作为一款高效便捷的大数据平台， TDengine 的使用体验极为极为流畅，用户可以轻松实现数据的实时采集、存储与分析，快速获取所需的信息和洞察。但在追求最佳实践的过程中，我们仍需关注一些关键问题。例如，多个设备是否应该向同一个子表写入数据?在数据列过滤查询与基于标签的过滤查询之间，效率的差异有多大?此外，如何实现数据的高效压缩也是值得探讨的话题。本篇文章将通过具体的案例分析，详细讲解这些问题，以期帮助大家更深入地理解并高效使用 TDengine。

场景描述

以某智能电表为例，可采集电压、电流、漏电流、线路端子温度、有功功率、功率因数、电量等参数，数据每 2 分钟通过 mqtt 上报一次，通过 TDengine mqtt 可视化连接器进行采集，需要对各个累计电量和平均功率进行统计。

需求描述

聚焦用电量和平均功率统计分析：

查询用电量
年度总耗电量
昨日用电量
用电趋势，最近 30 天，每天的用电量
查询近 24 小时的设备功率趋势，按小时展示，每个小时的数据为：该小时单位内，每个设备平均功率的总和

建模和存在问题

建模内容

2.建模说明

客户为了将超级表通用化，避免不同表具字段数目不统一情况，所以用了变量类型、变量值和变量名称 3 个字段，将宽表模型变成了单列模型
由于变量值包括整型、浮点型、离散型等，便将其设置为字符串类型，便于不同类型数据都能写入
目前 var_name 列基数为 {current，power}

cum_power：当前用电量
power ：功率

3.查询效果

目前查询近半年的数据每个月的累计值需要近 20 秒

4.建模问题点评

客户的建模方式虽然可以对各种场景适配，但不是最优建模，存在以下问题：

对于来自同一电表的多个数据字段，将其分别处理成多个独立的插入(insert)操作。在每次插入操作时，系统会利用本地时间生成精确到毫秒的时间戳，确保每个记录都具有独特的时间标记。然而，在处理大量电表数据的情况下，由于缺乏批量插入的策略，这种逐条记录的插入方法可能会导致性能上的不足。
由于将不同采集量的数值汇总至同一字段，导致数值之间的差异极大，这不仅影响了一级增量(delta)压缩的效率，还增加了存储空间的占用。
当来自同一电表的不同采集量数据被存储在同一字段中时，由于数据量的差异，无法实现在磁盘上的连续存储。这种情况在查询过程中会导致与磁盘的交互次数显著增加，从而严重影响查询效率。
由于所有采集值都被存储在同一个字段中，每次查询特定采集量时，都需要进行数据过滤。此外，相对于标签字段，动态字段通常不支持索引，即使该字段理论上可以索引，但由于列的基数较低，建立的索引也无法提供有效的性能提升。在数据量较大的情况下，这将不可避免地导致查询速度变慢。

建议建模内容

按照宽表形式展示，对于不同类型的设备，建立不同的超级表。

id	字段名称	字段类型	字段描述	标签/子表名
1	ts	timestamp	时间戳
2	cum_power	double	当前用电量
3	power	double	功率
4	mode	TINYINT	运行模式
5	note	BINARY(500)	备注
6	serial_number	BINARY(50)	设备代码	子表名
7	project_id	INT	项目id	标签

相关语句

1.建表语句

创建超级表

create STABLE  if not exists iot.device (ts timestamp, cum_power double, power double,mode TINYINT, note BINARY(500))TAGS ( project_id INT);

创建超子表

create table serial_number using device tags(1)

2.查询用电量

当月总耗电量

select sum(a) from (select spread(cum_power)as a from iot.device where project_id=1 and ts>to_char(now,"yyyy-mm-01") partition by tbname)

当年总耗电量

select sum(a) from (select spread(cum_power)as a from iot.device where project_id=1 and ts>to_char(now,"yyyy-01-01")  partition by tbname)

昨日用电量

select sum(a) from (select spread(cum_power)as a from iot.device where project_id=1 and ts<timetruncate(now,1d) and ts>=(timetruncate(now,1d)-1d)  partition by tbname)

用电趋势，最近 30 天、每天的用电量

select last(t),sum(a) from (select _wstart as t,spread(cum_power)as a from iot.device where project_id=1 and ts<now and ts>=(timetruncate(now,1d)-30d)  partition by tbname interval(1d) order by t) interval(1d)

3.查询功率相关

查询近 24 小时的设备功率趋势——按小时展示每个设备平均功率的总和

select last(t),sum(a) from(select _wstart as t,avg(power)as a from iot.device where project_id=1 and ts<now and ts>=(timetruncate(now,1h)-24h)  partition by tbname interval(1h) order by t)interval(1h)

总结

TDengine 的高效写入、查询性能和数据压缩能力，得益于其创新的“一个设备一张表”的设计理念。因此，在进行数据建模时，我们应以这一理念为指导，确保系统的长期稳定性和性能最优化，有效预防未来数据量剧增时可能出现的结构性调整需求，从而减少潜在的复杂性和成本。

ITPub博客

从具体实践出发，手把手教你 TDengine 最佳建模方式

场景描述

需求描述

建模和存在问题

建议建模内容

相关语句

总结

最新文章