温馨提示×

温馨提示×

您好,登录后才能下订单哦!

密码登录×
登录注册×
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》

Apache IoTDB的SQL操作方法是什么

发布时间:2022-01-06 17:11:22 来源:亿速云 阅读:126 作者:iii 栏目:互联网科技

本篇内容介绍了“Apache IoTDB的SQL操作方法是什么”的有关知识,在实际案例的操作过程中,不少人都会遇到这样的困境,接下来就让小编带领大家学习一下如何处理这些情况吧!希望大家仔细阅读,能够学有所成!

存储组操作

# 创建存储组IoTDB> set storage group to root.turbine
# 查询存储组IoTDB> SHOW STORAGE GROUP+-------------+|storage group|+-------------+| root.turbine|+-------------+
# 删除存储组IoTDB> delete storage group root.turbine

创建时间序列

create timeseries root.turbine.d1.s1(temperature1) with datatype=FLOAT, encoding=GORILLA, compression=SNAPPY tags(unit=degree, owner=user1) attributes(description=mysensor1, location=BeiJing)create timeseries root.turbine.d1.s2(temperature2) with datatype=FLOAT, encoding=GORILLA, compression=SNAPPY tags(unit=degree, owner=user1) attributes(description=mysensor2, location=TianJin)create timeseries root.turbine.d2.s1(temperature1) with datatype=FLOAT, encoding=GORILLA, compression=SNAPPY tags(unit=degree, owner=user2) attributes(description=mysensor3, location=HeBei)

上边注册的序列可视化就是下边这个图了(手画的。。目前没可视化功能)

Apache IoTDB的SQL操作方法是什么

为了实际应用中使用更方便,除了时间序列的路径和编码等基本信息外,我们增加了测点别名、标签、属性三个概念。标签和属性总大小在配置文件中 tag_attribute_total_size 设置。

别名:测点的别名,可以和测点名一样用来读写,可以不设置。

标签:key=value 形式,可以通过标签反向查询时间序列元数据,比如,单位和拥有者,标签会常驻内存。目前只能给定一个 tag 查询条件,可精确查询和模糊查询。

属性:key=value 形式,只能根据时间序列路径展示出属性信息,如描述信息和位置。如果没有反向查询的需求,建议定义成属性。

# 插入更新 别名、标签、属性ALTER timeseries root.turbine.d1.s1 UPSERT ALIAS=newAlias TAGS(unit=Degree, owner=me) ATTRIBUTES(description=ha, newAttr=v1)# 删除时间序列delete timeseries root.turbine.d2.s1

根据路径和标签查询序列元数据

# 查询所有时间序列数据IoTDB> show timeseries+------------------+------------+-------------+--------+--------+-----------+-----------+--------+-----+------+|        timeseries|       alias|storage group|dataType|encoding|compression|description|location|owner|  unit|+------------------+------------+-------------+--------+--------+-----------+-----------+--------+-----+------+|root.turbine.d1.s1|temperature1| root.turbine|   FLOAT| GORILLA|     SNAPPY|  mysensor1| BeiJing|user1|degree||root.turbine.d1.s2|temperature2| root.turbine|   FLOAT| GORILLA|     SNAPPY|  mysensor2| TianJin|user1|degree||root.turbine.d2.s1|temperature1| root.turbine|   FLOAT| GORILLA|     SNAPPY|  mysensor3|   HeBei|user2|degree|+------------------+------------+-------------+--------+--------+-----------+-----------+--------+-----+------+
# 查询 root.turbine.d1 前缀路径下的时间序列 # 根据 tag 精确查询 owner 为 user1 的序列IoTDB> show timeseries root.turbine.d1IoTDB> show timeseries root.turbine where owner=user1+------------------+------------+-------------+--------+--------+-----------+-----------+--------+-----+------+|        timeseries|       alias|storage group|dataType|encoding|compression|description|location|owner|  unit|+------------------+------------+-------------+--------+--------+-----------+-----------+--------+-----+------+|root.turbine.d1.s1|temperature1| root.turbine|   FLOAT| GORILLA|     SNAPPY|  mysensor1| BeiJing|user1|degree||root.turbine.d1.s2|temperature2| root.turbine|   FLOAT| GORILLA|     SNAPPY|  mysensor2| TianJin|user1|degree|+------------------+------------+-------------+--------+--------+-----------+-----------+--------+-----+------+
# 根据 tag 模糊查询 owner 的 value 中包含 'user' 的序列IoTDB> show timeseries where owner contains 'user'+------------------+------------+-------------+--------+--------+-----------+-----------+--------+-----+------+|        timeseries|       alias|storage group|dataType|encoding|compression|description|location|owner|  unit|+------------------+------------+-------------+--------+--------+-----------+-----------+--------+-----+------+|root.turbine.d1.s1|temperature1| root.turbine|   FLOAT| GORILLA|     SNAPPY|  mysensor1| BeiJing|user1|degree||root.turbine.d1.s2|temperature2| root.turbine|   FLOAT| GORILLA|     SNAPPY|  mysensor2| TianJin|user1|degree||root.turbine.d2.s1|temperature1| root.turbine|   FLOAT| GORILLA|     SNAPPY|  mysensor3|   HeBei|user2|degree|+------------------+------------+-------------+--------+--------+-----------+-----------+--------+-----+------+

查看某个路径的孩子节点

IoTDB> show child paths root.turbine+---------------+|    child paths|+---------------+|root.turbine.d1||root.turbine.d2|+---------------+


统计时间序列数量

# 统计所有时间序列数量IoTDB> count timeseries+-----+|count|+-----+|    3|+-----+
# 分组统计时间序列,root 为第 0 层IoTDB> count timeseries group by level=2+---------------+-----+|         column|count|+---------------+-----+|root.turbine.d1|    2||root.turbine.d2|    1|+---------------+-----+

查询所有设备

也就是查询倒数第二层节点的路径

IoTDB> show devices+---------------+|        devices|+---------------+|root.turbine.d1||root.turbine.d2|+---------------+

DML 数据操作语言

参考文档:

http://iotdb.apache.org/UserGuide/Master/Operation%20Manual/DML%20Data%20Manipulation%20Language.html

数据写入

一次可以写入一个设备、一个时间戳、多个测点的值。

insert into root.turbine.d1(timestamp,s1,s2) values(1,1,2);insert into root.turbine.d1(timestamp,s1,s2) values(2,1,2);insert into root.turbine.d1(timestamp,s1,s2) values(3,1,2);insert into root.turbine.d1(timestamp,s1,s2) values(4,1,2);insert into root.turbine.d1(timestamp,s1,s2) values(5,1,2);insert into root.turbine.d1(timestamp,s1,s2) values(6,1,2);insert into root.turbine.d1(timestamp,s1,s2) values(10,1,2);

数据删除

目前只支持删除一个时间点之前的数据,之后会支持删除任意一段时间的数据。

delete from root.turbine.d2.s1 where time <= 10

原始数据查询

接下来就到各种查询啦,最常用的是原始数据查询。

IoTDB> select s1, s2 from root.turbine.d1+-----------------------------+------------------+------------------+|                         Time|root.turbine.d1.s1|root.turbine.d1.s2|+-----------------------------+------------------+------------------+|1970-01-01T08:00:00.001+08:00|               1.0|               2.0||1970-01-01T08:00:00.002+08:00|               1.0|               2.0||1970-01-01T08:00:00.003+08:00|               1.0|               2.0||1970-01-01T08:00:00.004+08:00|               1.0|               2.0||1970-01-01T08:00:00.005+08:00|               1.0|               2.0||1970-01-01T08:00:00.006+08:00|               1.0|               2.0||1970-01-01T08:00:00.010+08:00|               1.0|               2.0|+-----------------------------+------------------+------------------+

单点补空值查询

传感器采集的数据很多时间戳有偏差,时间戳精确查询容易查不到数据,可以用 previous 或者 linear 方式补空值

IoTDB> select s1 from root.turbine.d1 where time = 8+----+------------------+|Time|root.turbine.d1.s1|+----+------------------++----+------------------+
# 用前边最近的值填过来IoTDB> select s1 from root.turbine.d1 where time = 8 fill(float[previous])+-----------------------------+------------------+|                         Time|root.turbine.d1.s1|+-----------------------------+------------------+|1970-01-01T08:00:00.008+08:00|               1.0|+-----------------------------+------------------+
# 如果想限制补值的范围,超过这个范围就不补了,可以再加个参数,要带单位IoTDB> select s1 from root.turbine.d1 where time = 8 fill(float[previous,1ms])+-----------------------------+------------------+|                         Time|root.turbine.d1.s1|+-----------------------------+------------------+|1970-01-01T08:00:00.008+08:00|              null|+-----------------------------+------------------+

最新数据查询

为了实时的可视化最新数据,我们单独做了一个最新数据点查询功能。用 select last 关键字作为前缀,其他语法和原始数据一样,不能加谓词过滤。

IoTDB> select last * from root+-----------------------------+------------------+-----+|                         Time|        timeseries|value|+-----------------------------+------------------+-----+|1970-01-01T08:00:00.010+08:00|root.turbine.d1.s1|  1.0||1970-01-01T08:00:00.010+08:00|root.turbine.d1.s2|  2.0|+-----------------------------+------------------+-----+

聚合查询

统计时间序列的聚合值,我们目前把各个时间序列都当做独立的序列看待,聚合也是分序列做。下个版本会加上聚合一个路径下所有序列的功能。

IoTDB> select count(*) from root where time <= 10+-------------------------+-------------------------+-------------------------+|count(root.turbine.d1.s1)|count(root.turbine.d1.s2)|count(root.turbine.d2.s1)|+-------------------------+-------------------------+-------------------------+|                        7|                        7|                        0|+-------------------------+-------------------------+-------------------------+

0.10.0 降频聚合查询

降频聚合0.10的语法和0.9 的不一样了。首先介绍 0.10.0 版本的降频聚合查询语法,先举个例子,查一个序列今年5月份每天早上9点到12点的平均值,结果应该类似这样的:

5月1日 9点-12点:聚合值

5月2日 9点-12点:聚合值

...

5月31日 9点-12点:聚合值

为了实现这个灵活的查询,需要一个滑动窗口,窗口从5月1日9点开始,长度是3小时,每次往前滑动24小时,滑到5月31日为止,每个窗口内计算一个平均值。

因此我们主要设计了三个参数:

(1)滑动窗口的起始和终止范围,左闭右开区间:5月1日到31日

(2)滑动窗口的长度:3小时

(3)滑动步长:24小时

语句如下(我没写这么多数据,目前查出来都是空):

select avg(s1) from root.turbine.d1 group by([2020-05-01T09:00:00, 2020-05-31T12:00:00), 3h, 24h)

再举一个更简单的例子:查5月份每天的平均值

这个例子里,滑动窗口的长度和滑动步长相等,就可以省掉第三个参数啦:

select avg(s1) from root.turbine.d1 group by([2020-05-01T00:00:00, 2020-06-01T00:00:00), 1d)

0.10.0 采样补空值

0.10.0 新增的查询功能,在 group by 查询的基础上,如果我们使用 last_value 聚合函数,就是个采样功能了,如果某个时间区间没有值,也可以使用前值补空。

# 正常降采样,没数据的区间会填充 nullIoTDB> select last_value(s1) from root.turbine.d1 group by([1,10), 2ms)+-----------------------------+------------------------------+|                         Time|last_value(root.turbine.d1.s1)|+-----------------------------+------------------------------+|1970-01-01T08:00:00.001+08:00|                           1.0||1970-01-01T08:00:00.003+08:00|                           1.0||1970-01-01T08:00:00.005+08:00|                           1.0||1970-01-01T08:00:00.007+08:00|                          null||1970-01-01T08:00:00.009+08:00|                          null|+-----------------------------+------------------------------+
# 降采样,如果某个区间没值,可以用前一个聚合值补空,填充函数为 previousIoTDB> select last_value(s1) from root.turbine.d1 group by([1,10), 2ms) fill(float[previous])+-----------------------------+------------------------------+|                         Time|last_value(root.turbine.d1.s1)|+-----------------------------+------------------------------+|1970-01-01T08:00:00.001+08:00|                           1.0||1970-01-01T08:00:00.003+08:00|                           1.0||1970-01-01T08:00:00.005+08:00|                           1.0||1970-01-01T08:00:00.007+08:00|                           1.0||1970-01-01T08:00:00.009+08:00|                           1.0|+-----------------------------+------------------------------+

此外,还支持另一种补空值方式,previousuntillast,使用前值补空,直到补到最新点的时间值为止,就不再补了,比如这里最新点时间戳是10,11和13这两个点就不再补了。

IoTDB> select last_value(s1) from root.turbine.d1 group by((1,15], 2ms) fill(float[previousuntillast])+-----------------------------+------------------------------+|                         Time|last_value(root.turbine.d1.s1)|+-----------------------------+------------------------------+|1970-01-01T08:00:00.003+08:00|                           1.0||1970-01-01T08:00:00.005+08:00|                           1.0||1970-01-01T08:00:00.007+08:00|                           1.0||1970-01-01T08:00:00.009+08:00|                           1.0||1970-01-01T08:00:00.011+08:00|                           1.0||1970-01-01T08:00:00.013+08:00|                          null||1970-01-01T08:00:00.015+08:00|                          null|+-----------------------------+------------------------------+

不知道大家注意到没,这句话区间是前开后闭,填出来的结果集也是用的闭区间的时间点。这样就通过 group by fill 语句实现了采样补空值查询。

0.9.x 降频聚合查询

0.9 老版本的降频聚合语法和 0.10 的不一样。主要有这样几个参数

(1)分段间隔,把时间轴按这个长度分成一段一段的

(2)分割原点,从哪个点开始分,可以采用任意一段的端点,默认以 1970年1月1日0点0时0分0秒为切割原点,也就是时间戳的 0

(3)结果集的展示范围

前两个参数固定之后,时间轴的分段就确定了,之后第三个参数指定结果集。

比如,查询5月每天的平均值

select avg(s1) from root.turbine.d1 group by (1d, 2020-05-01 00:00:00, [2020-05-01 00:00:00, 2020-05-31 23:59:59]);

按设备对齐查询

通过上边的例子我们可以看到,IoTDB 查询的默认表结构是【time,序列1,序列2,...,序列n】,所有序列会按照 time 对齐,如果存在某个序列在一个时间点不存在,会补空值,在做值过滤时候,这种表结构的过滤也会很严格。

为了使得各个设备查询时不互相影响,我们支持按 time 和设备对齐查询,表结构为【time,设备ID,测点1,测点2,...,测点n】,这种就和关系表结构比较像了,只需要在查询语句后加 align by device 

IoTDB> select * from root align by device+-----------------------------+---------------+---+---+|                         Time|         Device| s1| s2|+-----------------------------+---------------+---+---+|1970-01-01T08:00:00.001+08:00|root.turbine.d1|1.0|2.0||1970-01-01T08:00:00.002+08:00|root.turbine.d1|1.0|2.0||1970-01-01T08:00:00.003+08:00|root.turbine.d1|1.0|2.0||1970-01-01T08:00:00.004+08:00|root.turbine.d1|1.0|2.0||1970-01-01T08:00:00.005+08:00|root.turbine.d1|1.0|2.0||1970-01-01T08:00:00.006+08:00|root.turbine.d1|1.0|2.0||1970-01-01T08:00:00.010+08:00|root.turbine.d1|1.0|2.0|+-----------------------------+---------------+---+---+

“Apache IoTDB的SQL操作方法是什么”的内容就介绍到这里了,感谢大家的阅读。如果想了解更多行业相关的知识可以关注亿速云网站,小编将为大家输出更多高质量的实用文章!

向AI问一下细节

免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

AI