Für ähnliche Funktionen wie Amazon Timestream für sollten Sie Amazon Timestream for LiveAnalytics InfluxDB in Betracht ziehen. Es bietet eine vereinfachte Datenaufnahme und Antwortzeiten im einstelligen Millisekundenbereich für Analysen in Echtzeit. [Erfahren](https://docs.aws.amazon.com//timestream/latest/developerguide/timestream-for-influxdb.html) Sie hier mehr. Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # Daten aus Timestream für InfluxDB 3 abfragen Amazon Timestream for InfluxDB 3 bietet mehrere Abfragen APIs und Protokolle zum Abrufen Ihrer Zeitreihendaten. Die Plattform unterstützt sowohl SQL- als auch InfluxQL-Abfragesprachen über die Protokolle HTTP and Flight (gRPC) und bietet Flexibilität für unterschiedliche Anwendungsfälle und Kundenpräferenzen. ## Übersicht über die Abfragemethoden InfluxDB 3 unterstützt die folgenden Abfragemethoden: + Native v3-HTTP-API — SQL- und InfluxQL-Abfragen über REST-Endpunkte. + influxdb3 CLI — Befehlszeilenschnittstelle für interaktive Abfragen. + Flight\+gRPC Protocol — Leistungsstarkes Binärprotokoll für Client-Bibliotheken. + v1-Kompatibilitäts-API — Legacy-InfluxQL-Abfragen für Abwärtskompatibilität. ### Verwenden der v3-HTTP-Abfrage-API Die v3-API bietet spezielle Endpunkte für SQL- und InfluxQL-Abfragen mit Unterstützung sowohl für GET- als auch für POST-Methoden. #### SQL-Abfragen () `/api/v3/query_sql` Beispiel für eine GET-Anfrage: ``` curl --get "https://your-cluster-endpoint:8086/api/v3/query_sql" \ --header "Authorization: Bearer YOUR_TOKEN" \ --data-urlencode "db=DATABASE_NAME" \ --data-urlencode "q=SELECT * FROM home WHERE time >= now() - INTERVAL '1 day'" ``` Beispiel für eine POST-Anforderung (für komplexe Abfragen): ``` curl "https://your-cluster-endpoint:8086/api/v3/query_sql" \ --header "Authorization: Bearer YOUR_TOKEN" \ --json '{ "db": "DATABASE_NAME", "q": "SELECT * FROM home WHERE room = '\''Kitchen'\'' AND temp > 20", "format": "jsonl" }' ``` #### InfluxQL-Abfragen () `/api/v3/query_influxql` Gehen Sie für InfluxQL-Abfragen wie folgt vor: ``` curl --get "https://your-cluster-endpoint:8086/api/v3/query_influxql" \ --header "Authorization: Bearer YOUR_TOKEN" \ --data-urlencode "db=DATABASE_NAME" \ --data-urlencode "q=SELECT mean(temp) FROM home WHERE time >= now() - 1d GROUP BY room" ``` #### Abfrageparameter Sie können die folgenden Abfrageparameter verwenden: | **Parameter** | **Beschreibung** | **Erforderlich** | | --- | --- | --- | | db | Datenbankname | Ja | | q | Abfragezeichenfolge (SQL oder InfluxQL) | Ja | | format | Antwortformat (json, jsonl, csv, pretty, parquet) | Nein (Standard: json) | | params | Parameter für parametrisierte Abfragen | Nein | #### Verwenden der Influxdb3-CLI Die InfluxDB 3-Befehlszeilenschnittstelle (CLI) wird mit dem Befehl aufgerufen. `influxdb3` Es bietet eine interaktive Möglichkeit, Ihre Daten mit Unterstützung für mehrere Ausgabeformate abzufragen. Im Folgenden wird eine grundlegende Abfrage gezeigt: ``` influxdb3 query \ --host "your-cluster-endpoint:8086" \ --token "YOUR_TOKEN" \ --database "DATABASE_NAME" \ "SELECT * FROM home WHERE time >= now() - INTERVAL '1 day'" ``` Im Folgenden wird eine Abfrage mit unterschiedlichen Ausgabeformaten gezeigt: ``` # JSON output influxdb3 query \ --database "DATABASE_NAME" \ --format json \ "SELECT * FROM home LIMIT 10" # CSV output influxdb3 query \ --database "DATABASE_NAME" \ --format csv \ "SELECT * FROM home LIMIT 10" # Parquet file output influxdb3 query \ --database "DATABASE_NAME" \ --format parquet \ --output results.parquet \ "SELECT * FROM home" ``` Die folgenden Ausgabeformate werden unterstützt: + pretty (Standard) — Für Menschen lesbares Tabellenformat. + json — Standard-JSON-Array. + jsonl — JSON-Zeilen (Streaming-freundlich). + csv — Kommagetrennte Werte. + parquet — Binäres Spaltenformat (erfordert Dateiausgabe). ### Verwenden der v1-Kompatibilitäts-API Verwenden Sie für ältere InfluxQL-Abfragen den `/query` Endpunkt: ``` curl --get "https://your-cluster-endpoint:8086/query" \ --header "Authorization: Bearer YOUR_TOKEN" \ --data-urlencode "db=DATABASE_NAME" \ --data-urlencode "q=SELECT * FROM home" \ --data-urlencode "epoch=ms" ``` ## Authentifizierungsoptionen für die v3-HTTP-Abfrage-API + Inhaber-Token: `Authorization: Bearer TOKEN` + Grundlegende Authentifizierung: `--user "any:TOKEN"` + Abfrageparameter: `?p=TOKEN` ## Antwortformate für die v3-HTTP-Abfrage-API + JSON (Standard) + CSV (mit `Accept: application/csv` Header) ## Beispiele für SQL-Abfragen Im Folgenden wird eine einfache Abfrage gezeigt: ``` -- Select specific fields with time filter SELECT temp, humidity, room FROM home WHERE time >= now() - INTERVAL '7 days' AND room = 'Kitchen' ORDER BY time DESC -- Show all tables in database SHOW TABLES -- Show columns in a table SHOW COLUMNS FROM home ``` Im Folgenden werden Aggregationsabfragen gezeigt: ``` -- Aggregate by tags SELECT room, AVG(temp) as avg_temp, MAX(humidity) as max_humidity FROM home WHERE time >= now() - INTERVAL '24 hours' GROUP BY room -- Time-based aggregation using DATE_BIN SELECT DATE_BIN(INTERVAL '1 hour', time) as time, AVG(temp) as avg_temp, COUNT(*) as reading_count FROM home GROUP BY 1 ORDER BY time DESC ``` Im Folgenden werden erweiterte SQL-Funktionen gezeigt: ``` -- Parameterized queries (via API) SELECT * FROM home WHERE room = $room AND temp > $min_temp AND time >= $start_time -- Gap filling with interpolation SELECT date_bin_gapfill(INTERVAL '5 minutes', time) as time, room, interpolate(avg(temp)) as temp FROM home WHERE time >= '2025-01-01T00:00:00Z' AND time <= '2025-01-01T12:00:00Z' GROUP BY 1, room -- Type casting SELECT temp::INTEGER as temp_int, CAST(humidity AS VARCHAR) as humidity_str FROM home ``` Im Folgenden werden Beispiele für InfluxQL-Abfragen gezeigt: ``` -- Basic query with time filter SELECT * FROM home WHERE time >= now() - 1d -- Aggregation with GROUP BY time SELECT MEAN(temp), MAX(humidity) FROM home WHERE time >= now() - 7d GROUP BY time(1h), room -- Using selector functions SELECT FIRST(temp), LAST(temp) FROM home WHERE time >= now() - 1h GROUP BY room ``` Im Folgenden wird gezeigt, wie Sie Systemtabellen abfragen, um Ihre Datenbankstruktur zu verstehen und die Leistung zu überwachen: ``` -- View all tables with schema information SELECT * FROM information_schema.tables -- View column details for a specific table SELECT * FROM information_schema.columns WHERE table_name = 'home' -- Monitor recent queries SELECT * FROM system.queries ORDER BY issue_time DESC LIMIT 10 -- Check cache configurations SELECT * FROM system.last_caches SELECT * FROM system.distinct_caches ``` ## Bewährte Methoden zur Abfrageleistung + **Verwenden Sie Zeitfilter**: Verwenden Sie immer Zeitbereichsfilter, um die gescannten Daten einzuschränken. + **Nutzen Sie Indizes**: Entwerfen Sie Abfragen, um Tag-Filter effektiv zu nutzen. + **Wählen Sie das passende Ausgabeformat**: + Verwenden Sie jsonl zum Streamen großer Ergebnisse. + Verwenden Sie Parquet für den Datenexport und die Analyse. + Verwenden Sie CSV für die Kompatibilität mit Tabellenkalkulationen. + **Aggregationen optimieren**: Verwenden Sie DATE\_BIN für die zeitbasierte Gruppierung. + **Verwenden Sie parametrisierte Abfragen**: Verhindern Sie Injection-Angriffe und verbessern Sie die Wiederverwendbarkeit. + **Überwachen Sie die Abfrageleistung**: Überprüfen Sie die Tabelle system.queries auf langsame Abfragen. ## Unterstützung für Abfragen in der Clientbibliothek InfluxDB 3-Clientbibliotheken verwenden das Flight\+gRPC-Protokoll für optimale Leistung. Der folgende Python-Code zeigt ein Beispiel dafür. ``` from influxdb3 import InfluxDBClient3 client = InfluxDBClient3( host="your-cluster-endpoint:8086", token="YOUR_TOKEN", database="DATABASE_NAME" ) # SQL query sql_result = client.query("SELECT * FROM home WHERE room = 'Kitchen'") # InfluxQL query influxql_result = client.query( "SELECT MEAN(temp) FROM home WHERE time >= now() - 1h GROUP BY room", language="influxql" ) ``` ## Vergleichen Sie die SQL- und InfluxQL-Abfragefunktionen In der folgenden Tabelle werden die SQL- und InfluxQL-Abfragefunktionen verglichen: | **Funktion** | **SQL** | **InfluxQL** | | --- | --- | --- | | Joins | Unterstützt | Nicht unterstützt | | Fensterfunktionen | Vollständige Unterstützung | Begrenzt | | Unterabfragen | Unterstützt | Nicht unterstützt | | Zeitfunktionen | DATE\_BIN, INTERVAL | time()-Gruppierung | | Parametrisierte Abfragen | Native Unterstützung | Nicht unterstützt | | Lücken füllen | date\_bin\_gapfill() | fill() Funktion | Wenn Sie diese Abfragefunktionen verstehen und die geeignete Methode für Ihren Anwendungsfall auswählen, können Sie Ihre Zeitreihendaten effizient aus Timestream for InfluxDB 3 abrufen und analysieren. Vorteile von SQL: + Umfassende SQL-Implementierung mit Unterstützung für komplexe Abfragen. + Support für Joins, Unions und Fensterfunktionen. + Vertraute Syntax für Benutzer mit SQL-Hintergrund. + Umfangreichere Analysemöglichkeiten. Vorteile von InfluxQL: + Speziell für Zeitreihendaten entwickelt. + Einfachere Syntax für gängige Zeitreihenoperationen. + Abwärtskompatibilität für Benutzer, die von InfluxDB v1 migrieren. + Spezialisierte Zeitreihenfunktionen. ## Funktionen zur Abfrageoptimierung InfluxDB 3 bietet mehrere Optimierungsfunktionen zur Verbesserung der Abfrageleistung für bestimmte Anwendungsfälle. Diese Funktionen nutzen In-Memory-Caching und benutzerdefinierte Indexierungsstrategien, um Reaktionszeiten von unter einer Millisekunde für häufig aufgerufene Datenmuster zu ermöglichen. ### Letzter Werte-Cache (LVC) Der Last Value Cache (LVC) speichert die neuesten N Werte für bestimmte Felder im Speicher und ermöglicht so Antwortzeiten von unter 10 ms für Abfragen, die die neuesten Datenpunkte benötigen. Diese Funktion ist sowohl in der Core- als auch in der Enterprise-Edition verfügbar. #### Wie funktioniert LVC Das LVC verwaltet eine speicherinterne Tabelle mit den neuesten Werten für jede eindeutige Kombination von Schlüsselspalten (normalerweise Tags). Zum Beispiel mit Sensordaten: ``` Table: home ├── Tags: room, wall └── Fields: temp, humidity, co LVC Configuration: - Key columns: room, wall - Value columns: temp, humidity, co - Count: 4 (last 4 values) ``` Der Cache speichert: | **Zimmer** | **Mauer** | **Zeitarbeiter** | **Feuchtigkeit** | **co** | **variieren** | | --- | --- | --- | --- | --- | --- | | Küche | Osten | 22,7 | 36,5 | 26 | 2025-01-26T 20:00:00 Z | | Küche | Osten | 22,7 | 36,0 | 9 | 2025-01-26T 17:00:00 Z | | Küche | Osten | 22,7 | 36,2 | 3 | 2025-01-26T 15:00:00 Z | | Küche | Osten | 22,7 | 36,1 | 0 | 2025-01-26T 10:00:00 Z | | Wohnzimmer | nördlich | 22,2 | 36,4 | 17 | 2025-01-26T 20:00:00 Z | | ... | ... | ... | ... | ... | ... | #### Erstellen Sie ein LVC Verwenden Sie den folgenden Befehl, um ein LVC zu erstellen: ``` influxdb3 create last_cache \ --database DATABASE_NAME \ --token YOUR_TOKEN \ --table home \ --key-columns room,wall \ --value-columns temp,hum,co \ --count 5 \ --ttl 30mins \ homeLastCache ``` #### Fragen Sie das LVC ab Verwenden Sie den folgenden Befehl, um eine LVC abzufragen: ``` -- Query the last cached values SELECT * FROM last_cache('home', 'homeLastCache') -- Filter specific series SELECT * FROM last_cache('home', 'homeLastCache') WHERE room = 'Kitchen' ``` #### Bewährte Methoden für LVC + Kardinalität verwalten: Nehmen Sie nur wichtige Tags als Schlüsselspalten auf, um den Speicherverbrauch zu minimieren. + Anzahl der Werte optimieren: Ausgewogenes Verhältnis zwischen Abfragebedarf und Speicherverbrauch. + Denken Sie an TTL: Set, das time-to-live für Cache-Einträge geeignet ist. + Arbeitsspeicher überwachen: Cachegröße = (key\_column\_cardinality × count × value\_columns). ### Cache mit eindeutigem Wert (DVC) Der Distinct Value Cache (DVC) verwaltet eindeutige Werte für bestimmte Spalten im Speicher, wodurch Metadatenabfragen auf Antwortzeiten von unter 30 ms beschleunigt werden. Sowohl in der Core- als auch in der Enterprise-Edition verfügbar. #### Wie funktioniert DVC Der DVC speichert alle eindeutigen Kombinationen von Werten für bestimmte Spalten. Dies ist ideal für Abfragen, bei denen verfügbare Tagwerte oder Metadaten aufgelistet werden müssen. Beispiel-Cache für Standortdaten: | **Land** | **Bezirk** | **Stadt** | | --- | --- | --- | | Österreich | Salzburg | Salzburgo | | Österreich | Wien | Wien | | Belgien | Antwerpen | Antwerpen | | Belgien | Westflandern | Brügge | | Tschechische Republik | Prag | Prag | #### Erstellen Sie eine DVD Verwenden Sie den folgenden Befehl, um einen DVC zu erstellen: ``` influxdb3 create distinct_cache \ --database DATABASE_NAME \ --token YOUR_TOKEN \ --table wind_data \ --columns country,county,city \ --max-cardinality 10000 \ --max-age 24h \ windDistinctCache ``` #### Fragen Sie den DVC ab Verwenden Sie den folgenden Befehl, um einen DVC abzufragen: ``` -- Get all distinct values SELECT * FROM distinct_cache('wind_data', 'windDistinctCache') -- Get distinct countries SELECT DISTINCT country FROM distinct_cache('wind_data', 'windDistinctCache') ``` #### Best Practices für DVC + Kardinalitätsgrenzen festlegen: Definieren Sie maximale Kombinationen von Einzelwerten zur Steuerung des Speichers. + Maximales Alter konfigurieren: Veraltete Werte werden automatisch entfernt. + Strategische Spalten zwischenspeichern: Konzentrieren Sie sich auf Spalten, die häufig in Metadatenabfragen verwendet werden. + Cachegröße überwachen: Eine höhere Kardinalität bedeutet, dass mehr Speicher benötigt wird. ### Dateiindizes sind nur in Enterprise verfügbar **Nur in der Enterprise Edition verfügbar.** Dateiindizes ermöglichen die Anpassung der Art und Weise, wie Daten im Speicher indexiert werden, wodurch die Leistung von Abfragen einzelner Serien erheblich verbessert wird. #### Standardmäßige und benutzerdefinierte Indizierung Standardindizierung: InfluxDB indexiert für alle Tags plus Zeit.  Benutzerdefinierte Indizierung: Indizieren Sie nur Spalten, die für Ihre Abfragen relevant sind. Beispiel für Optimierung: ``` Schema columns: country, state_province, county, city, postal_code Query patterns: Always filter by country, state_province, city Custom index: time, country, state_province, city (skip county, postal_code) ``` Im Folgenden wird gezeigt, wie ein benutzerdefinierter Dateiindex erstellt wird ``` influxdb3 create file_index \ --database DATABASE_NAME \ --token YOUR_TOKEN \ --table wind_data \ country,state_province,city ``` Im Folgenden wird gezeigt, wie ein Dateiindex gelöscht wird: ``` influxdb3 delete file_index \ --database DATABASE_NAME \ --token YOUR_TOKEN \ --table wind_data ``` #### Überlegungen zum Dateiindex + Komprimierung erforderlich: Indizes werden während der Datenkomprimierung erstellt (Gen2\+). + Nur Zeichenkettenspalten: Kann sowohl Tags als auch Zeichenkettenfelder indizieren. + Analyse von Abfragemustern: Analysieren Sie Ihre Arbeitslast, bevor Sie benutzerdefinierte Indizes erstellen. + Optimierung einzelner Serien: Am vorteilhaftesten für Abfragen, die auf bestimmte Serien abzielen. ### Verwaltung von Cache-Informationen Cache-Konfigurationen und Statistiken mithilfe von Systemtabellen anzeigen: ``` -- View Last Value Caches SELECT * FROM system.last_caches -- View Distinct Value Caches SELECT * FROM system.distinct_caches -- Check cache memory usage SELECT cache_name, table_name, key_columns, value_count, memory_size_bytes FROM system.last_caches ``` ### Strategie zur Leistungsoptimierung Wählen Sie anhand Ihrer Abfragemuster die richtigen Optimierungsfunktionen aus: | **Abfragemuster** | **Empfohlene Funktion** | **Erwartete Leistung** | | --- | --- | --- | | Aktuelle Werte pro Serie | Cache für den letzten Wert | <10 ms | | Verfügbare Tag-Werte | Cache mit eindeutigen Werten | <30 ms | | Abfragen für einzelne Serien | Dateiindizes (Unternehmen) | Signifikante Verbesserung | | Aggregationen von Zeiträumen | Standardindizes | Basisleistung | ### Überlegungen zu Speicher und Ressourcen **Formel für den Cache-Speicher:** + LVC: Speicher = Schlüsselkardinalität × Wertanzahl × Wertspalten × Datengröße + DVC: Speicher = unterschiedliche Kombinationen × Spaltenanzahl × Datengröße **Bewährte Verfahren:** + Beginnen Sie mit kleinen Caches und überwachen Sie die Speichernutzung + Verwenden Sie TTL-Einstellungen, um das Cache-Wachstum zu begrenzen + Nur häufig abgefragte Daten zwischenspeichern + Überwachen Sie die Cache-Trefferraten anhand von Systemtabellen + Für Unternehmen: Kombinieren Sie Caches mit benutzerdefinierten Dateiindizes, um eine optimale Leistung zu erzielen Durch die angemessene Nutzung dieser Optimierungsfunktionen können Sie erhebliche Leistungsverbesserungen für bestimmte Abfragemuster erzielen und gleichzeitig den Ressourcenverbrauch effektiv steuern.