目录
一、关键概念
相比V1 移除了database 和 RP，增加了bucket。
V2具有以下几个概念：
timestamp、field key、field value、field set、tag key、tag value、tag set、measurement、series、point、bucket、bucket schema、organization
新增的概念：
bucket：所有 InfluxDB 数据都存储在一个存储桶中。一个桶结合了数据库的概念和存储周期（时间每个数据点仍然存在持续时间）。一个桶属于一个组织
bucket schema：具有明确的schema-type的存储桶需要为每个度量指定显式架构。测量包含标签、字段和时间戳。显式模式限制了可以写入该度量的数据的形状。
organization：InfluxDB组织是一组用户的工作区。所有仪表板、任务、存储桶和用户都属于一个组织。
二、系统结构
数据模式：InfluxDB数据元素存储在时间结构合并树 (TSM)和时间序列索引 (TSI)文件中，以有效压缩存储的数据。
默认路径：
| Engine path | ~/.influxdbv2/engine/ | InfluxDB 存储时序数据的位置 |
| Bolt path | ~/.influxdbv2/influxd.bolt | 非时间序列数据的基于文件的键值存储 |
| Configs path | ~/.influxdbv2/configs | 配置文件(configs) 的文件路径 |
文件目录结构：
~/.influxdbv2/
- engine/
- data/
- TSM directories and files
- wal/
- WAL directories and files
- data/
- configs
- influxd.bolt
Influxdb分片和分片组
InfluxDB在将数据存储到磁盘时将时间序列数据组织成分片。分片被分组到分片组中
表示具有4d 保留期 和1d 分片组持续时间的存储桶：
分片删除：InfluxDB保留强制执行服务会例行检查早于其存储桶保留期的分片组。一旦分片组的开始时间超过存储桶的保留期，InfluxDB 将删除该分片组以及关联的分片和 TSM 文件(在具有无限保留期的存储桶中，分片无限期地保留在磁盘上)。
系统存储桶
_monitoring system bucket :该_monitoring系统桶存储InfluxDB数据用于 监控数据并发送警报。数据保留：7天
_tasks system bucket: 该_tasks系统桶存储与数据InfluxDB任务的执行。数据保留：1天
标签和字段描述详见：https://docs.influxdata.com/influxdb/v2.0/reference/internals/system-buckets/
三、配置文件
当influxd启动时，它会在当前工作目录检查一个名为config.*的文件。
支持以下语法：
- YAML (.yaml, .yml)
- TOML (.toml)
- JSON (.json)
配置选项(日志、并发压缩...)：https://docs.influxdata.com/influxdb/v2.0/reference/config-options/
四、Flux查询语句
Flux 是 InfluxData 的功能性数据脚本语言，设计用于查询、分析和处理数据，它是InfluxQL 和其他类似 SQL 的查询语言的替代品。
设计原则：受Javascript 启发，旨在设计出可用、可读、灵活、可组合、可测试、可贡献和可共享的语言。
示例查询：近一小时存储的数据，按cpu度量和cpu=cpu-total标签过滤，以 1 分钟为间隔对数据进行窗口化，并计算每个窗口的平均值
- from(bucket:"example-bucket")
- |> range(start:-1h)
- |> filter(fn:(r) =>
- r._measurement == "cpu" and
- r.cpu == "cpu-total"
- )
- |> aggregateWindow(every: 1m, fn: mean)
1>关键概念
Pipe-forward operator（管道转发操作符" |> "）：Flux广泛使用管道转发运算符 "|>" 将操作链接在一起。在每个函数或操作之后，Flux 返回一个包含数据的表或表的集合。管道转发运算符将这些表通过管道输送到下一个函数或操作中，在那里它们将被进一步处理或操作。
Tables：Flux 构造表格中的所有数据。当数据从数据源流式传输时，Flux 将其格式化为带注释的逗号分隔值 (CSV)，表示表格。然后函数操作或处理它们并输出新表。
Group keys：每个表都有一个组键(Group keys)，用于描述表的内容。它是一个列列表，表中的每一行都具有相同的值。每行中具有唯一值的列不是组键的一部分。
示例 group key
-
- Group key: [_start, _stop, _field]
- _start:time _stop:time _field:string _time:time _value:float
- ------------------------------ ------------------------------ ---------------------- ------------------------------ ----------------------------
- 2019-04-25T17:33:55.196959000Z 2019-04-25T17:34:55.196959000Z used_percent 2019-04-25T17:33:56.000000000Z 65.55318832397461
- 2019-04-25T17:33:55.196959000Z 2019-04-25T17:34:55.196959000Z used_percent 2019-04-25T17:34:06.000000000Z 65.52391052246094
- 2019-04-25T17:33:55.196959000Z 2019-04-25T17:34:55.196959000Z used_percent 2019-04-25T17:34:36.000000000Z 65.536737442016
注意：_time和_value被排除在示例组键之外，它们对于每一行都是唯一的。
2>查询语法
https://docs.influxdata.com/influxdb/v2.0/query-data/get-started/query-influxdb/
指定数据源：from(bucket:"example-bucket")
指定时间范围：
使用管道转发运算符 ( |>) 将数据从数据源通过管道传输到range() 函数，该函数指定查询的时间范围。它接受两个参数：start和stop。范围可以是使用相对负持续时间 或使用绝对时间
- // Relative time range with start only. Stop defaults to now.
- from(bucket:"example-bucket")
- |> range(start: -1h)
-
- // Relative time range with start and stop
- from(bucket:"example-bucket")
- |> range(start: -1h, stop: -10m)
-
- //使用绝对时间
- from(bucket:"example-bucket")
- |> range(start: 2018-11-05T23:30:00Z, stop: 2018-11-06T00:00:00Z)
-
- //过去十五分钟的数据
- from(bucket:"example-bucket")
- |> range(start: -15m)
3>数据过滤：
将范围数据传递到filter()函数中，以根据数据属性或列缩小结果范围。该filter()函数有一个参数 ，fn它需要一个匿名函数，该函数具有基于列或属性过滤数据的逻
- // Pattern
- (r) => (r.recordProperty comparisonOperator comparisonExpression)
-
- // Example with single filter
- (r) => (r._measurement == "cpu")
-
- // Example with multiple filters
- (r) => (r._measurement == "cpu") and (r._field != "usage_system" )
-
- //按cpu度量、usage_system字段和cpu-total标记值过滤
- from(bucket:"example-bucket")
- |> range(start: -15m)
- |> filter(fn: (r) =>
- r._measurement == "cpu" and
- r._field == "usage_system" and
- r.cpu == "cpu-total"
- )
4>生成指定查询数据
Flux 的yield()函数将过滤后的表作为查询结果输出。
Flux 会yield()在每个脚本的末尾自动假设一个函数，以便输出和可视化数据。yield()只有在同一个 Flux 查询中包含多个查询时，才需要显式调用。每组返回的数据都需要使用该yield()函数命
- from(bucket:"example-bucket")
- |> range(start: -15m)
- |> filter(fn: (r) =>
- r._measurement == "cpu" and
- r._field == "usage_system" and
- r.cpu == "cpu-total"
- )
- |> yield()
5>数据转换
使用函数，将数据聚合为平均值、下采样数据等
-
- //更新范围从最后一小时拉取数据
- from(bucket:"example-bucket")
- |> range(start: -1h)
- |> filter(fn: (r) =>
- r._measurement == "cpu" and
- r._field == "usage_system" and
- r.cpu == "cpu-total"
- )
-
- //以五分钟为间隔的窗口化数据
- from(bucket:"example-bucket")
- |> range(start: -1h)
- |> filter(fn: (r) =>
- r._measurement == "cpu" and
- r._field == "usage_system" and
- r.cpu == "cpu-total"
- )
- |> window(every: 5m)
-
- //聚合窗口数据
- from(bucket:"example-bucket")
- |> range(start: -1h)
- |> filter(fn: (r) =>
- r._measurement == "cpu" and
- r._field == "usage_system" and
- r.cpu == "cpu-total"
- )
- |> window(every: 5m)
- |> mean()
-
- //添加时间列到聚合函数
- from(bucket:"example-bucket")
- |> range(start: -1h)
- |> filter(fn: (r) =>
- r._measurement == "cpu" and
- r._field == "usage_system" and
- r.cpu == "cpu-total"
- )
- |> window(every: 5m)
- |> mean()
- |> duplicate(column: "_stop", as: "_time")
-
- //取消窗口聚合表，将所有点收集到一个无限的窗口中
- from(bucket:"example-bucket")
- |> range(start: -1h)
- |> filter(fn: (r) =>
- r._measurement == "cpu" and
- r._field == "usage_system" and
- r.cpu == "cpu-total"
- )
- |> window(every: 5m)
- |> mean()
- |> duplicate(column: "_stop", as: "_time")
- |> window(every: inf)
-
- //辅助函数(将聚合或选择器函数应用于固定的时间窗口,通过every指定窗口的持续时间)
- from(bucket:"example-bucket")
- |> range(start: -1h)
- |> filter(fn: (r) =>
- r._measurement == "cpu" and
- r._field == "usage_system" and
- r.cpu == "cpu-total"
- )
- |> aggregateWindow(every: 5m, fn: mean)
6>语法基础与通量函数
语法基础：https://docs.influxdata.com/influxdb/v2.0/query-data/get-started/syntax-basics/
通量函数包：https://docs.influxdata.com/influxdb/v2.0/reference/flux/stdlib/
比如：mean()函数对每个时间窗口内的值求平均值(https://docs.influxdata.com/influxdb/v2.0/reference/flux/stdlib/built-in/transformations/aggregates/mean/)
五、可视化数据
https://docs.influxdata.com/influxdb/v2.0/visualize-data/visualization-types/
支持的可视化类型：
Band （乐队）：显示随时间变化的数据组的上限和下限
guage（仪表盘）：仪表视图中显示时间序列的单个值最新值
graph（图形）：折线图
Graph + Single Stat（图表+单一统计）：以折线图显示指定的时间序列，并将最近的单个值叠加为一个大数值
heatmap（热图）：显示 x 和 y 轴上的数据分布，其中颜色代表不同的数据点浓度
histogram（直方图）：一种查看数据分布的方法。y 轴专用于计数，x 轴分为 bin
mosaic（马赛克）：化显示时间序列数据中的状态变化
scatter（散点图）：视图使用散点图来显示时间序列数据
single stat（单项统计）： 将指定时间序列的最新值显示为数值
table（表格视图）：表格视图中显示查询结果
本地制造数据，通过图表数据展示案例：
grafana集成数据展示：
结论：
- influxdb控制台提供接入sdk源码，可直接在代码中使用，其他模块可直接在界面操作influxdb，使用体验较好
- influxdb可视化图表数量有限，如果图表无法满足需求，可以选择使用grafana展示数据，总体感觉grafana使用起来更舒适，数据显示更清晰
- flux刚开始不会写，通过控制台操作图表选择属性或函数，可以生成简单的flux语句
遗留问题
问：V1版本的RP+CQ在V2版本应该怎样使用？
答：
RP存储周期，完全由bucket决定，在创建bucket时需要指定bucket的数据保留时间。
需要注意的是：bucket的数据存储时间并不能随意更换，可以将永久存储的数据改成Retention存储，但是也存在限制；无法将有Retention的数据改成永久存储。
CQ需要使用task代替，InfluxQL需要使用Flux代替。
task示例：每小时执行一次，收集一个小时内的数据，输出到另一个bucket中(可使用内置函数，本案例为了验证功能使用直接输出)
- option task = {name: "tast2", every: 1h}
-
- from(bucket: "bucket1")
- |> range(start: -task.every)
- |> filter(fn: (r) =>
- (r._measurement == "mem2"))
- |> filter(fn: (r) =>
- (r._field == "used_percent"))
- |> set(key: "_measurement", value: "average3-mem2")
- |> to(org: "test", bucket: "bucket1/mem2-rp")
CQ转Task官方描述：https://docs.influxdata.com/influxdb/v2.0/upgrade/v1-to-v2/migrate-cqs/
Task使用介绍：https://docs.influxdata.com/influxdb/v2.0/process-data/get-started/
问：V2版本数据如何备份？文件拷贝是否可行？
答：
官方提供的备份方式：
- //将所有数据备份到一个目录
- influx backup /path/to/backup/dir/
-
- //将特定存储桶备份到目录
- influx backup --bucket example-bucket /path/to/backup/dir/
文件拷贝方式（/var/lib/influxdb）：与V1一致，服务重启时生效。
相比V1 : (1)它在文件层次使用ID区分具体存储桶 (2)它无法在插入过程中更换数据文件，即使更换了也会失效，不过成功启动之后删了它的数据文件，它也不会报错
结论：(1)可以使用官方提供的命令进行冷备份，服务器上备份前需要进行token配置 (2)文件拷贝是可行的，但是必须要重启服务，否则数据将会不准确。
官方描述：https://docs.influxdata.com/influxdb/v2.0/reference/cli/influx/backup/
附录
官网地址：https://docs.influxdata.com/influxdb/v2.0/
它也可集成grafana+echart完成自定义视图：
