，分享给研发同学。

作为一款典型的时序数据库（Time-Series Database）产品，TDengine 被广泛运用于物联网、工业互联网、车联网、IT 运维、能源、金融等领域。TDengine 本身提供了大量的计算函数，在很多场景下，用户都不需要自己编程来实现某些计算功能。当然，随着场景的不断增多，用户提出了越来越多的需求，TDengine 也在不断地演进和提升。

如果我们要做行情 tick 数据的存储，怎样的数据结构查找起来才会比较快？在加入 TDengine 之前，本文作者丁博在弘源泰平量化投资做量化工程师，曾经遇到过这一类存储行情 tick 数据的问题，本文会就此问题进行详细的技术解读。

小 T 导读：想用 Spark 对接 TDengine？保姆级教程来了。

想用 Flink 对接 TDengine？保姆级教程来了。

为防止过多的共性问题困扰大家，方便大家学习、吸收经验，从今天开始我们会对近期社区内用户遇到的共性问题进行精选、汇总，每两周给大家带来一次分享。 这是此类专栏的第一期内容，为大家分享七个常见问题。

近日，北京涛思数据科技有限公司（以下简称涛思数据）与中天钢铁集团有限公司（以下简称中天钢铁）正式签署战略合作协议，该协议的签署标志着双方将开启深度合作，共同推动高性能时序数据库 TDengine 在钢铁行业的应用，同时双方期望能以不断的技术创新和强强合作加速钢铁行业的数字化发展。