扫二维码与项目经理沟通
我们在微信上24小时期待你的声音
解答本文疑问/技术咨询/运营咨询/技术建议/互联网交流
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！
成都创新互联公司公司2013年成立，是专业互联网技术服务公司，拥有项目网站制作、网站设计网站策划，项目实施与项目整合能力。我们以让每一个梦想脱颖而出为使命，1280元寻乌做网站,已为上家服务,为寻乌各地企业和个人服务,联系电话:13518219792
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）
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创新互联网站，小编将为大家输出更多高质量的实用文章！
我们在微信上24小时期待你的声音
解答本文疑问/技术咨询/运营咨询/技术建议/互联网交流
微信二维码
移动版官网