GreptimeDB 是 Rust 实现的开源时序数据库，尤其关注可扩展性、分析能力和效率，专为云时代的基础设施而设计。
功能
- 提供可扩展到高可用分布式集群的独立二进制文件
- 优化处理时序数据的柱状布局
- 提供灵活的索引选项
- 利用弹性计算资源的分布式并行查询
- 提供用于高级分析场景的原生 SQL 和 Python 脚本
- 使用广泛采用的数据库协议和 API
- 适用于大量工作负载的可扩展表引擎架构
架构
![]()
GreptimeDB 核心组件：
Frontend 前端用于在各种协议中提供读写服务，将请求转发到 DatanodeDatanode 负责将数据存储到本地磁盘、S3 等持久化存储中Meta server 后端负责协调 Frontend 和 Datanode 之间的操作
近日，GreptimeDB 发布了 0.1 版本，并在公告写道，自去年 11 月开源以来，已经近 4 个月，团队将之前设定的里程碑拆分成了 v0.1， v0.2 和 v0.3 三个小阶段，最终希望可以在 v0.3 交付一个单机可靠，分布式可用的产品。
![]()
以下内容摘录自 https://mp.weixin.qq.com/s/U0LdbvilVFpLBUK-zbRgrw。
GreptimeDB v0.1
Features
是的，作为一个 LSM Tree 架构怎能没有 Compaction，GreptimeDB 终于支持 Compaction 了。通过 Compaction 也支持了数据的基于 TTL 的淘汰。
通过 OpenDAL， GreptimeDB 较容易地实现了对 S3 和 OSS 对象存储的支持。
引入 Python 脚本功能与 DataFrame API 以及第三方 Python 库的支持，可作为协处理器和用户自定义函数 （UDF） 使用。
PromQL 在云原生可观测领域已是公认使用最广泛的查询语言了。因此，尽管挑战很大，我们决定在 GreptimeDB 中原生支持 PromQL。目前我们已经初步实现了 PromQL 原生支持，尽管还不能通过官方兼容性测试中的所有 cases，但随着 GreptimeDB 0.1 版本发布，其已经初步可用。对于这个兼容性测试，我们计划在 GreptimeDB v0.2 版本中通过一半以上的 test cases，在 v0.3 版本中通过 70% 以上。
Protocol
基于 Arrow Flight RPC 构建，相比原来的 gRPC 私有协议，现在更加简洁高效，也很方便多种语言利用 Arrow Flight 的 SDK 直接与 GreptimeDB 通信。对 Stream 的支持也更方便。
文档见:https://docs.greptime.com/developer-guide/how-to/how-to-write-sdk
- MySQL & PostgreSQL 支持 TLS
为了数据的传输安全，MySQL 和 PostgreSQL 支持 TLS 是十分有必要的。另外与 HTTP 或 gRPC 不同，数据库协议有自己的 TLS 握手过程，因此我们在数据库这一层来支持了 TLS。
Clients
- 基于Arrow Flight RPC通信的Java SDK[1]
- 基于 Arrow Flight RPCGo SDK[2]正在开发
Refactor
GreptimeDB 最初重度使用了 Arrow2，但是 DataFusion 的 Arrow2 分支已不再维护，所以我们决定切换到 Arrow，这样我们就可以跟上最新的 DataFusion 版本了，这是一个具有巨大挑战的任务，很高兴我们顺利完成了。
除了以上列出的内容外，我们还有大大小小的 PRs 491 个，包括了各种功能准备，重构，bug 修复和文档完善等。另外，我们也将自己的一些经验回馈到开源社区，包括向 DataFusion[3],sqlness[4], Parquet2[5], Datafusion-Substrait[6], RustPython[7],OpenDAL[8] 等外部项目提交了贡献代码。
未来的计划
GreptimeDB
我们会按计划在 5 月份 release v0.3，目标是可达到单机可靠，分布式可用的程度。其中 “可靠” 主要体现在性能和稳定性上，但既然是单机，无论性能还是稳定性都是有一定上限，所以我们也会逐步完善分布式的版本。对于单机已经能满足要求的用户来讲，GreptimeDB v0.3 将会给到建议可用的单机版本。
而如果对可靠性和扩展性要求比较高的用户，我们也将在今年下半年完善分布式功能，计划年末提供分布式 GA ( General Availability ) 版本。
功能方面，我们还是会专注在数据的采集、存储和分析的生命周期，落地在用户实际场景问题，重点会在查询性能、存储降本和分布式方面，包括：
- PromQL 查询性能优化
- Python scripts 支持 MapReduce 框架，更高效地处理分布式计算
- 查询引擎的优化，向量化查询、智能索引和 Cost-Based Optimizer 等
- 存储和计算分离，存与算均可做到自动化伸缩
- 采用自适应压缩算法，一份数据支撑时序模型与分析模型的混合负载，降低存储成本
