写在前面：本文适合对时序数据库感兴趣、想入门 TDengine 的同学阅读。如果你也在犹豫要不要学，希望这篇文章能给你一点动力。

---

一、为什么突然想学 TDengine？

最近圈子里有个名字出现得越来越频繁——TDengine。

作为一个常年和数据库打交道的开发者，我原本对时序数据库的认知还停留在 InfluxDB、Prometheus 这些"洋品牌"上。直到前阵子参加了一个技术沙龙，发现好几个做物联网的朋友都在聊一个国产开源的时序数据库，而且口碑相当不错。

好奇心驱使下，我查了一下：

• GitHub 上 Star 数已经超过 24k

• 核心代码完全开源，采用 AGPL 协议

• 背后是一家叫涛思数据的中国公司

• 创始人陶建辉老师，在业界很有名望

更关键的是，它主打的就是物联网、工业互联网、车联网这些当下最热的场景。作为一个不想被时代抛下的技术人，我决定：开搞！

于是，就有了这篇"第一天学习笔记"。

---

二、TDengine 到底是什么？

先上一段"官方定义"：

TDengine 是一款开源、高性能、云原生的时序数据库（Time-Series Database），专为物联网、工业互联网、车联网、能源等场景优化设计。

翻译成人话就是：它特别擅长处理那种"带时间戳的数据"。

什么叫带时间戳的数据？举个栗子：

• 你家智能电表每 5 分钟上报一次用电量

• 工厂里的温度传感器每秒采集一次车间温度

• 网约车每分钟上报一次 GPS 位置和车速

这些数据都有一个共同特点：时间是最重要的维度，数据量巨大，但结构相对简单。

传统的关系型数据库（比如 MySQL）处理这种数据会很吃力，而 TDengine 就是为这种场景"量身定制"的。

---

三、几个必须搞懂的核心概念

第一天的学习，我先把重点放在了理解 TDengine 的核心概念上。这几个概念搞懂了，后面的学习会顺畅很多。

1. 超级表（STable）

这是 TDengine 最亮眼的设计之一。

想象你在管理一个智能电表系统，有 10 万块电表。每块电表都在上报数据：电流、电压、功率、时间戳。

在传统数据库里，你可能要给每块电表建一张表，或者把所有数据塞进一张大表里。前者表太多不好管理，后者查询效率低。

TDengine 的解决方案是——超级表（Super Table，简称 STable）。

你可以先定义一个超级表，规定好所有电表数据的字段结构。然后每块电表对应一张子表，子表继承超级表的字段，但各自独立存储。

超级表：meters
  ├── 子表：d1001（1号电表的数据）
  ├── 子表：d1002（2号电表的数据）
  ├── 子表：d1003（3号电表的数据）
  └── ...（共10万张）

这样一来，既能统一管理表结构，又能保证查询时只扫描相关子表的数据，性能和管理性兼得。这个设计真的很巧妙！

2. 标签（Tag）

每块电表除了采集的数据（电流、电压等），还有一些静态属性：比如所属区域、设备型号、安装位置。

这些信息在 TDengine 里就叫标签（Tag）。标签是定义在超级表上的，但每个子表可以有自己的标签值。

标签的最大作用是分类和过滤。比如你可以轻松查出"北京市所有 A 型电表的平均功率"，TDengine 会通过标签快速定位到相关子表，而不是全表扫描。

3. 时间线

这个很好理解：一个设备（对应一张子表）产生的按时间排序的数据序列，就是一条时间线。

10 万块电表 = 10 万条时间线。TDengine 的架构对海量时间线的支持非常友好，这也是它区别于其他时序数据库的重要优势。

---

四、凭什么叫板 InfluxDB？

说到时序数据库，很多人第一反应是 InfluxDB。那 TDengine 和它相比，到底强在哪？

我整理了一个简单的对比：

维度	TDengine	InfluxDB
开源协议	AGPL，核心完全开源	核心开源，但企业级集群功能需付费
国产化	✅ 国产，自主可控	❌ 国外产品
写入性能	官方测试最高可达 InfluxDB 的 10 倍以上，单机吞吐可达百万级数据点/秒	高，但集群功能需付费
数据压缩	10:1 甚至更高	一般
SQL 支持	类 SQL，学习成本低	使用 InfluxQL/Flux，需额外学习
数据订阅	内置，支持 Kafka 协议	需借助外部工具
边云同步	原生支持	需自行搭建

总结几个 TDengine 的核心优势：

1. 高性能写入

TDengine 针对时序数据的写入做了大量优化。官方 TSBS 基准测试显示，其写入性能最高可达 InfluxDB 的 10 倍以上，单机吞吐可达百万级数据点/秒。对于物联网场景下海量设备并发上报的情况，这个性能非常关键。

2. 超高压缩比

时序数据库要存的数据量往往是 TB 甚至 PB 级别的。TDengine 通过列式存储和专用压缩算法，可以实现 10:1 甚至更高的压缩比。存储成本直接打下来，这对企业来说是真金白银的节省。

3. 数据订阅

TDengine 内置了类似 Kafka 的数据订阅机制。你可以订阅某张表的数据变更，实时推送给下游系统。这个设计省去了额外部署消息队列的麻烦，架构更简洁。

4. 边云同步

物联网场景下，很多数据先在边缘端采集，再同步到云端。TDengine 原生支持边缘节点和云端之间的数据同步，对工业互联网、车联网这类场景非常友好。

---

五、它到底能用在哪？

TDengine 的应用场景非常聚焦，但每个都是大市场：

🚗 车联网

每辆车上百个传感器，实时上报位置、速度、油耗、电池状态。TDengine 可以轻松管理百万级车辆的海量时序数据。

🏭 工业互联网

工厂里的机床、传感器、PLC 设备，7×24 小时不间断产生数据。TDengine 用于设备监控、故障预警、生产优化。

⚡ 能源电力

智能电网、风电场、光伏电站，需要对发电量、设备状态进行实时监控和分析。

🏠 物联网平台

智能家居、智慧城市、环境监测……凡是"大量设备 + 高频数据采集"的场景，TDengine 都能派上用场。

---

六、第一天学习心得

说实话，第一天的学习让我对 TDengine 有了很大改观。

起初我以为它只是一个"国产替代品"，但深入了解后发现，它在架构设计上确实有很多针对中国场景的独到思考：

• 超级表的设计，完美契合了"海量同类设备"的物联网场景

• 对 SQL 的支持，降低了国内开发者的学习门槛

• 边云同步、数据订阅这些功能，都是国内工业互联网项目的刚需

当然，第一天只是"纸上谈兵"，还没实际上手跑起来。

下一步计划：

1. 本地部署一个 TDengine 实例，把官方示例跑起来

2. 用 Python 写个程序，模拟一批设备写入数据

3. 试试查询、聚合、数据订阅这些核心功能

4. 和 InfluxDB 做个简单的性能对比测试

---

七、写在最后

在这个数据库领域长期被国外产品主导的时代，看到 TDengine 这样的国产开源项目越做越好，作为一个中国开发者，还是挺自豪的。

当然，技术没有国界，选择什么工具要看具体场景。但多了解一个优秀的国产选项，总归不是坏事。