从Hadoop到TDengine，我们走过的路和展望

Posted 2022-02-01 大罗程序猿

一次调侃

大家好，我是一名来自广州某企业的架构师，主攻大数据和云原生方向。今天在这篇文章里，我想结合近些年的工作经验，讲讲为何以及如何在物联网大数据项目中落地TDengine ，希望能给大家一些启示和有意义的参考：

在认识TDengine之前，我一直都在做工业互联网项目，其中的一些工作，包含数据从应用层到大数据库的汇总，然后是分析计算，反馈应用层需要的业务报表数据。

例如，平均每分钟的功率曲线，统计每分钟的用电量，对比不同设备，乃至厂区的耗能情况，这里面既有实时流计算，也有批处理。

如果把大数据系统作为一个中台型服务，它对应用层暴露的仅仅是HTTP形式的查询接口，然后，背后，需要涵盖很多技术组件，例如，Hadoop的HDFS/Hive做原始数据保留，Hbase则保存计算后的数据，计算框架则使用Flink或者Spark，分布式协调使用zookeeper，还需要消息中间件Kafka。

所以，整个框架技术组件看起来非常的"重"，这个"重"，一方面体现在需要对Hadoop的技术组件非常熟悉，例如，数据均衡备份冗余策略，hive分区策略，hbase的key设计规则，一方面对于业务规则的不好适应。例如，每分钟的功率开始是取该分钟间隔内的最后一个数值，后来改成取该分钟内的平均数值，凡此种种，需要大数据系统，从ods层面重新开始计算，带来非常大的开发工作量；

一言以蔽之，项目经理经常调侃，"就是展示几条曲线，几个数据而已，为什么要那么复杂？"

一篇文章

在项目经理调侃之余，我们开发也在思考，其实工业互联网以设备为主线，统计的都是一段时间内单个设备的数据，难道就没有一个很好的强调物联网时序场景的大数据软件吗？

一次偶然机会，我在朋友圈看到了这篇文章——《比Hadoop快至少10倍的物联网大数据平台，我把它开源了》，再结合搜索引擎，这几个关键字，"秒杀Hadoop"，"分布式集群"，"开源"，马上就吸引了我的眼球，点进去一看，真的大有相见恨晚的感觉。

因为TDengine的优势完全可以解决我们的痛点——以设备数据模型创建超级表，以设备为单个子表，按时间先后顺序连续存储数据。在查询的时候，可以提供预计算的统计数据，可以基于设备单个子表的tag做聚合的功能，结合流计算中的滑动窗口、滚动窗口概念、可以快速的从原始数据得到聚合统计结果。

而且，TDengine还支持分布式集群部署，避免单点故障，提升存储计算能力。更重要的是——这个集群功能也是开源的！开源核心功能——意味着不用担心以后给人卡脖子。除此之外，也意味着会有一个优秀的开源社区伴你同行。

启航扬帆

心动不如行动，接下来我们团队立马着手在新的物联网项目上，按照"安装->应用集成(读写)->应用部署"的三部曲，使用TDengine。

它的安装包十分小巧，只有10M左右，借助于官方文档，linux系统下的集群部署也很简单，配置好主机名，域名解析，暴露的端口，运行程序，立马就能使用了。对比之前的hadoop技术栈，这对运维团队来说简直就是福音！

在和应用集成方面，TDengine支持jdbc-jni和http restful两种方式读写数据，我们采取jdbc-jni结合mybatis的方式，本地开发的时候，需要安装对应版本的TDengine-client。设计好超级表，子表则在首次写入的时候同时创建。对应于我们三节点（24核，62G）的集群，程序轻轻松松就达到qps 每秒写入1万记录的性能。至于查询性能，例如当天的功率曲线，按照1分钟1个记录，总共1440个计算数据，轻松的在1秒钟内通过1句sql聚合当天1万条记录而得到；又例如每月的日温度曲线，总共30个计算数据，也可以在当月30万条记录，通过avg函数结合interval，同样也是在秒级查询的时间间隔内返回！

最后是应用部署，因为我们的程序采用容器化的方式运行和管理，所以，需要简单基于linux镜像安装对应版本的TDengine-client，生成基础镜像，再提供给应用程序使用！ 这中间，我们遇到问题都是在github提交issue，很快就有TDengine的官方伙伴回复，在社区群也有工作人员以及其他热心开发者帮忙解答。

两篇文章

项目运行一段时间后，我们团队在客户端的连接高可用方面尝试进行思考改进。实际场景下，我们会依据数据需求从而动态增加节点，但是，不希望应用程序也跟着改动连接地址，所以，我们希望应用程序的连接域名不变！那么，怎么实现呢？比如，连接域名'td-prod-service:6030'，通过负载均衡服务进行udp转发（TDengine的连接是走udp协议），随机分发连接请求到实际的三节点之一（prod-td-1:6030, prod-td-2:6030, prod-td-3:6030），之后，应用程序根据接收到的节点信息，从而和实际的节点发生连接。这个问题，我们曾和TDengine社区的官方小伙伴们进行很多互动交流，后来他们把这个做成了经典案例文章——《「GitHub问题精选」TDengine 如何做到客户端高可用？》

再接着，我们又接到了应用适应客户时区进行统计的需求，这个需求的背景是因为我们的设备遍布全球，每个客户审阅自己设备的统计数据时，当然期望是以客户自己所在时区为维度进行统计。很幸运，TDegnine不仅提供了时间窗口函数interval，还支持偏移 offset（偏移必须小于间隔）。首先，我们配置taos的系统时区为"timezone UTC-12"（即地球最早的时区）。然后，当中国时区客户(Asia/Shanghai (CST, +0800))查询以天为间隔的时候，我们会偏移4个小时，例如, interval(1d, 4h)；当美国时区客户（America/Los_Angeles(PST, -0800)查询以天为间隔的时候，我们会偏移20个小时，例如, interval(1d, 20h)；

后来，TDengine的社区工作人员也把这个做成了经典案例文章——《一文帮你掌握TDengine的降采样查询+跨时区统计》，当时我还没留意，是我的同事和我说“你看这个文章里的示范表叫daluo（我的微信ID名字）”我才发现。当时，我的心情是十分惊喜的。

这两篇文章，在解决了我们问题的同时，进一步完善了TDengine自己的与用户交互的技术资料，大家真正做到了在开源社区的合作中共赢。

几点希望

未来，我们希望TDengine可以继续保持开源的态势，及时友好的解答用户的疑问，为社区繁荣以及中国的开源软件文件建设充当开路者！

同时，我们希望TDengine的软件部署，可以向容器化的方式靠拢。毕竟现在云原生的时代，容器化已经是团队提升效率必不可少的利器。想象未来的场景，基于云计算的强大共享存储计算能力，以及可靠稳定的容器化编排环境kubernetes，开发者只需要简单的运行k8s operator就能运行TDengine，然后实现版本的升级，以及计算资源的随意调度，带来运维极大的便利！

此外，结合传统的数据仓库星形模型，我们也希望TDengine可以实现多表的联合查询统计，因为，在设备的背后是业务，设备总是会关联具体的车间，客户，厂区，而我们可能无法把所有的业务属性一次性预先作为tag写入到子表中（虽然我们现在是这样做的），但是，当有新的业务属性需要关联的时候，我们又需要去增加超级表的tag，然后更新到对应的设备子表数据。而实际上，tag和设备数据更像是索引关系。所以，如果子表作为事实表可以随意和维度表进行关联统计查询，这又是一个多么美妙的场景！

最后，我们希望，结合机器学习等框架，TDengine可以衍生出自己的"MapReduce"作业框架，支持开发者在上面进行人工智能作业分析！

总结一下，就是希望TDengine可以在物联网大数据平台方向提供全栈的技术方案，为企业的提效降本提供扎实便利的技术基础，成为整个行业的事实标准。

本文作者：黄斯郡。