InfluxDB架构设计

为更简单、更高效的查询设计架构。遵循设计指南以简化架构查询。了解这些指南如何导致更高效的查询。

• 按查询设计
  • 保持测量和键简单
• 使用标签和字段
  • 使用字段存储唯一和数值数据
  • 使用标签提高查询性能
  • 保持标签简单

按查询设计

以下模式演示了易于查询的测量、标签键和字段键。

airSensor和waterQualitySensor模式说明了以下指南：

• 每个测量是一个简单的名称，描述了一个模式。
• 键在模式内不重复。
• 键不使用保留关键字或特殊字符。
• 标签（sensorId和station）存储跨多个数据点的元数据。
• 字段（humidity、pH和temperature）存储数字数据。
• 字段存储唯一或高度可变的数据。
• 测量和键不包含数据；标签值和字段值将存储数据。

以下点（按行协议格式化）使用airSensor和waterQualitySensor模式：

airSensor,sensorId=A0100,station=Harbor humidity=35.0658,temperature=21.667 1636729543000000000
waterQualitySensor,sensorId=W0101,station=Harbor pH=6.1,temperature=16.103 1472515200000000000

保持测量和键简单

在标签值或字段值中存储数据，而不是在标签键、字段键或测量中。如果您的模式设计为在标签和字段值中存储数据，则查询将更容易编写且更高效。

比较模式

比较以下由行协议表示的有效模式。

推荐：以下模式在单独的crop、plot和region标签中存储元数据。字段temp包含可变数字数据。

Good Measurements schema - Data encoded in tags (recommended)
-------------
weather_sensor,crop=blueberries,plot=1,region=north temp=50.1 1472515200000000000
weather_sensor,crop=blueberries,plot=2,region=midwest temp=49.8 1472515200000000000

不推荐：以下模式在测量中连接（blueberries.plot-1.north）存储多个属性（crop、plot和region），类似于Graphite指标。

Bad Measurements schema - Data encoded in the measurement (not recommended)
-------------
blueberries.plot-1.north temp=50.1 1472515200000000000
blueberries.plot-2.midwest temp=49.8 1472515200000000000

不推荐：以下模式在字段键中连接（blueberries.plot-1.north）存储多个属性（crop、plot和region）。

Bad Keys schema - Data encoded in field keys (not recommended)
-------------
weather_sensor blueberries.plot-1.north.temp=50.1 1472515200000000000
weather_sensor blueberries.plot-2.midwest.temp=49.8 1472515200000000000

比较查询

比较以下针对良好测量和不良测量模式的查询。Flux查询计算北地区蓝莓的平均temp。

易于查询：良好测量数据可以很容易地通过region标签值进行过滤，如下例所示。

// Query *Good Measurements*, data stored in separate tags (recommended)
from(bucket:"example-bucket")
    |> range(start:2016-08-30T00:00:00Z)
    |> filter(fn: (r) =>  r._measurement == "weather_sensor" and r.region == "north" and r._field == "temp")
    |> mean()

难以查询：不良测量需要正则表达式从测量中提取plot和region，如下例所示。

// Query *Bad Measurements*, data encoded in the measurement (not recommended)
from(bucket:"example-bucket")
    |> range(start:2016-08-30T00:00:00Z)
    |> filter(fn: (r) =>  r._measurement =~ /\.north$/ and r._field == "temp")
    |> mean()

复杂的测量使某些查询变得不可能。例如，使用不良测量模式计算两个图的平均温度是不可能的。

保持键简单

除了保持键中没有数据外，遵循以下额外指南以使其更容易查询

• 避免关键词和特殊字符
• 避免为标签和字段使用重复的名称

避免在键中使用关键词和特殊字符

为了简化查询编写，不要在标签和字段键中包含保留关键词或特殊字符。如果您在键中使用 Flux 关键词，那么您必须用双引号将键括起来。如果您在键中使用非字母数字字符，那么您必须在 Flux 中使用 括号表示法。

避免为标签和字段使用重复的名称

避免在同一模式中为 标签键 和 字段键 使用相同的名称。如果您有一个具有相同名称的标签和字段，则查询结果可能不可预测。

使用标签和字段

标签值 已索引，而 字段值 未索引。这意味着查询标签的性能比查询字段更高。您的查询应指导您在标签中存储什么以及在字段中存储什么。

使用字段存储唯一和数值数据

• 将唯一或经常更改的值存储为字段值。
• 将数值存储为字段值。（标签 只存储字符串）。

使用标签提高查询性能

• 如果值可以合理索引，则将其存储为标签值。
• 如果值在 filter() 或 group() 函数中使用，则将其存储为标签值。
• 如果值在多个数据点之间共享，即字段的元数据，则将其存储为标签值。

由于 InfluxDB 索引标签，查询引擎不需要扫描桶中的每个记录来定位标签值。例如，考虑一个存储有关成千上万名用户数据的桶。如果将 userId 存储在 字段 中，则查询用户 abcde 要求 InfluxDB 在每一行中扫描 userId。

from(bucket: "example-bucket")
    |> range(start: -7d)
    |> filter(fn: (r) => r._field == "userId" and r._value == "abcde")

为了更快地检索数据，请对标签进行筛选以减少扫描的行数。该标签应存储可以合理索引的数据。以下查询通过 company 标签进行筛选，以减少对 userId 的扫描行数。

from(bucket: "example-bucket")
    |> range(start: -7d)
    |> filter(fn: (r) => r.company == "Acme")
    |> filter(fn: (r) => r._field == "userId" and r._value == "abcde")

保持标签简单

为每个数据属性使用一个标签。如果您的源数据在单个参数中包含多个数据属性，则将每个属性拆分为自己的标签。当每个标签代表您数据的一个属性（而不是多个连接的属性）时，您将减少查询中正则表达式的需要。没有正则表达式，您的查询将更容易编写且性能更高。

比较模式

比较以下由行协议表示的有效模式。

推荐：以下模式将位置数据拆分为 plot 和 region 标签。

Good Tags schema - Data encoded in multiple tags
-------------
weather_sensor,crop=blueberries,plot=1,region=north temp=50.1 1472515200000000000
weather_sensor,crop=blueberries,plot=2,region=midwest temp=49.8 1472515200000000000

不推荐：以下模式将多个属性（plot 和 region）连接到 location 标签值中（plot-1.north）。

Bad Tags schema - Multiple data encoded in a single tag
-------------
weather_sensor,crop=blueberries,location=plot-1.north temp=50.1 1472515200000000000
weather_sensor,crop=blueberries,location=plot-2.midwest temp=49.8 1472515200000000000

比较查询

比较 Good Tags 和 Bad Tags 模式的查询。以下 Flux 查询计算 north 地区的蓝莓的平均 temp。

易于查询：如以下示例所示，Good Tags 数据可以通过 region 标签值轻松筛选。

// Query *Good Tags* schema, data encoded in multiple tags
from(bucket:"example-bucket")
    |> range(start:2016-08-30T00:00:00Z)
    |> filter(fn: (r) =>  r._measurement == "weather_sensor" and r.region == "north" and r._field == "temp")
    |> mean()

难以查询：Bad Tags 需要正则表达式来解析复杂的 location 值，如以下示例所示。

// Query *Bad Tags* schema, multiple data encoded in a single tag
from(bucket:"example-bucket")
    |> range(start:2016-08-30T00:00:00Z)
    |> filter(fn: (r) =>  r._measurement == "weather_sensor" and r.location =~ /\.north$/ and r._field == "temp")
    |> mean()

有关 InfluxDB 数据模型的概述，请观看以下视频