InfluxDB是一款用Go语言编写的开源分布式时序、事件和指标数据库，无需外部依赖。 该数据库现在主要用于存储涉及大量的时间戳数据，如DevOps监控数据，APP metrics, loT传感器数据和实时分析数据。 InfluxDB特征： – 无结构(无模式)：可以是任意数量的列 – 可以设置metric的保存时间 – 支持与时间有关的相关函数(如min、max、sum、count、mean、median等)，方便统计 – 支持存储策略:可以用于数据的删改。(influxDB没有提供数据的删除与修改方法) – 支持连续查询:是数据库中自动定时启动的一组语句，和存储策略搭配可以降低InfluxDB的系统占用量。 – 原生的HTTP支持，内置HTTP API – 支持类似sql语法 – 支持设置数据在集群中的副本数 – 支持定期采样数据，写入另外的measurement，方便分粒度存储数据。 – 自带web管理界面，方便使用(登入方式：http://< InfluxDB-IP >:8083)

InfluxDB关键概念列表：

下面举个例子进行概念介绍： 我们虚拟一组数据，其中有一张数据表(measurement)为census，该表记录了由两个科学家(langstroth和perpetua)在两个不同的位置(1和2)，统计了butterflies和honeybees的数据，时间段是2015-08-18 00: 00:00 — 2015-08-18 06: 12:00. 我们假设这些数据属于叫my_database的数据库(database)，且该数据存储在autogen的存储策略(retention policy)中。 数据展示如下：

我们针对数据来进行概念分析： InfluxDB是时序数据库，所以怎么都绕不开时间,第一纵列time存储着时间戳，而时间戳是与数据进行关联，这样才能将时间和数据进行展示。 接下去两纵列(butterflies和honeybees)，称为Fields。Fields由field keys和field values组成。butterflies和honeybees两个字符串就是field keys；而butterflies这个field key对应的field values就是12 — 7, honeybees这个field key对应的field values就是23 — 22。Field values就是你的数据，它们可以是string、float、int或者bool等。因为influxdb是时序数据库，所以field values总是要和timestamp关联。

field set是在数据层之上应用概念，由field key和field value组成了field set，如这里有8组field set数据：

field是InfluxDB的必要结构，但也需要注意field是没有索引的。 剩下的两个纵列是location和scientist，它们是tags。 Tags也是由键值对(tag keys和tag values)组成。 这里的tag keys是字符串location和scientist；location 这个tag key有两个tag values: 1和2；scientist这个tag key也有两个tag values：perpetua和langstroth。 tag set也是数据之上的概念，是不同的tag key-value组合，这里有4组tag sets数据：

Tags是可选的参数，也就是说你存储的数据结构中不一定非要带tags，但是它非常好用，因为可以索引。一般都会通过tags来查询数据会快很多。

measurement包含了tags、fields和time，就类似于传统数据库的表。一个measurement可以属于不同的retention policy(存储策略)，存储策略描述了InfluxDB怎么去保持数据(DURATION)，需要在集群中存储多少份数据副本(REPLICATION)。 示例中的数据都属于census这个measurement，而该measurement又属于autogen这个存储策略。InfluxDB一般都会创建一个default存储策略，它有无限长的持续时间和等于1的副本数。

我们了解过了measurements、tag sets和retention policies的概念后，是时候该知道series了。 在同一个database中，series由retention policy、measurement、tag sets三部分组成，在我们上面的数据中有如下4个series： |Arbitrary series number | Retention policy | Measurement |Tag set | | —-| —– | —- | —- | | series 1 | autogen | census | location = 1,scientist = langstroth | | series 2 | autogen | census | location = 2,scientist = langstroth | | series 3 | autogen | census | location = 1,scientist = perpetua | | series 4 | autogen | census | location = 2,scientist = perpetua |

同一个Series的数据在物理上会按照时间顺序排列存储在一起。 Series的key为measurement + 所有tags的序列化字符串。 代码结构如下：

介绍完Series后，就可以解释point了。point是在一个series中有相同时间戳的field set，也可以理解如表里的一行数据。示例中一个Point：

time butterflies honeybees location scientist 2015-08-18T00:00:00Z 1 30 1 perpetua}}} 上例中，series由retention policy(autogen), measurement(census)和tag set(location=1,scientist=perpetua)进行定义。而这个point的时间戳则是2015-08-18T 00: 00: 00Z。

InfluxDB Database可以有多个users、continuous queries、retention policy、measurement。因为InfluxDB是一个结构化的数据库，我们可以轻松的去新增measurements、tags、fields。

Retention Policy 之前讲关键性概念时有简单介绍了RP，这里会进行较详细的介绍。 InfluxDB的数据保留策略(RP)是用来定义数据在数据库中存放的时间，或者定义保存某个期间的数据。 RP在InfluxDB中是比较重要的概念，因为InfluxDB本身是没有提供数据的删除操作，所以需要通过定义RP来控制数据量的问题。 (一个数据库可以有多个RP，但是每个RP必须是独一无二的。)

在具体介绍RP之前，先介绍下另外一个跟RP相关的基础概念(shard)。

shard: 每个RP下面会存在很多shard，每个shard都存储了实际编码和压缩数据，并且不重复。例如你在创建RP时指定了shard duration为1h，那么7–8点存入shard_group0,8–9点就会存入shard_group1中。所以shard才是真实存储InfluxDB数据的地方。 每个shard都属于唯一一个shard group，一个group中会有多个shard；而每个shard包含一组特定的series；所有的points都落在给定的series中，而series是都落在给定的shard group中；

问题1：每个shard group指定了一段时间区域，而且其中有多个shard；每个shard包含一组特定的series。那么shard中存的数据是怎么区分的？series是由RP、meansurement、tags组成，那么shard的区分是根据tags？？

shard duration: shard duration决定了每个shard group存放数据的时间区域。这段时间是在定义RP时由”SHARD DURATION”字段决定。 例如你创建RP时指定了SHARD DURATION为1w,那么每个shard group的时间跨度就为1w，它将包含所有在这一周时间戳内的points。

OK，大概了解了shard之后，继续回到Retention Policy。 当你创建一个数据库时，InfluxDB会自动给你创建一个叫”autogen”的retention Policy，这个RP的数据保留时间是无限。

1.创建RP语法：

DURATION: 用于描述数据保留时间。可设置的时间区间是1h — INF(无穷大)。 REPLICATION: 用于指定数据的备份数量，n是表示数据节点的数量。 SHARD DURATION: 用于指定shard group的时间区域，这个字段的duration是不支持INF的。默认情况下，shard group的duration由RP的duration决定。

| Retention Policy’s DURATION | Shard Group Duration | | —- | —– | | < 2 days | 1h | | >= 2 days and 6 mouths | 7days | DEFAULT: 可选参数，用于指定使用新的RP来作为数据库的默认RP。 2.修改RP语法：

注： 后面的参数字段都一样，主要差别就在于关键字段：ALTER RETENTION POLICY

3.删除RP语法：

注： 即使你企图去删除一个不存在的rp，命令返回值也是空，不会返回一个错误码。

Continuous Queries 之前我们介绍了数据保存策略，数据超过保存策略里指定的时间之后，就会被删除。但我们不想完全删除这些数据，比如我们想把每秒的监控数据至少保留成每小时，就需要用到连续查询(Continuous Queries)功能。 连续查询主要用在将数据归档，以降低系统空间的占用率，但这主要是以降低数据精度为代价。

基本语法：

注：cq_name表示创建的Continuous query的名字；database_name表示要操作的数据库。

cq_query是操作函数，如下：

注：destnation_measurement表示新生成的数据存放的表；measurement表示数据查询的表； GROUP BY time表示采样分析的数据时间，比如设置1h，如果当前是17:00,那么需要计算的数据时间就是16:00 — 16：59。

例子1： 自动降低精度来采样数据

连续查询（cq_basic）通过在数据库”transportation”中的”bus_data”表，计算每小时平均的旅客数，然后在该数据库中新建”average_passengers”表，并将数据存入该表中。该cq_basic每小时执行一遍，然后将每个小时的point写入表中。

例子2：自动降低精度来采样数据，并将数据存入另外一个Retention Policy(RP)

连续查询（cq_basic_rp）通过在数据库”transportation”中的”bus_data”表，计算每小时平均的旅客数，然后将数据存入transportation数据库中的three_weeks(RP)的average_passengers表中。该cq_basic_rp每小时执行一遍，然后将每个小时的point写入表中。

例子3：采用通配符，自动降低精度采样数据

连续查询（cq_basic_br），计算数据库(transportation)中每张表(这里只有一张表”bus_data”)，每30分钟平均的旅客数和投诉量，然后将数据存入downsample_transportation数据库中的autogen(RP)中。该cq_basic_br每30分钟执行一遍，然后将每个小时的point写入表中。

例子4：配置CQ的时间偏移，来采集数据：

该CQ(cq_basic_offset)，设置了每整点往后偏移15分钟，再进行每小时的平均值计算。比如会将8 : 15–9: 15，来代替8: 00–9: 00。

高级语法：

注意： cq_name、database_name、cq_query和之前的基本语法都一致。 EVERY后面带的时间，表示每val1点时间就触发一次数据采样，而数据的区间是和cq_query、FOR有关。在这段时间内每val1点时间再采集一次。比如cq_query设置1h，val1设置为30m,表示在1h内会有两次数据计算。比如8点–9点之间就会有两次数据的计算，第一次计算是8:30触发的，计算的区间是8:00–8:30，第二次计算是9:00触发的，计算的区间是8:00–9:00。在目的数据库中，默认第二次的计算结果会覆盖第一次的计算结果。 FOR后面带的时间，表示修改了cq_query计算的数据区间，比如cq_query时间设置为30m，val2设置的是1h。那么cq每30m会触发一次数据计算，计算的区间是(now-1h)–now。

示例数据： 给下面的例子使用

time passengers 2016-08-28T06:30:00Z 2 2016-08-28T06:45:00Z 4 2016-08-28T07:00:00Z 5 2016-08-28T07:15:00Z 8 2016-08-28T07:30:00Z 8 2016-08-28T07:45:00Z 7 2016-08-28T08:00:00Z 8 2016-08-28T08:15:00Z 15 2016-08-28T08:30:00Z 15 2016-08-28T08:45:00Z 17 2016-08-28T09:00:00Z 20}}}

例子1：配置执行间隔

cq_advanced_every在8点–9点执行了两次。第一次8:30触发，因为cq_query设置了1h,所以数据区间是8: 00–9: 00,但因为是在8:30触发的，8: 30–9: 00的数据还没产生呢，所以实际采集的数据区间是在8: 00–8: 30,即数据(8, 15, 15), 计算的平均值为12.6667；第二次9:00触发，计算的区间是8: 00–9: 00，即数据(8, 15, 15, 17)，计算的平均值为13.75.

例子2：配置重采样的时间区间

该cq_advanced_for，每30m重采样一次，采样的区间是(now-1h — now), 也就是每触发一次执行，就会进行两次计算。因为采样的区间是1h，而需要计算的是每30m的平均值。

例子3：配置cq的执行区间和时间范围

该cq_advanced_every_for，需要计算30m的平均值，每1小时触发一次cq执行,采样的数据区间是90m，所以每触发一次就会计算3次平均值。

例子4：配置CQ的采样时间区间，并且填充空结果

示例6：通过WHERE字段指定多个条件

/wirte只支持POST的HTTP请求，使用该Endpoint可以写数据到已存在的数据库中。

定义：

POST http://localhost:8086/write

Query参数说明：

| 参数 | 是否可选 | 描述 | | —- | —- | —- | | consistency=[any,one,quorum,all] | 可选 | 设置point的写入一致性，默认是one.详细的请参考HERE | | db={db_name} | 必选 | 设置数据库名 | | precision=[h,m,s,ms,u,n] | 可选 | 指定时间戳的精度，默认是ns | | p={password} | 可选 | 如果设置了认证，则需要用户密码 | | rp={rp_name} | 可选 | 设置查询的rp。如果没有设置，则查询默认的rp | | u={username} | 可选 | 如果设置了认证，则需要用户密码 |

示例1：使用秒级的时间戳，将一个point写入数据库mydb

示例2：将一个point写入数据库mydb，并指定RP为myrp

示例3：使用HTTP认证的方式，将一个point写入数据库mydb

示例4：使用基础认证的方式，将一个point写入数据库mydb

数据请求体：

所有写入的数据必须是二进制，且使用Line Protocol格式。

示例1：写多个points到数据库中,需要使用新的一行

示例2：通过导入文件的形式，写入多个points。需要使用@来指定文件

响应的状态码：

| HTTP状态码 | 描述 | | ———-| —–| | 204 No Content | 成功 | | 400 Bad Request | 不能接受的请求。可能是Line Protocol语法错误；写入错误的field values类型；等。。 | | 404 Not Fount | 不能接受的请求。可能是数据库不存在，或者别的原因 | | 500 Internal Server Error | 系统超负荷了或者明显受损。可能是用户企图去写一个不存在的RP。或者别的原因 |

> InfluxDB v0.12及以上版本已经不再开源其集群部分代码，转为商业版本功能。

可以参考支持集群的最新版本v0.11。

InfluxDB支持任意大小的集群，支持任何大小的数据副本(从1到集群node数量)。

InfluxDB集群支持3中类型的node： 一致性Nodes、数据Nodes、混合Nodes。集群需要运行一致性服务的花，必须要保持奇数的Nodes来组成大量的consensus group，并且保持集群在一个健康状态。

使用3个混合Nodes来搭建集群。 1.安装InfluxDB到各个Node上，先不启用服务。 2.修改节点上的InfluxDB配置： 配置文件是”/etc/influxdb/influxdb.conf”,配置如下：

– 设置[meta] enabled = true, [data] enabled = true。 – [meta] bind-address 是集群IP，用于集群范围交互。 – [meta] http-bind-address Node的IP地址，用于Node级别交互。 – [http] bind-address 用于HTTP API。

3.在每个节点上指明所有的Node信息： 设置/etc/default/influxdb文件中的INFLUXD_OPTS: INFLUXD_OPTS=”-join < IP1 >:8091,< IP2 >:8091,< IP3 >:8091″

IP1,IP2,IP3分别对应着各个Nodes的IP地址或者hostname。

4.开启每个节点的服务：

5.确认集群是否健康： 在influx的CLI命令行中，使用SHOW SERVERS命令查看健康情况：

只要你的集群是健康的运行，就可以向集群中增加节点。 步骤都基本一样，需要注意第4步，你需要把新增的节点都改到所有的INFLUXD_OPTS中去，包括自己的。

语法：

示例： – 删除consensus node，在集群中的id是1：

– 删除data node,在集群中的id是2：

– 删除hybrid node，在集群中的meta node id是3，data node id是3：