什么是InfluxDB？

InfluxDB介绍

InfluxDB是一款用Go语言编写的开源分布式时序、事件和指标数据库，无需 外部依赖。
该数据库现在主要用于存储涉及大量的时间戳数据，如DevOps监控数据，APP metrics, loT传感器数据和实时分析数据。
InfluxDB特征：
– 无结构(无模式)：可以是任意数量的列
– 可以设置metric的保存时间
– 支持与时间有关的相关函数(如min、max、sum、count、mean、median等)，方便统计
– 支持存储策略:可以用于数据的删改。(influxDB没有提供数据的删除与修改方法)
– 支持连续查询:是数据库中自动定时启动的一组语句，和存储策略搭配可以降低InfluxDB的系统占用量。
– 原生的HTTP支持，内置HTTP API
– 支持类似sql语法
– 支持设置数据在集群中的副本数
– 支持定期采样数据，写入另外的measurement，方便分粒度存储数据。
– 自带web管理界面，方便使用(登入方式：http://< InfluxDB-IP >:8083)

关键概念

InfluxDB关键概念列表：

| database | field key | field set | | field value | measurement | point | | retention policy | series | tag key | | tag set | tag value | timestamp |

下面举个例子进行概念介绍：
我们虚拟一组数据，其中有一张数据表(measurement)为census，该表记录了由两个科学家(langstroth和perpetua)在两个不同的位置(1和2)，统计了butterflies和honeybees的数据，时间段是2015-08-18 00: 00:00 — 2015-08-18 06: 12:00. 我们假设这些数据属于叫my_database的数据库(database)，且该数据存储在autogen的存储策略(retention policy)中。
数据展示如下：

name: census

time butterflies honeybees location scientist
2015-08-18T00:00:00Z 12 23 1 langstroth
2015-08-18T00:00:00Z 1 30 1 perpetua
2015-08-18T00:06:00Z 11 28 1 langstroth
2015-08-18T00:06:00Z 3 28 1 perpetua
2015-08-18T05:54:00Z 2 11 2 langstroth
2015-08-18T06:00:00Z 1 10 2 langstroth
2015-08-18T06:06:00Z 8 23 2 perpetua
2015-08-18T06:12:00Z 7 22 2 perpetua

我们针对数据来进行概念分析：
InfluxDB是时序数据库，所以怎么都绕不开时间,第一纵列time存储着时间戳，而时间戳是与数据进行关联，这样才能将时间和数据进行展示。
接下去两纵列(butterflies和honeybees)，称为Fields。Fields由field keys和field values组成。butterflies和honeybees两个字符串就是field keys；而butterflies这个field key对应的field values就是12 — 7, honeybees这个field key对应的field values就是23 — 22。Field values就是你的数据，它们可以是string、float、int或者bool等。因为influxdb是时序数据库，所以field values总是要和timestamp关联。

field set是在数据层之上应用概念，由field key和field value组成了field set，如这里有8组field set数据：

butterflies = 12 honeybees = 23
butterflies = 1 honeybees = 30
butterflies = 11 honeybees = 28
butterflies = 3 honeybees = 28
butterflies = 2 honeybees = 11
butterflies = 1 honeybees = 10
butterflies = 8 honeybees = 23
butterflies = 7 honeybees = 22

field是InfluxDB的必要结构，但也需要注意field是没有索引的。
剩下的两个纵列是location和scientist，它们是tags。
Tags也是由键值对(tag keys和tag values)组成。
这里的tag keys是字符串location和scientist；location 这个tag key有两个tag values: 1和2；scientist这个tag key也有两个tag values：perpetua和langstroth。
tag set也是数据之上的概念，是不同的tag key-value组合，这里有4组tag sets数据：

location = 1, scientist = langstroth
location = 2, scientist = langstroth
location = 1, scientist = perpetua
location = 2, scientist = perpetua

Tags是可选的参数，也就是说你存储的数据结构中不一定非要带tags，但是它非常好用，因为可以索引。一般都会通过tags来查询数据会快很多。

measurement包含了tags、fields和time，就类似于传统数据库的表。一个measurement可以属于不同的retention policy(存储策略)，存储策略描述了InfluxDB怎么去保持数据(DURATION)，需要在集群中存储多少份数据副本(REPLICATION)。
示例中的数据都属于census这个measurement，而该measurement又属于autogen这个存储策略。InfluxDB一般都会创建一个default存储策略，它有无限长的持续时间和等于1的副本数。

我们了解过了measurements、tag sets和retention policies的概念后，是时候该知道series了。
在同一个database中，series由retention policy、measurement、tag sets三部分组成，在我们上面的数据中有如下4个series：
|Arbitrary series number | Retention policy | Measurement |Tag set |
| —-| —– | —- | —- |
| series 1 | autogen | census | location = 1,scientist = langstroth |
| series 2 | autogen | census | location = 2,scientist = langstroth |
| series 3 | autogen | census | location = 1,scientist = perpetua |
| series 4 | autogen | census | location = 2,scientist = perpetua |

同一个Series的数据在物理上会按照时间顺序排列存储在一起。
Series的key为measurement + 所有tags的序列化字符串。
代码结构如下：

tyep Series struct {
mu sync.RWMutex Key string Tags map[string]string 
id uint64
measurement *Measurement } 

介绍完Series后，就可以解释point了。point是在一个series中有相同时间戳的field set，也可以理解如表里的一行数据。示例中一个Point：

{{{name: census

time butterflies honeybees location scientist
2015-08-18T00:00:00Z 1 30 1 perpetua}}}
上例中，series由retention policy(autogen), measurement(census)和tag set(location=1,scientist=perpetua)进行定义。而这个point的时间戳则是2015-08-18T 00: 00: 00Z。

InfluxDB Database可以有多个users、continuous queries、retention policy、measurement。因为InfluxDB是一个结构化的数据库，我们可以轻松的去新增measurements、tags、fields。

高级概念

Retention Policy
之前讲关键性概念时有简单介绍了RP，这里会进行较详细的介绍。
InfluxDB的数据保留策略(RP)是用来定义数据在数据库中存放的时间，或者定义保存某个期间的数据。
RP在InfluxDB中是比较重要的概念，因为InfluxDB本身是没有提供数据的删除操作，所以需要通过定义RP来控制数据量的问题。
(一个数据库可以有多个RP，但是每个RP必须是独一无二的。)

在具体介绍RP之前，先介绍下另外一个跟RP相关的基础概念(shard)。

shard:
每个RP下面会存在很多shard，每个shard都存储了实际编码和压缩数据，并且不重复。例如你在创建RP时指定了shard duration为1h，那么7–8点存入shard_group0,8–9点就会存入shard_group1中。所以shard才是真实存储InfluxDB数据的地方。
每个shard都属于唯一一个shard group，一个group中会有多个shard；而每个shard包含一组特定的series；所有的points都落在给定的series中，而series是都落在给定的shard group中；

问题1：每个shard group指定了一段时间区域，而且其中有多个shard；每个shard包含一组特定的series。那么shard中存的数据是怎么区分的？series是由RP、meansurement、tags组成，那么shard的区分是根据tags？？

shard duration:
shard duration决定了每个shard group存放数据的时间区域。这段时间是在定义RP时由”SHARD DURATION”字段决定。
例如你创建RP时指定了SHARD DURATION为1w,那么每个shard group的时间跨度就为1w，它将包含所有在这一周时间戳内的points。

OK，大概了解了shard之后，继续回到Retention Policy。
当你创建一个数据库时，InfluxDB会自动给你创建一个叫”autogen”的retention Policy，这个RP的数据保留时间是无限。

1.创建RP语法：

CREATE RETETION POLICY {rp_name} ON {database_name} DURATION {duration} REPLICATION {n} [SHARD DURATION {duration}] [DEFAULT]

DURATION: 用于描述数据保留时间。可设置的时间区间是1h — INF(无穷大)。
REPLICATION: 用于指定数据的备份数量，n是表示数据节点的数量。
SHARD DURATION: 用于指定shard group的时间区域，这个字段的duration是不支持INF的。默认情况下，shard group的duration由RP的duration决定。

| Retention Policy’s DURATION | Shard Group Duration |
| —- | —– |
| < 2 days | 1h |
| >= 2 days and <= 6 mouths | 1day |
| > 6 mouths | 7days |
DEFAULT: 可选参数，用于指定使用新的RP来作为数据库的默认RP。
2.修改RP语法：

ALTER RETENTION POLICY {rp_name} ON {database_name} DURATION {duration} REPLICATION {n} SHARD DURATION {duration} DEFAULT

注：
后面的参数字段都一样，主要差别就在于关键字段：ALTER RETENTION POLICY

3.删除RP语法：

DROP RETENTION POLICY {rp_name} ON {database_name} 

注：
即使你企图去删除一个不存在的rp，命令返回值也是空，不会返回一个错误码。

Continuous Queries
之前我们介绍了数据保存策略，数据超过保存策略里指定的时间之后，就会被删除。但我们不想完全删除这些数据，比如我们想把每秒的监控数据至少保留成每小时，就需要用到连续查询(Continuous Queries)功能。
连续查询主要用在将数据归档，以降低系统空间的占用率，但这主要是以降低数据精度为代价。

基本语法：

CREATE CONTINUOUS QUERY {cq_name} ON {database_name} BEGIN {cq_query} END

注：cq_name表示创建的Continuous query的名字；database_name表示要操作的数据库。

cq_query是操作函数，如下：

SELECT {function[s]} INTO {destnation_measurement} FROM {measurement} [WHERE {stuff}] GROUP BY time({interval})[,{tag_key[s]}]

注：destnation_measurement表示新生成的数据存放的表；measurement表示数据查询的表；
GROUP BY time表示采样分析的数据时间，比如设置1h，如果当前是17:00,那么需要计算的数据时间就是16:00 — 16：59。

例子1： 自动降低精度来采样数据

CREATE CONTINUOUS QUERY "cq_basic" ON "transportation" BEGIN
SELECT mean("passengers") INTO "average_passengers" FROM "bus_data" GROUP BY time(1h) END 查看结果： > SELECT * FROM "average_passengers"

name: average_passengers

time mean
2016-08-28T07:00:00Z 7 2016-08-28T08:00:00Z 13.75

连续查询（cq_basic）通过在数据库”transportation”中的”bus_data”表，计算每小时平均的旅客数，然后在该数据库中新建”average_passengers”表，并将数据存入该表中。该cq_basic每小时执行一遍，然后将每个小时的point写入表中。

例子2：自动降低精度来采样数据，并将数据存入另外一个Retention Policy(RP)

CREATE CONTINUOUS QUERY "cq_basic_rp" ON "transportation" BEGIN
SELECT mean("passengers") INTO "transportation"."three_weeks"."average_passengers" FROM "bus_data" GROUP BY time(1h) END 查看结果： > SELECT * FROM "transportation"."three_weeks"."average_passengers"

name: average_passengers

time mean
2016-08-28T07:00:00Z 7 2016-08-28T08:00:00Z 13.75

连续查询（cq_basic_rp）通过在数据库”transportation”中的”bus_data”表，计算每小时平均的旅客数，然后将数据存入transportation数据库中的three_weeks(RP)的average_passengers表中。该cq_basic_rp每小时执行一遍，然后将每个小时的point写入表中。

例子3：采用通配符，自动降低精度采样数据

CREATE CONTINUOUS QUERY "cq_basic_br" ON "transportation" BEGIN
SELECT mean(*) INTO "dowmsample_transportation"."autogen".:MEASUREMENT FROM /.*/ GROUP BY time(30m),* END 查看结果： > SELECT * FROM "downsample_transportation"."autogen"."bus_data"

name: bus_data

time mean_complaints mean_passengers
2016-08-28T07:00:00Z 9 6.5 2016-08-28T07:30:00Z 9 7.5 2016-08-28T08:00:00Z 8 11.5 2016-08-28T08:30:00Z 7 16

连续查询（cq_basic_br），计算数据库(transportation)中每张表(这里只有一张表”bus_data”)，每30分钟平均的旅客数和投诉量，然后将数据存入downsample_transportation数据库中的autogen(RP)中。该cq_basic_br每30分钟执行一遍，然后将每个小时的point写入表中。

例子4：配置CQ的时间偏移，来采集数据：

CREATE CONTINUOUS QUERY "cq_basic_offset" ON "transportation" BEGIN
SELECT mean("passengers") INTO "average_passengers" FROM "bus_data" GROUP BY time(1h,15m) END 查看结果： > SELECT * FROM "average_passengers"

name: average_passengers

time mean
2016-08-28T07:15:00Z 7.75 //注意时间是从7:15 -- 8:15 2016-08-28T08:15:00Z 16.75

该CQ(cq_basic_offset)，设置了每整点往后偏移15分钟，再进行每小时的平均值计算。比如会将8 : 15–9: 15，来代替8: 00–9: 00。

高级语法：

CREATE CONTINUOUS QUERY {cq_name} ON {database_name}
RESAMPLE EVERY {val1} FOR {val2} BEGIN {cq_query} END

注意：
cq_name、database_name、cq_query和之前的基本语法都一致。
EVERY后面带的时间，表示每val1点时间就触发一次数据采样，而数据的区间是和cq_query、FOR有关。在这段时间内每val1点时间再采集一次。比如cq_query设置1h，val1设置为30m,表示在1h内会有两次数据计算。比如8点–9点之间就会有两次数据的计算，第一次计算是8:30触发的，计算的区间是8:00–8:30，第二次计算是9:00触发的，计算的区间是8:00–9:00。在目的数据库中，默认第二次的计算结果会覆盖第一次的计算结果。
FOR后面带的时间，表示修改了cq_query计算的数据区间，比如cq_query时间设置为30m，val2设置的是1h。那么cq每30m会触发一次数据计算，计算的区间是(now-1h)–now。

示例数据： 给下面的例子使用

{{{name: bus_data

time passengers
2016-08-28T06:30:00Z 2
2016-08-28T06:45:00Z 4
2016-08-28T07:00:00Z 5
2016-08-28T07:15:00Z 8
2016-08-28T07:30:00Z 8
2016-08-28T07:45:00Z 7
2016-08-28T08:00:00Z 8
2016-08-28T08:15:00Z 15
2016-08-28T08:30:00Z 15
2016-08-28T08:45:00Z 17
2016-08-28T09:00:00Z 20}}}

例子1：配置执行间隔

CREATE CONTINUOUS QUERY "cq_advanced_every" ON "transportation"
RESAMPLE EVERY 30m BEGIN
SELECT mean("passengers") INTO "average_passengers" FROM "bus_data" GROUP BY time(1h) END 中间的执行过程： At 8:00, cq_advanced_every executes a query with the time range WHERE time >= '7:00' AND time < '8:00'.
cq_advanced_every writes one point to the average_passengers measurement:

name: average_passengers

time mean
2016-08-28T07:00:00Z 7 At 8:30, cq_advanced_every executes a query with the time range WHERE time >= '8:00' AND time < '9:00'.
cq_advanced_every writes one point to the average_passengers measurement:

name: average_passengers

time mean
2016-08-28T08:00:00Z 12.6667 At 9:00, cq_advanced_every executes a query with the time range WHERE time >= '8:00' AND time < '9:00'.
cq_advanced_every writes one point to the average_passengers measurement:

name: average_passengers

time mean
2016-08-28T08:00:00Z 13.75 查看结果： > SELECT * FROM "average_passengers"

name: average_passengers

time mean
2016-08-28T07:00:00Z 7 2016-08-28T08:00:00Z 13.75

cq_advanced_every在8点–9点执行了两次。第一次8:30触发，因为cq_query设置了1h,所以数据区间是8: 00–9: 00,但因为是在8:30触发的，8: 30–9: 00的数据还没产生呢，所以实际采集的数据区间是在8: 00–8: 30,即数据(8, 15, 15), 计算的平均值为12.6667；第二次9:00触发，计算的区间是8: 00–9: 00，即数据(8, 15, 15, 17)，计算的平均值为13.75.

例子2：配置重采样的时间区间

CREATE CONTINUOUS QUERY "cq_advanced_for" ON "transportation"
RESAMPLE FOR 1h BEGIN
SELECT mean("passengers") INTO "average_passengers" FROM "bus_data" GROUP BY time(30m) END 采样过程： At 8:00 cq_advanced_for executes a query with the time range WHERE time >= '7:00' AND time < '8:00'.
cq_advanced_for writes two points to the average_passengers measurement:

name: average_passengers

time mean
2016-08-28T07:00:00Z 6.5 2016-08-28T07:30:00Z 7.5 At 8:30 cq_advanced_for executes a query with the time range WHERE time >= '7:30' AND time < '8:30'.
cq_advanced_for writes two points to the average_passengers measurement:

name: average_passengers

time mean
2016-08-28T07:30:00Z 7.5 2016-08-28T08:00:00Z 11.5 At 9:00 cq_advanced_for executes a query with the time range WHERE time >= '8:00' AND time < '9:00'.
cq_advanced_for writes two points to the average_passengers measurement:

name: average_passengers

time mean
2016-08-28T08:00:00Z 11.5 2016-08-28T08:30:00Z 16 结果查询： > SELECT * FROM "average_passengers"

name: average_passengers

time mean
2016-08-28T07:00:00Z 6.5 2016-08-28T07:30:00Z 7.5 2016-08-28T08:00:00Z 11.5 2016-08-28T08:30:00Z 16

该cq_advanced_for，每30m重采样一次，采样的区间是(now-1h — now), 也就是每触发一次执行，就会进行两次计算。因为采样的区间是1h，而需要计算的是每30m的平均值。

例子3：配置cq的执行区间和时间范围

CREATE CONTINUOUS QUERY "cq_advanced_every_for" ON "transportation"
RESAMPLE EVERY 1h FOR 90m BEGIN
SELECT mean("passengers") INTO "average_passengers" FROM "bus_data" GROUP BY time(30m) END 采样过程： At 8:00 cq_advanced_every_for executes a query with the time range WHERE time >= '6:30' AND time < '8:00'.
cq_advanced_every_for writes three points to the average_passengers measurement:

name: average_passengers

time mean
2016-08-28T06:30:00Z 3 2016-08-28T07:00:00Z 6.5 2016-08-28T07:30:00Z 7.5 At 9:00 cq_advanced_every_for executes a query with the time range WHERE time >= '7:30' AND time < '9:00'.
cq_advanced_every_for writes three points to the average_passengers measurement:

name: average_passengers

time mean
2016-08-28T07:30:00Z 7.5 2016-08-28T08:00:00Z 11.5 2016-08-28T08:30:00Z 16 结果查询： > SELECT * FROM "average_passengers"

name: average_passengers

time mean
2016-08-28T06:30:00Z 3 2016-08-28T07:00:00Z 6.5 2016-08-28T07:30:00Z 7.5 2016-08-28T08:00:00Z 11.5 2016-08-28T08:30:00Z 16

该cq_advanced_every_for，需要计算30m的平均值，每1小时触发一次cq执行,采样的数据区间是90m，所以每触发一次就会计算3次平均值。

例子4：配置CQ的采样时间区间，并且填充空结果

CREATE CONTINUOUS QUERY "cq_advanced_for_fill" ON "transportation"
RESAMPLE FOR 2h BEGIN
SELECT mean("passengers") INTO "average_passengers" FROM "bus_data" GROUP BY time(1h) fill(1000) END 采样过程： At 6:00, cq_advanced_for_fill executes a query with the time range WHERE time >= '4:00' AND time < '6:00'.
cq_advanced_for_fill writes nothing to average_passengers; bus_data has no data that fall within that time range. At 7:00, cq_advanced_for_fill executes a query with the time range WHERE time >= '5:00' AND time < '7:00'.
cq_advanced_for_fill writes two points to average_passengers:

name: average_passengers

time mean
2016-08-28T05:00:00Z 1000 <------ fill(1000) 2016-08-28T06:00:00Z 3 <------ average of 2 and 4 […] At 11:00, cq_advanced_for_fill executes a query with the time range WHERE time >= '9:00' AND time < '11:00'.
cq_advanced_for_fill writes two points to average_passengers:

name: average_passengers

2016-08-28T09:00:00Z 20 <------ average of 20 2016-08-28T10:00:00Z 1000 <------ fill(1000) At 12:00, cq_advanced_for_fill executes a query with the time range WHERE time >= '10:00' AND time < '12:00'.
cq_advanced_for_fill writes nothing to average_passengers; bus_data has no data that fall within that time range. 结果查询： > SELECT * FROM "average_passengers"

name: average_passengers

time mean
2016-08-28T05:00:00Z 1000 2016-08-28T06:00:00Z 3 2016-08-28T07:00:00Z 7 2016-08-28T08:00:00Z 13.75 2016-08-28T09:00:00Z 20 2016-08-28T10:00:00Z 1000

该cq_advcanced_for_fill，增加了空数据区的默认值填充，使用fill(value)来实现。

连续查询使用案例：

1.实现重采样和数据保留：
使用CQ和retention policy配合达到该功能。可以降低数据库存储压力。

2.预先计算来解决费时的查询：
CQ会自动进行重采样，将高精度的数据转换为低精度的数据。低精度的数据查询会耗费更少的资源和时间。

3.替代HAVING条款：
InfluxDB不支持HAVING字段，需要使用CQ+别的命令来实现替换。
例子：

SELECT mean("bees") FROM "farm" GROUP BY time(30m) HAVING mean("bees") > 20

以上的命令，InfluxDB不支持。其实就是需要实现采集30m的平均值，然后取那些大于20的值。
InfluxDB的替代方案：
– 先创建CQ：

CREATE CONTINUOUS QUERY "bee_cq" ON "mydb" BEGIN
SELECT mean("bees") AS "mean_bees" INTO "aggregate_bees" FROM "farm" GROUP BY time(30m) END

该创建的CQ，每30m进行bees的平均值计算，并将结果写入aggregate_bees表中的mean_bees field中。
– 查询CQ结果：
这一步就是需要运行HAVING mean(“bees”) > 20这条命令。InfluxDB命令使用如下：

SELECT "mean_bees" FROM "aggregate_bees" WHERE "mean_bees" > 20

4.替代内嵌函数：
InfluxDB不支持内嵌函数，比如：

SELECT mean(count("bees")) FROM "farm" GROUP BY time(30m)

替换上述方案：
– 创建CQ:

CREATE CONTINUOUS QUERY "bee_cq" ON "mydb" BEGIN
SELECT count("bees") AS "count_bees" INTO "aggregate_bees" FROM "farm" GROUP BY time(30m) END

– 查询CQ结果：
这一步就是需要执行mean([…])这条命令，其实就是计算某段区间的count(“bees”)平均值,如下：

SELECT mean("count_bees") FROM "aggregate_bees" WHERE time >= {start_time} AND time <= {end_time} 

Kapacitor是InfluxData的数据处理引擎，它可以达到CQ一样的功能。参考HERE

InfluxDB使用

数据库配置

参考Here

Database

1.查询：

SHOW DATABASES 

2.创建：

CREATE DATABASE {database_name} [WITH [DURATION <duration>] [REPLICATION <n>] [SHARD DURATION <duration>] [NAME <retention-policy-name>]]

注：WITH带的这段属性，就是Retention Policy的，可以参考它。

3.删除：

DROP DATABASE {database_name} 

RETENTION POLICY

1.查询：

SHOW RETETION POLICIES

2.创建：

CREATE RETENTION POLICY {retention_policy_name} ON {database_name} DURATION {duration} REPLICATION {n} [SHARD DURATION {duration}] [DEFAULT]

3.修改：

ALTER RETENTION POLICY {rp_name} ON {database_name} DURATION {duration} REPLICATION {n} SHARD DURATION {duration} DEFAULT

4.删除：

DROP RETENTION POLICY {rp_name} ON {database_name} 

CONTINUOUS QUERY

1.查询：

SHOW CONTINUOUS QUERY

2.创建：
参考之前的例子，介绍了较多的创建方式。

3.删除：

DROP CONTINUOUS QUERY {cq_name} ON {database_name} 

举了部分例子，具体的可以再查看官方资料。

API

InfluxDB API提供了较简单的方式用于数据库交互。该API使用了HTTP的方式，并以JSON格式进行返回。
下面对API进行介绍：

支持的Endpoints

| Endpoint | 描述 |
| —- | —- |
| /ping | 使用/ping用于检查InfluxDB的状态或者版本信息 |
| /query | 使用/query用于查询数据，管理数据库、rp、users等 |
| /write | 使用/write去写数据到数据库中 |

/ping

/ping支持GET和HEAD，都可用于获取指定信息。
定义：
– GET http://localhost:8086/ping
– HEAD http://localhost:8086/ping

示例：
获取InfluxDB版本信息：

$ curl -sl -I http://localhost:8086/ping
HTTP/1.1 204 No Content Request-Id: 245a330d-baba-11e6-8098-000000000000
X-Influxdb-Version: 0.9.4.1 Date: Mon, 05 Dec 2016 07:12:11 GMT

### /query ###
/query支持GET和POST的HTTP请求。可用于查询数据和管理数据库、rp、users。
定义：
– GET http://localhost:8086/query
– POST http://localhost:8086/query

用法说明：

| 动作 | 查询类型 |
| —- | —— |
| GET | 用于所有数据的查询： SELECT * SHOW|
| POST | 支持的动作如下：ALTER CREATE DELETE DROP GRANT KILL REVOKE |

只有SELECT特殊点，支持INTO字段

示例：
1.使用SELECT查询数据：

$ curl -G 'http://localhost:8086/query?db=mydb' --data-urlencode 'q=SELECT * FROM "mymeas"' {"results":[{"series":[{"name":"mymeas","columns":["time","myfield","mytag1","mytag2"],"values":[["2016-05-20T21:30:00Z",12,"1",null],["2016-05-20T21:30:20Z",11,"2",null],["2016-05-20T21:30:40Z",18,null,"1"],["2016-05-20T21:31:00Z",19,null,"3"]]}]}]} 

再使用额外的INTO字段：

$ curl -XPOST 'http://localhost:8086/query?db=mydb' --data-urlencode 'q=SELECT * INTO "newmeas" FROM "mymeas"' {"results":[{"series":[{"name":"result","columns":["time","written"],"values":[["1970-01-01T00:00:00Z",4]]}]}]} 

2.创建数据库：

$ curl -XPOST 'http://localhost:8086/query' --data-urlencode 'q=CREATE DATABASE "mydb"' {"results":[{}]} 

Query参数说明：

| 参数 | 是否可选 | 描述 |
| —- | —- | —- |
| chunked=[true or {number_of_points}] | 可选 | 返回批量的points信息，以代替单个响应。设置成true，InfluxDB返回一批series或者10000个points；或者设置对应的points数量 |
| db={db_name} | 必选 | 设置数据库名 |
| epoch=[h,m,s,ms,u,ns] | 可选 | 指定时间戳的精度，默认是ns |
| p={password} | 可选 | 如果设置了认证，则需要用户密码 |
| pretty=true | 可选 | 优化输出格式，设置之后会议json格式进行输出，利于调试 |
| rp={rp_name} | 可选 | 设置查询的rp。如果没有设置，则查询默认的rp |
| u={username} | 可选 | 如果设置了认证，则需要用户密码 |

示例1：使用http认证来创建数据库：

$ curl -XPOST 'http://localhost:8086/query?u=myusername&p=mypassword' --data-urlencode 'q=CREATE DATABASE "mydb"' {"results":[{}]} 

示例2：使用基础认证来创建数据库：

$ curl -XPOST -u myusername:mypassword 'http://localhost:8086/query' --data-urlencode 'q=CREATE DATABASE "mydb"' {"results":[{}]} 

数据请求体：

--data-urlencode 'q=<influxDB query>'

– 可支持多条请求命令： 需要使用分号(;)，来进行命令分隔
– 可支持导入文件的格式进行查询： 如果文件中使用了多条请求命令，则也需要使用分号(;)进行分隔

语法：
curl -F "q=@<path_to_file>" -F "async=true" http://localhost:8086/query

– 以CSV的格式返回请求结果：

语法：
curl -H "Accept: application/csv" -G 'http://localhost:8086/query [...]

– 支持绑定参数：
该API支持使用WHERE绑定参数，来进行指定field values或者tag vaules。

Query语法： --data-urlencode 'q= SELECT [...] WHERE [ < field_key > | < tag_key > ] = $< placeholder_key >' Map语法： --data-urlencode 'params={"< placeholder_key >":[ < placeholder_float_field_value > | < placeholder_integer_field_value > | "< placeholder_string_field_value >" | < placeholder_boolean_field_value > | "< placeholder_tag_value >" ]}'

示例1：发送多条Query命令

$ curl -G 'http://localhost:8086/query?db=mydb&epoch=s' --data-urlencode 'q=SELECT * FROM "mymeas";SELECT mean("myfield") FROM "mymeas"' {"results":[{"series":[{"name":"mymeas","columns":["time","myfield","mytag1","mytag2"],"values":[[1463779800,12,"1",null],[1463779820,11,"2",null],[1463779840,18,null,"1"],[1463779860,19,null,"3"]]}]},{"series":[{"name":"mymeas","columns":["time","mean"],"values":[[0,15]]}]}]} 

示例2：以CSV格式返回请求结果

$ curl -H "Accept: application/csv" -G 'http://localhost:8086/query?db=mydb' --data-urlencode 'q=SELECT * FROM "mymeas" LIMIT 3'

name,tags,time,tag1,tag2,value
mymeas,,1478030187213306198,blue,tag2,23
mymeas,,1478030189872408710,blue,tag2,44
mymeas,,1478030203683809554,blue,yellow,101

示例3：通过文件的形式导入Queries

$ curl -F "q=@queries.txt" -F "async=true" 'http://localhost:8086/query' 文本内容如下:
CREATE DATABASE mydb;
CREATE RETENTION POLICY four_weeks ON mydb DURATION 4w REPLICATION 1;

示例4：通过WHERE字段指定tag value

$ curl -G 'http://localhost:8086/query?db=mydb' --data-urlencode 'q=SELECT * FROM "mymeas" WHERE "mytagkey" = $tag_value' --data-urlencode 'params={"tag_value":"mytagvalue1"}' {"results":[{"series":[{"name":"mymeas","columns":["time","myfieldkey","mytagkey"],"values":[["2016-09-05T18:25:08.479629934Z",9,"mytagvalue1"],["2016-09-05T18:25:20.892472038Z",8,"mytagvalue1"],["2016-09-05T18:25:30.408555195Z",10,"mytagvalue1"],["2016-09-05T18:25:39.108978991Z",111,"mytagvalue1"]]}]}]} 

示例5：通过WHERE字段指定数字区间

$ curl -G 'http://localhost:8086/query?db=mydb' --data-urlencode 'q=SELECT * FROM "mymeas" WHERE "myfieldkey" > $field_value' --data-urlencode 'params={"field_value":9}' {"results":[{"series":[{"name":"mymeas","columns":["time","myfieldkey","mytagkey"],"values":[["2016-09-05T18:25:30.408555195Z",10,"mytagvalue1"],["2016-09-05T18:25:39.108978991Z",111,"mytagvalue1"],["2016-09-05T18:25:46.587728107Z",111,"mytagvalue2"]]}]}]} 

示例6：通过WHERE字段指定多个条件

$ curl -G 'http://localhost:8086/query?db=mydb' --data-urlencode 'q=SELECT * FROM "mymeas" WHERE "mytagkey" = $tag_value AND "myfieldkey" > $field_value' --data-urlencode 'params={"tag_value":"mytagvalue2","field_value":9}' {"results":[{"series":[{"name":"mymeas","columns":["time","myfieldkey","mytagkey"],"values":[["2016-09-05T18:25:46.587728107Z",111,"mytagvalue2"]]}]}]} 

/write

/wirte只支持POST的HTTP请求，使用该Endpoint可以写数据到已存在的数据库中。

定义：

POST http://localhost:8086/write

Query参数说明：

| 参数 | 是否可选 | 描述 |
| —- | —- | —- |
| consistency=[any,one,quorum,all] | 可选 | 设置point的写入一致性，默认是one.详细的请参考HERE |
| db={db_name} | 必选 | 设置数据库名 |
| precision=[h,m,s,ms,u,n] | 可选 | 指定时间戳的精度，默认是ns |
| p={password} | 可选 | 如果设置了认证，则需要用户密码 |
| rp={rp_name} | 可选 | 设置查询的rp。如果没有设置，则查询默认的rp |
| u={username} | 可选 | 如果设置了认证，则需要用户密码 |

示例1：使用秒级的时间戳，将一个point写入数据库mydb

$ curl -i -XPOST "http://localhost:8086/write?db=mydb&precision=s" --data-binary 'mymeas,mytag=1 myfield=90 1463683075'

示例2：将一个point写入数据库mydb，并指定RP为myrp

$ curl -i -XPOST "http://localhost:8086/write?db=mydb&rp=myrp" --data-binary 'mymeas,mytag=1 myfield=90'

示例3：使用HTTP认证的方式，将一个point写入数据库mydb

$ curl -i -XPOST "http://localhost:8086/write?db=mydb&u=myusername&p=mypassword" --data-binary 'mymeas,mytag=1 myfield=91'

示例4：使用基础认证的方式，将一个point写入数据库mydb

$ curl -i -XPOST -u myusername:mypassword "http://localhost:8086/write?db=mydb" --data-binary 'mymeas,mytag=1 myfield=91'

数据请求体：

--data-binary '<Data in Line Protocol format>'

所有写入的数据必须是二进制，且使用Line Protocol格式。

示例1：写多个points到数据库中,需要使用新的一行

$ curl -i -XPOST "http://localhost:8086/write?db=mydb" --data-binary 'mymeas,mytag=3 myfield=89
mymeas,mytag=2 myfield=34 1463689152000000000'

示例2：通过导入文件的形式，写入多个points。需要使用@来指定文件

$ curl -i -XPOST "http://localhost:8086/write?db=mydb" --data-binary @data.txt
文件内容如下
mymeas,mytag1=1 value=21 1463689680000000000
mymeas,mytag1=1 value=34 1463689690000000000
mymeas,mytag2=8 value=78 1463689700000000000
mymeas,mytag3=9 value=89 1463689710000000000

响应的状态码：

| HTTP状态码 | 描述 |
| ———-| —–|
| 204 No Content | 成功 |
| 400 Bad Request | 不能接受的请求。可能是Line Protocol语法错误；写入错误的field values类型；等。。 |
| 404 Not Fount | 不能接受的请求。可能是数据库不存在，或者别的原因 |
| 500 Internal Server Error | 系统超负荷了或者明显受损。可能是用户企图去写一个不存在的RP。或者别的原因 |

InfluxDB集群化

> InfluxDB v0.12及以上版本已经不再开源其集群部分代码，转为商业版本功能。

可以参考支持集群的最新版本v0.11。

InfluxDB支持任意大小的集群，支持任何大小的数据副本(从1到集群node数量)。

InfluxDB集群支持3中类型的node： 一致性Nodes、数据Nodes、混合Nodes。集群需要运行一致性服务的花，必须要保持奇数的Nodes来组成大量的consensus group，并且保持集群在一个健康状态。

集群设置

使用3个混合Nodes来搭建集群。
1.安装InfluxDB到各个Node上，先不启用服务。
2.修改节点上的InfluxDB配置：
配置文件是”/etc/influxdb/influxdb.conf”,配置如下：

[meta]
enabled = true ...
bind-address = "<IP>:8088" ...
http-bind-address = "<IP>:8091" ... [data]
enabled = true ... [http] ...
bind-address = "<IP>:8086"

– 设置[meta] enabled = true, [data] enabled = true。
– [meta] bind-address 是集群IP，用于集群范围交互。
– [meta] http-bind-address Node的IP地址，用于Node级别交互。
– [http] bind-address 用于HTTP API。

3.在每个节点上指明所有的Node信息：
设置/etc/default/influxdb文件中的INFLUXD_OPTS:
INFLUXD_OPTS=”-join < IP1 >:8091,< IP2 >:8091,< IP3 >:8091″

IP1,IP2,IP3分别对应着各个Nodes的IP地址或者hostname。

4.开启每个节点的服务：

sudo service influxdb start

5.确认集群是否健康：
在influx的CLI命令行中，使用SHOW SERVERS命令查看健康情况：

> SHOW SERVERS

name: data_nodes

id http_addr tcp_addr
1 <IP1>:8086 <IP1>:8088 2 <IP2>:8086 <IP2>:8088 3 <IP3>:8086 <IP3>:8088

name: meta_nodes

id http_addr tcp_addr
1 <IP1>:8091 <IP1>:8088 2 <IP2>:8091 <IP2>:8088 3 <IP3>:8091 <IP3>:8088

向集群增加节点

只要你的集群是健康的运行，就可以向集群中增加节点。
步骤都基本一样，需要注意第4步，你需要把新增的节点都改到所有的INFLUXD_OPTS中去，包括自己的。

删除集群节点

语法：

drop_server_stmt = "DROP (META | DATA) SERVER" (server_id)

示例：
– 删除consensus node，在集群中的id是1：

DROP META SERVER 1

– 删除data node,在集群中的id是2：

DROP DATA SERVER 2

– 删除hybrid node，在集群中的meta node id是3，data node id是3：

DROP META SERVER 3
DROP DATA SERVER 3

本文转自中文社区- Kubernetes监控InfluxDB介绍