När det gäller att välja en databas för ett nytt eller ett befintligt projekt som ersätter det du jobbar med, Jag har redan nämnt här på bloggen att den bästa webbplatsen för att hitta ett alternativ är DB-motorer, där vi kan hitta ett stort antal databaser och som jag är säker på att du inte ens visste om deras existens.
Men att gå vidare till huvudämnet, Den här artikeln där vi kommer att prata idag handlar om InfluxDB som är ett utmärkt alternativ för att hantera stora mängder data utan att behöva offra prestanda.
Vi borde veta att InfluxDB är en databas optimerad för tidsseriedata och kan användas i det lokala datacentret eller som en molnlösning på Microsoft Azure, Amazon Web Services (AWS) och Google Cloud Computing.
Tidsseriedatabasen (TSDB) kan drivas utan en server i molnet eller med egna servrar i datacentret. Databasen utvecklas av det amerikanska företaget Influxdata.
InfluxDB fokuserar på att lagra stora mängder data inom det vetenskapliga området och data som skickas av sensorer. InfluxDB det är mycket snabbare än konventionella databaser när det gäller att lagra och hantera tidsserier. Bearbetning i realtid är också möjlig, liksom att fråga data med det interna frågespråket Flux, som är baserat på Javascript.
Detta ser mer ut som ett programmeringsspråk än ett SQL-frågespråk som lyssnar på port 8086, plus InfluxDB har inga externa beroenden och har tidsfokuserade inbyggda funktioner för att fråga en datastruktur består av mått, serier och punkter. Varje punkt består av flera nyckel-värdepar som kallas en fältuppsättning och en tidsstämpel. När de grupperas efter en uppsättning nyckel-värdepar som kallas en tagguppsättning definierar de en serie. Slutligen grupperas serien efter en strängidentifierare för att bilda ett mått.
Värden kan vara 64-bitars heltal, 64-bitars flytpunkter, strängar och booleska värden. Poäng indexeras av deras tid och tagguppsättning. Lagringspolicyer definieras i ett mått och styr hur data reduceras och tas bort. Kontinuerliga frågor körs regelbundet och lagrar resultaten i ett målvärde.
Om tidsserier ska lagras i databaser, till exempel när du använder Internet of Things-infrastrukturer, InfluxDB kan användas för att spara sensorinformation, inklusive tidsstämplar. Eftersom timing spelar en viktig roll i InfluxDB, säkerställer en intern timing-tjänst att alla noder i InfluxDB-klustret körs synkront. Naturligtvis är InfluxDB också lämplig för lagring av övervakningsdata i företagsnätverk.
Databaserna i InfluxDB behöver inte vara komplicerade och tillhandahålla dussintals kolumner. Det är vettigt att använda den med några kolumner om till exempel vissa mätvärden från en sensor behöver sparas som en funktion av tiden.
Om data från många källor måste tas emot och bearbetas parallellt, till exempel när det gäller sensorer, måste tillhörande databas kunna hantera dessa parallella frågor snabbt. Eftersom data ofta tas emot i realtid måste databasens skrivprestanda skräddarsys i enlighet med detta. Dessutom finns det en utmaning att mätdata från sensorer inte alltid är exakt skrivna och definierade. Dataserier i tidsserier kan fortfarande lagra dessa data och göra dem tillgängliga.
Dessutom, när en tidsseriedata har sparats är det sällan nödvändigt att uppdatera dem senare. Därför är det inte nödvändigt att optimera en tidsseriedatabas för detta. Dessutom finns det funktioner som krävs för att radera eller komprimera föråldrad data som inte längre behövs. Dessa uppgifter är också en del av snabb databaserad databehandling.
InfluxDB består av endast ett fåtal komponenter som är tillgängliga för Linux och macOS. Alla funktioner finns i en fil, vilket gör det enkelt att installera och använda.
Slutligen om du är intresserad av att veta mer om det kan du kolla detaljerna i följande länk.