Apache IoTDB 系列教程-2：基础 SQL 操作

今天主要介绍常用的 SQL ，包括对元数据和数据的增删改查，本文的sql都是基于 0.10.0 的，这个大版本马上发布！

正文 11018 字（大部分是 sql 和打印信息，汉字不多），预计阅读时间 10 分钟。

目前 IoTDB 的接口主要有 SQL 和 NoSQL 两种，今天介绍 SQL 接口，为了方便理解，大家可以可以在下面链接下载 0.10.0 预发布版，一边看一边试：

二进制版下载链接:

https://pan.baidu.com/s/1KWnEIIE0Duwr9TZVugib6w  

密码:dmrg

也可以源代码编译：

git clone https://github.com/apache/incubator-iotdb.git cd incubator-iotdb git fetch origin rel/0.10:rel/0.10 git checkout rel/0.10 mvn clean package -pl distribution -am -DskipTests 二进制发布包位置： distribution/target/apache-iotdb-0.10.0-SNAPSHOT-incubating-bin.zip 

好，开始！

DDL 数据定义语言

参考文档：

http://iotdb.apache.org/UserGuide/Master/Operation%20Manual/DDL%20Data%20Definition%20Language.html

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.d1 IoTDB> 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 null IoTDB> 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 previous IoTDB> 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| +-----------------------------+---------------+---+---+ 

总结

今天的基本操作就先介绍到这，具体的sql 语法可以参考官网，本文的 sql 可以粘到 CLI 里自己玩一玩~ 祝大家周末快乐！

欢迎点在看！赞赏！转发！