TDengine与InfluxDB性能对比

摘要：为帮助用户了解TDengine Database的指标，特将TDengine与InfluxDB从数据库的读、写、查询、压缩比等方面进行了对比测试。从测试结果上看，TDengine的性能远超InfluxDB，写入性能约为5倍，读取性能约为35倍，聚合函数性能约为140倍，按标签分组查询性能约为250倍，按时间分组查询性能约为12倍。

0 测试环境

对比测试的测试程序和数据库服务在同一台4核8GB的Dell台式机上部署，台式机型号为OptiPlex-3050，详细配置如下

OS: Ubuntu 16.04 x64
CPU: Intel(R) Core(TM) i3-7100 CPU @ 3.90GHz
Memory: 8GB
Disk: 1TB HDD

1 测试数据集及其生成方法

1.1 测试数据生成方法

本次测试调研了两类比较热门的测试数据集

纽约出租车运行数据，因该数据中抹去了单台车辆的信息，无法对其进行建模
faker生成工具，因其只能生成字符串，并不适合物联网场景下处理的数据

所以，为使测试可轻易重复，单独编写了一个生成模拟数据的程序来进行本次测试。

测试数据生成程序模拟若干温湿度计生成的数据，其中温度为整数、湿度为浮点数，同时每个温度计包含设备ID、设备分组、设备名称三个标签。为了尽可能真实地模拟温湿度计的生成数据，没有使用完全随机数，而是针对每个温度计确保生成的数据值呈正态分布。

测试数据的频率为1秒钟，数据集包含10000台设备，每台设备10000条记录。每条数据采集记录包含1个时间戳字段、2个数据字段和3个标签字段。

1.2 测试数据生成程序源码

采用java程序生成测试数据集，测试程序源代码可以到https://github.com/taosdata/tests/tree/master/comparisonTest/dataGenerator下载，下载后执行如下语句

cd tests/comparisonTest/dataGenerator
javac com/taosdata/generator/DataGenerator.java 

1.3 测试数据生成程序用法

相关参数如下

dataDir 生成的数据文件路径
numOfFiles 生成的数据文件数目
numOfDevices 测试数据集中的设备数目
rowsPerDevice 测试数据集中每台设备包含的记录条数

1.4.生成测试数据

执行如下命令，会在~/testdata目录下生成100个数据文件，每个文件包含100台设备的测试数据；合计10000台设备，每台设备10000条记录

mkdir ~/testdata
java com/taosdata/generator/DataGenerator -dataDir ~/testdata -numOfDevices 10000 -numOfFiles 100 -rowsPerDevice 10000

2 TDengine环境准备

TDengine是一个开源的专为物联网、车联网、工业互联网、IT运维等设计和优化的大数据平台。除核心的快10倍以上的时序数据库（Time-Series Database）功能外，还提供缓存、数据订阅等功能，最大程度减少研发和运维的工作量。

2.1.安装部署

下载tdengine-1.6.1.0.tar.gz，地址https://www.taosdata.com/
安装TDengine，解压后运行install.sh进行安装
启动TDengine，运行sudo systemctl start taosd
测试是否安装成功，运行TDengine的shell命令行程序taos，可以看到如下类似信息
Welcome to the TDengine shell, server version:1.6.1.0 client version:1.6.1.0
Copyright © 2017 by TAOS Data, Inc. All rights reserved.
taos>

2.2.数据建模

TDengine为相同结构的设备创建一张超级表，而每个具体的设备则单独创建一张数据表。因此，超级表的数据字段为采集时间、温度、湿度等与时间序列相关的采集数据；标签字段为设备编号、设备分组编号、设备名称等设备本身固定的描述信息。

创建超级表的SQL语句为

create table devices(ts timestamp, temperature int, humidity float) tags(devid int, devname binary(16), devgroup int);
以设备ID作为表名（例如device id为1，则表名为dev1），使用自动建表语句，写入一条记录的语句为

insert into dev1 using devices tags(1,‘d1’,0) values(1545038786000,1,3.560000);
##2.3.测试程序源码
本文采用TDengine的原生C语言接口，编写数据写入及查询程序，后续的其他文章会提供基于JDBCDriver的测试程序。

测试程序源代码及查询SQL语句可以到https://github.com/taosdata/tests/tree/master/comparisonTest/tdengine下载，下载后执行如下语句

cd tdengine
make
会在当前目录下生成可执行文件./tdengineTest

2.4.测试程序用法

TDengine的测试程序用法与InfluxDB的用法相同，写入相关参数

writeClients 并发写入的客户端链接数目，默认为1
rowsPerRequest 一次请求中的记录条数，默认为100，范围1-1000
dataDir 读取的数据文件路径，来自于测试数据生成程序
numOfFiles 从数据文件路径中读取的文件个数
例如

./tdengineTest -dataDir ./data -numOfFiles 10 -writeClients 2 -rowsPerRequest 100
查询相关参数

sql 将要执行的SQL语句列表所在的文件路径，以逗号区分每个SQL语句
例如

./tdengineTest -sql ./sqlCmd.txt

3 InfluxDB环境准备

InfluxDB是一款开源的时序数据库，由Go语言实现。适用于监控、实时分析、物联网、传感器数据等应用场景，是目前最为流行的时间序列数据库。

3.1.安装部署

下载并安装InfluxDB
wget https://dl.influxdata.com/influxdb/releases/influxdb_1.7.7_amd64.deb
sudo dpkg -i influxdb_1.7.7_amd64.deb
启动InfluxDB服务
sudo systemctl start influxdb
测试是否安装成功，运行InfluxDB的shell命令行程序influx，可以看到如下类似信息
Connected to http://localhost:8086 version 1.7.7
InfluxDB shell version: 1.7.7

3.2.InfluxDB数据建模

创建一个名为devices的measurement，所有设备都属于该measurement，不同设备通过标签进行区分。每台设备包含三个标签，分别为设备编号、设备分组编号、设备名称。每条记录包含三个数据字段，分别为时间戳（毫秒），温度（整型），湿度（浮点）。

3.3.InfluxDB测试程序源码

本文采用InfluxDB的原生GO语言接口，编写数据写入及查询程序，测试程序源代码及查询SQL语句可以到https://github.com/taosdata/tests/tree/master/comparisonTest/influxdb下载。下载后需要先安装GO语言环境。

sudo apt install golang
mkdir -p $HOME/local/Golang
export GOPATH=$HOME/local/Golang
go get github.com/influxdata/influxdb1-client/v2

然后执行如下语句

cd tests/comparisonTest/influxdb
go build -o influxdbTest
会在当前目录下生成可执行文件./influxdbTest

4.4.InfluxDB测试程序用法

写入相关参数

writeClients 并发写入的客户端链接数目，默认为1
rowsPerRequest 一次请求中的记录条数，默认为100，范围1-1000
dataDir 读取的数据文件路径，来自于测试数据生成程序
numOfFiles 从数据文件路径中读取的文件个数
例如

./influxdbTest -dataDir ~/testdata -numOfFiles 1 -writeClients 2 -rowsPerRequest 100
查询相关参数

sql 将要执行的SQL语句列表所在的文件路径，以逗号区分每个SQL语句
例如

./influxdbTest -sql ./sqlCmd.txt

4 写入性能对比

数据库的一个写入请求可以包含一条或多条记录，一次请求里包含的记录条数越多，写入性能就会相应提升。在以下测试中，使用R/R表示Records/Request ，即一次请求中的记录条数。同时，一个数据库可以支持多个客户端连接，连接数增加，系统总的写入通吐量也会相应增加。因此测试中，对于每一个数据库，都会测试一个客户端和多个客户端连接的情况。

4.1.TDengine的写入性能

TDengine按照每次请求包含1，100，500，1000，2000条记录各进行测试，同时也测试了不同客户端连接数的情况。测试步骤如下所示，您可以修改示例中的参数，完成多次不同的测试。

1.清空上次测试数据

运行TDengine的shell命令行程序taos，执行删除测试数据库语句
Welcome to the TDengine shell, server version:1.6.1.0 client version:1.6.1.0
Copyright © 2017 by TAOS Data, Inc. All rights reserved.
taos>drop database db;

2.测试执行

开启5个客户端读取~/testdata目录中的100个数据文件，每个请求写入1000条数据，可以参考如下命令
./tdengineTest -dataDir ~/testdata -numOfFiles 100 -writeClients 5 -rowsPerRequest 1000
写入吞吐量如下，单位为记录数/秒

R/R	1 client	2 clients	3 clients	4 clients	5 clients	6 clients	7 clients
1	26824	43699	55137	62869	64529	68647	72277
100	415800	734484	895522	976085	1087902	1171074	1192199
500	479846	882612	1083032	1195100	1269196	1364256	1417004
1000	500751	914494	1121914	1239157	1367989	1418104	1476560
2000	512820	1055520	1174164	1306904	1426635	1458434	1477208

TDengine Database

图1 TDengine的写入吞吐量

4.2.InfluxDB的写入性能

InfluxDB按照每次请求包含1，100，1000，10000，20000，50000，100000条记录各进行测试，同时也测试了不同客户端连接数的情况。测试步骤如下所示，您可以修改示例中的参数，完成多次不同的测试。

1.清空上次测试数据

运行InfluxDB的shell命令行程序influx，可以看到如下类似信息
Connected to http://localhost:8086 version 1.7.7
InfluxDB shell version: 1.7.7

drop database db;

2.测试执行

开启5个客户端读取~/testdata目录中的100个数据文件，每个请求写入10000条数据，可以参考如下命令
./influxdbTest -dataDir ~/testdata -numOfFiles 100 -writeClients 5 -rowsPerRequest 10000
写入吞吐量如下，单位为记录数/秒

R/R	1 client	2 clients	3 clients	4 clients	5 clients	6 clients	7 clients
100	3024	4325	5709	6819	8013	9204	10173
1000	21940	30659	40825	50622	60567	70311	77174
10000	88686	155154	209377	234124	245141	257454	261542
20000	96277	179492	234413	255805	263160	268466	271249
50000	125187	200552	243861	264780	271101	270364	273820
100000	130108	197202	240059	254973	265922	272275	270859

图2 InfluxDB的写入吞吐量

4.3.TDengin和InfluxDB的最佳性能对比

基于以上的测试数据，将TDengine和InfluxDB测试出的最佳写入速度进行对比，结果如下

R/R	1 client	2 clients	3 clients	4 clients	5 clients	6 clients	7 clients
TDengine	512820	1055520	1174164	1306904	1426635	1458434	1477208
InfluxDB	130108	200552	243861	264780	271101	272275	273820

图3 TDengine和InfluxDB的最佳写入性能对比
从图3可以看出，TDengine的写入速度约为百万条记录/秒的量级，而InfluxDB的写入速度约为十万条记录/秒的量级。因此可以得出结论，在同等数据集和硬件环境下，TDengine的写入速度远高于InfluxDB，约为5倍。

需要指出的是，InfluxDB的单条插入性能很低，因此必须采用Kafka或其他消息队列软件，成批写入，这样增加了系统开发和维护的复杂度与运营成本。

5 读取性能对比

本测试做了简单的遍历查询，就是将写入的数据全部读出。因为InfluxDB的GO客户端在解析JSON返回结果时的限制，故每次查询仅取出100万条记录。在测试数据准备时，已经按照devgroup标签将设备拆分成100个分组，本次测试随机选取其中10个分组进行查询。

5.1.TDengine的测试方法

测试SQL语句存储在tdengine/q1.txt中，测试SQL语句参考
select * from db.devices where devgroup=0;
执行方法如下
./tdengineTest -sql ./q1.txt

5.2.InfluxDB的测试方法

测试SQL语句存储在influxdb/q1.txt中，测试SQL语句参考
select * from devices where devgroup=‘0’;
执行方法如下
./influxDBTest -sql ./q1.txt
如下所示，横轴为设备分组编号，测试结果的单位为秒

分组0	分组10	分组20	分组30	分组40	分组50	分组60	分组70	分组80	分组90
TDengine	0.235	0.212	0.208	0.218	0.209	0.210	0.209	0.209	0.216
InfluxDB	7.56	7.21	7.64	7.28	7.64	7.52	7.52	7.52	7.32

图4 TDengine和InfluxDB的读取性能对比
从图4中可以看出，TDengine的100万条的读取速度稳定在0.21秒，吞吐量约为500万条记录/秒，InfluxDB的100万条的读取速度稳定在7.5秒，吞吐量约为13万条记录/秒。所以从测试结果来看，TDengine的查询吞吐量远高于InfluxDB。

6 聚合函数性能对比

本单元的测试包含COUNT，AVERAGE，SUM，MAX，MIN，SPREAD这六个TDEngine和InfluxDB共有的聚合函数。所有测试函数都会搭配筛选条件（WHERE）来选取设备的十分之一、十分之二、十分之三、直到全部设备。

6.1.TDengine的聚合函数性能

测试SQL语句存储在tdengine/q2.txt中，测试SQL语句参考

select count(*) from db.devices where devgroup<10;
执行方法如下

./tdengineTest -sql ./q2.txt
如下所示，横轴为查询设备占总设备的百分比，测试结果的单位为秒

10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
count 0.018 0.026 0.016 0.018 0.017 0.024 0.024 0.027 0.030 0.033
avg 0.007 0.014 0.015 0.020 0.024 0.038 0.044 0.050 0.057 0.060
sum 0.006 0.010 0.019 0.018 0.031 0.036 0.034 0.037 0.043 0.046
max 0.007 0.013 0.015 0.020 0.025 0.030 0.035 0.039 0.045 0.049
min 0.006 0.010 0.016 0.024 0.032 0.039 0.045 0.041 0.043 0.049
spread 0.007 0.010 0.015 0.019 0.033 0.038 0.046 0.052 0.059 0.066

图5 TDengine聚合函数性能

6.2.InfluxDb的聚合函数性能

测试SQL语句存储在influxdb/q2.txt中。因为InfluxDB的标签仅能为字符串，所以测试SQL语句的筛选条件为正则表达式，如下的SQL语句选取第10-19个group中的数据，例如

select count(*) from devices where devgroup=~/[1-1][0-9]/;
执行方法如下

./influxdbTest -sql ./q2.txt
如下所示，横轴为查询设备占总设备的百分比，测试结果的单位为秒

10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
count 1.06 2.14 3.28 4.15 5.26 6.19 7.01 8.09 9.06 9.92
mean 0.99 2.05 2.77 3.68 4.51 5.35 6.14 6.95 7.70 8.44
sum 1.02 2.04 2.89 3.75 4.64 5.50 6.38 7.18 7.94 8.72
max 1.01 1.99 2.85 3.77 4.69 5.52 6.35 7.17 7.95 8.80
min 1.03 2.02 2.95 3.81 4.64 5.48 6.33 7.18 8.01 8.72
spread 7.38 16.92 27.44 38.25 49.86 60.68 71.61 82.50 94.68 105.26

图6 InfluxDB聚合函数性能

6.3.聚合函数性能对比

基于以上的测试数据，将TDengine和InfluxDB在1亿条记录数据集的测试结果进行对比

count average sum max min spread
TDengine 0.033 0.06 0.046 0.049 0.049 0.066
InfluxDB 9.92 8.44 8.72 8.8 8.72 105.26

图7 聚合函数性能对比
从图7可以看出，TDengine的聚合函数查询时间在100毫秒以内，而InfluxDb的查询时间在10秒左右。因此可以得出结论，在同等数据集和硬件环境下，TDengine聚合函数的查询速度远远高于InfluxDB，超过100倍。

7 按标签分组查询性能对比

本测试做了按标签分组函数的性能测试，测试函数会搭配筛选条件（WHERE）来选取设备的十分之一、十分之二、十分之三、直到全部设备。

7.1.TDengine的测试方法

测试SQL语句存储在tdengine/q3.txt中，例如

select count(temperature), sum(temperature), avg(temperature) from db.devices where devgroup<10 group by devgroup;
执行方法如下

./tdengineTest -sql ./q3.txt

7.2.InfluxDB的测试方法

测试SQL语句存储在influxdb/q3.txt中，例如

select count(temperature), sum(temperature), mean(temperature) from devices where devgroup=~/[1-1][0-9]/ group by devgroup;
执行方法如下

./influxdbTest -sql ./q3.txt
如下所示，横轴为查询设备占总设备的百分比，测试结果的单位为秒

10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
TDengine 0.030 0.028 0.031 0.041 0.069 0.066 0.077 0.091 0.102 0.123
InfluxDB 3.19 6.37 9.60 12.95 15.93 19.16 22.05 25.20 28.06 31.52

图8 TDengine和InfluxDB的按标签分组查询性能对比
从测试结果来看，TDengine的分组聚合查询速度远高于InfluxDB，约为300倍。

8 按时间分组查询性能对比

本测试做了按时间分组函数的性能测试，测试函数会搭配筛选条件（WHERE）来选取设备的十分之一、十分之二、十分之三、直到全部设备。

8.1.TDengine的测试方法

测试SQL语句存储在tdengine/q4.txt中，例如

select count(temperature), sum(temperature), avg(temperature) from db.devices where devgroup<10 interval(1m);
执行方法如下

./tdengineTest -sql ./q4.txt

8.2.InfluxDB的测试方法

测试SQL语句存储在influxdb/q4.txt中，例如

select count(temperature), sum(temperature), mean(temperature) from devices where devgroup=~/[1-1][0-9]/ group by time(1m);
执行方法如下

./influxdbTest -sql ./q4.txt
如下所示，横轴为查询设备占总设备的百分比，测试结果的单位为秒

10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
TDengine 0.237 0.472 0.653 0.902 1.134 1.422 1.753 1.784 2.085 2.549
InfluxDB 3.26 6.50 9.59 12.85 16.07 19.02 22.32 25.44 28.29 31.44

图9 TDengine和InfluxDB的按时间分组查询性能对比
从测试结果来看，TDengine的分组聚合查询速度远高于InfluxDB，约为12倍。

9 压缩比对比

9.1.原始数据的磁盘占用

本次测试共生成100个测试数据文件，存储在_{/testdata目录下，使用du命令查看}/testdata目录的文件大小

cd ~/testdata
du -m .
如下图所示

TDengine Database
图10 原始数据的磁盘占用情况
2.查看TDengine的磁盘占用
TDengine的磁盘文件默认位置在目录/var/lib/taos/data下，在查看磁盘文件大小时，首先将TDengine的服务停止

sudo systemctl stop taosd
然后，调用du命令，查看/var/lib/taos/data目录下文件的大小

cd /var/lib/taos/data
du -h .
TDengine Database
图11 TDengine的磁盘占用情况
3.查看InfluxDB的磁盘占用
InfluxDB的磁盘文件默认位置在目录/var/lib/influxdb/data/db下，在查看磁盘文件大小时，首先将InfluxDB的服务停止

sudo systemctl stop influxDb
目录/var/lib/taos/data为用户influxdb所有，请确保当前用户有查看该目录的权限。本测试中，数据存储在autogen/84目录下，调用du命令，查看该目录下文件的大小。

cd /var/lib/influxdb/data/db/autogen/84
du -h .
TDengine Database
图12 InfluxDB的磁盘占用情况
4.磁盘占用情况对比
生成的测试数据文件占用的磁盘大小为3941MB，InfluxDB磁盘占用855MB，TDengine磁盘占用459MB。在相对比较随机数据集的情况下，TDengine的压缩比约为InfluxDB压缩比的1.86倍。

在物联网场景下，大多数采集数据的变化范围都比较小。由于TDengine采用列式存储，因此可以预期，TDengine在真实场景的压缩比表现会更好。

功能对比
TDengine与InfluxDB都能用于时序数据的处理，两者在数据库层面上功能接近。但TDengine还具备消息队列、缓存、消息订阅等大数据平台所需要的功能。使用InfluxDB，还需要集成Kafka, Redis或其他类似软件。具体对比如下：

功能支持 TDengine InfluxDB
SQL语法支持 支持 支持
Schema 需要定义 无需定义
私有化部署支持 支持 支持
水平扩展能力 支持 支持
系统连接管理 支持 支持
查询任务管理 支持 支持
数据导入工具 支持 支持
数据导出工具 支持 支持
Web管理工具 支持 支持
多介质分级存储 支持 支持
Telegraf数据采集 支持 支持
Grafana数据可视化 支持 支持
RESTFul 支持 支持
C/C++ 支持 不支持
JDBC/ODBC 支持 不支持
GO 支持 支持
Python 支持 支持
数据库参数配置 支持 支持
配置副本数 支持 支持
数据时效 支持 支持
数据分区 支持 支持
连续查询 支持 支持
数据订阅 支持 不支持
缓存 支持 不支持
微秒级精度 支持 支持
聚合函数支持 支持 支持
数据降采样 支持 支持
数据分页 支持 支持
数据插值 支持 支持
历史数据修改 不支持 支持
历史数据的标签修改 支持 不支持
时间线删除 支持 支持
数据清空 支持 支持
Matlab 接口 支持 无官方支持
R 接口 支持 无
安装包大小 1.5M 48M
总结
此次测试，从数据库的读、写、查询、压缩比等方面对TDengine和InfluxDB进行了对比测试。测试用数据集、测试程序源码、执行的SQL语句都可以从https://github.com/taosdata/tests/tree/master/comparisonTest/下载，测试具备可重复性。

从测试结果上看，TDengine的性能远超InfluxDB，写入性能约为5倍，读取性能约为35倍，聚合函数性能约为140倍，按标签分组查询性能约为250倍，按时间分组查询性能约为12倍，压缩比约为1.8倍，具体见下表

TDengine InfluxDB
写入吞吐量 1477208 记录数/秒 273820 记录数/秒
100万条记录读取时间 0.21秒 7.5秒
1亿条记录取平均值时间 0.06秒 8.44秒
1亿条记录按标签分组取均值时间 0.123秒 31.52秒
1亿条记录按时间分组取均值时间 2.549秒 31.44秒
1亿条记录的磁盘占用空间 459MB 855MB