Per funzionalità simili a Amazon Timestream for, prendi in considerazione Amazon Timestream LiveAnalytics per InfluxDB. Offre un'acquisizione semplificata dei dati e tempi di risposta alle query di una sola cifra di millisecondi per analisi in tempo reale. [Scopri](https://docs.aws.amazon.com//timestream/latest/developerguide/timestream-for-influxdb.html) di più qui. Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà. # Interrogazione dei dati da Timestream per InfluxDB 3 Amazon Timestream per InfluxDB 3 fornisce più APIs query e protocolli per recuperare i dati delle serie temporali. La piattaforma supporta i linguaggi di query SQL e InfluxQL tramite i protocolli HTTP e Flight (gRPC), offrendo flessibilità per diversi casi d'uso e preferenze dei client. ## Panoramica dei metodi di interrogazione InfluxDB 3 supporta i seguenti metodi di interrogazione: + API HTTP v3 nativa: query SQL e InfluxQL tramite endpoint REST. + influxdb3 CLI — Interfaccia a riga di comando per query interattive. + Protocollo Flight\+GRPC — Protocollo binario ad alte prestazioni per le librerie client. + API di compatibilità v1: query InfluxQL precedenti per la compatibilità con le versioni precedenti. ### Utilizzo dell'API di query HTTP v3 L'API v3 fornisce endpoint dedicati per le query SQL e InfluxQL con supporto per i metodi GET e POST. #### `/api/v3/query_sql`Interrogazioni SQL () Esempio di richiesta GET: ``` 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'" ``` Esempio di richiesta POST (per query complesse): ``` 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" }' ``` #### Query InfluxQL () `/api/v3/query_influxql` Per le query InfluxQL, procedi come segue: ``` 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" ``` #### Parametri di query È possibile utilizzare i seguenti parametri di interrogazione: | **Parameter** | **Descrizione** | **Campo obbligatorio** | | --- | --- | --- | | db | Nome del database | Sì | | q | Stringa di query (SQL o InfluxQL) | Sì | | format | Formato di risposta (json, jsonl, csv, pretty, parquet) | No (impostazione predefinita: json) | | params | Parametri per le interrogazioni con parametri | No | #### Utilizzo della CLI Influxdb3 L'interfaccia a riga di comando (CLI) di InfluxDB 3 viene richiamata con il comando. `influxdb3` Fornisce un modo interattivo per interrogare i dati con il supporto per più formati di output. Di seguito viene mostrata una query di base: ``` influxdb3 query \ --host "your-cluster-endpoint:8086" \ --token "YOUR_TOKEN" \ --database "DATABASE_NAME" \ "SELECT * FROM home WHERE time >= now() - INTERVAL '1 day'" ``` Di seguito viene mostrata un'interrogazione con diversi formati di output: ``` # 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" ``` Sono supportati i seguenti formati di output: + pretty (impostazione predefinita) — Formato tabulare leggibile dall'uomo. + json — Array JSON standard. + jsonl — JSON Lines (ottimizzato per lo streaming). + csv — Valori separati da virgole. + parquet — Formato binario colonnare (richiede l'output del file). ### Utilizzo dell'API di compatibilità v1 Per le query InfluxQL precedenti, usa l'endpoint: `/query` ``` 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" ``` ## Opzioni di autenticazione per l'API HTTP Query v3 + Token al portatore: `Authorization: Bearer TOKEN` + Autenticazione di base: `--user "any:TOKEN"` + Parametro di interrogazione: `?p=TOKEN` ## Formati di risposta per l'API HTTP Query v3 + JSON (impostazione predefinita) + CSV (con `Accept: application/csv` intestazione) ## Esempi di query SQL Di seguito viene illustrata una query di base: ``` -- 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 ``` Di seguito vengono illustrate le interrogazioni di aggregazione: ``` -- 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 ``` Di seguito vengono illustrate le funzionalità SQL avanzate: ``` -- 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 ``` Di seguito sono riportati esempi di query InfluxQL: ``` -- 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 ``` Di seguito viene illustrato come interrogare le tabelle di sistema per comprendere la struttura del database e monitorare le prestazioni: ``` -- 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 ``` ## Procedure ottimali per le prestazioni delle query + **Usa filtri temporali**: includi sempre filtri per intervallo di tempo per limitare i dati scansionati. + **Sfrutta gli indici**: progetta le query per utilizzare i filtri dei tag in modo efficace. + **Scegli il formato** di output appropriato: + Usa jsonl per lo streaming di risultati di grandi dimensioni. + Usa parquet per l'esportazione e l'analisi dei dati. + Usa csv per la compatibilità con i fogli di calcolo. + **Ottimizza le aggregazioni**: utilizza DATE\_BIN per il raggruppamento basato sul tempo. + **Usa le interrogazioni con parametri: previene gli attacchi di iniezione** e migliora la riusabilità. + **Monitora le prestazioni delle query**: controlla la tabella system.queries per le query lente. ## Supporto per le interrogazioni nella libreria client Le librerie client InfluxDB 3 utilizzano il protocollo Flight\+gRPC per prestazioni ottimali. Il seguente codice Python ne mostra un esempio. ``` 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" ) ``` ## Confronta le funzionalità di interrogazione SQL e InfluxQL La tabella seguente confronta le funzionalità di query SQL e InfluxQL: | **Funzionalità** | **SQL** | **InfluxQL** | | --- | --- | --- | | Si unisce | Supportata | Non supportata | | Funzioni finestra | Supporto completo | Limitato | | Sottointerrogazioni | Supportata | Non supportata | | Funzioni temporali | DATE\_BIN, INTERVAL | Raggruppamento di time() | | Interrogazioni con parametri | Supporto nativo | Non supportata | | Riempimento delle | date\_bin\_gapfill() | Funzione fill() | Comprendendo queste funzionalità di interrogazione e scegliendo il metodo appropriato per il vostro caso d'uso, potete recuperare e analizzare in modo efficiente i dati delle serie temporali da Timestream for InfluxDB 3. Vantaggi SQL: + Implementazione SQL completa con supporto per query complesse. + Support per i join, i sindacati e le funzioni delle finestre. + Sintassi familiare per utenti con background SQL. + Funzionalità analitiche più estese. Vantaggi di InfluxQL: + Progettato specificamente per dati di serie temporali. + Sintassi più semplice per le operazioni comuni relative alle serie temporali. + Compatibilità con le versioni precedenti per gli utenti che migrano da InfluxDB v1. + Funzioni specializzate in serie temporali. ## Funzionalità di ottimizzazione delle query InfluxDB 3 offre diverse funzionalità di ottimizzazione per migliorare le prestazioni delle query per casi d'uso specifici. Queste funzionalità sfruttano la memorizzazione nella cache in memoria e le strategie di indicizzazione personalizzate per fornire tempi di risposta inferiori al millisecondo per i modelli di dati a cui si accede di frequente. ### Last Value Cache (LVC) La Last Value Cache (LVC) memorizza i valori N più recenti per campi specifici in memoria, consentendo tempi di risposta inferiori a 10 ms per le query che richiedono i punti dati più recenti. Questa funzionalità è disponibile nelle edizioni Core ed Enterprise. #### Come funziona LVC LVC mantiene una tabella in memoria dei valori più recenti per ogni combinazione unica di colonne chiave (in genere tag). Ad esempio, con i dati dei sensori: ``` 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) ``` La cache memorizza: | **stanza** | **muro** | **temperatura** | **umidità** | **co** | **time** | | --- | --- | --- | --- | --- | --- | | cucina | est | 22.7 | 36,5 | 26 | 2025-01-26H 20:00:00 Z | | cucina | est | 22.7 | 36,0 | 9 | 2025-01-26 ORE 17:00:00 Z | | Cucina | est | 22.7 | 36,2 | 3 | 2025-01-26H 15:00:00 Z | | Cucina | est | 22.7 | 36,1 | 0 | 2025-01-26H 10:00:00 Z | | Soggiorno | nord | 22.2 | 36,4 | 17 | 2025-01-26 ORE 20:00:00 Z | | ... | ... | ... | ... | ... | ... | #### Crea un LVC Utilizzate il seguente comando per creare un LVC: ``` 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 ``` #### Interroga l'LVC Utilizzate il seguente comando per interrogare un LVC: ``` -- Query the last cached values SELECT * FROM last_cache('home', 'homeLastCache') -- Filter specific series SELECT * FROM last_cache('home', 'homeLastCache') WHERE room = 'Kitchen' ``` #### Le migliori pratiche LVC + Gestisci la cardinalità: includi solo i tag essenziali come colonne chiave per ridurre al minimo l'utilizzo della memoria. + Ottimizza il conteggio dei valori: equilibrio tra le esigenze di interrogazione e il consumo di memoria. + Considerate TTL: impostazione appropriata time-to-live per le voci della cache. + Memoria del monitor: dimensione della cache = (key\_column\_cardinality × count × value\_columns). ### Distinct Value Cache (DVC) La Distinct Value Cache (DVC) mantiene valori univoci per colonne di memoria specifiche, accelerando i tempi di risposta delle query sui metadati a meno di 30 ms. Disponibile nelle edizioni Core ed Enterprise. #### Come funziona DVC Il DVC memorizza tutte le combinazioni uniche di valori per colonne specifiche, perfette per le query che devono elencare i valori dei tag o i metadati disponibili. Esempio di cache per i dati sulla posizione: | **paese** | **contea** | **città** | | --- | --- | --- | | Austria | Salisburgo | Salisburgo | | Austria | Vienna | Vienna | | Belgio | Anversa | Anversa | | Belgio | Fiandre occidentali | Bruges | | Repubblica Ceca | Praga | Praga | #### Crea un DVD Utilizzate il seguente comando per creare un DVC: ``` influxdb3 create distinct_cache \ --database DATABASE_NAME \ --token YOUR_TOKEN \ --table wind_data \ --columns country,county,city \ --max-cardinality 10000 \ --max-age 24h \ windDistinctCache ``` #### Interroga il DVC Utilizzate il seguente comando per interrogare un DVC: ``` -- Get all distinct values SELECT * FROM distinct_cache('wind_data', 'windDistinctCache') -- Get distinct countries SELECT DISTINCT country FROM distinct_cache('wind_data', 'windDistinctCache') ``` #### Le migliori pratiche DVC + Imposta i limiti di cardinalità: definisci le combinazioni di valori univoci massime per controllare la memoria. + Configura Max Age: rimuove automaticamente i valori obsoleti. + Cache Strategic Columns: concentrati sulle colonne utilizzate di frequente nelle query sui metadati. + Monitora la dimensione della cache: una cardinalità maggiore significa che è necessaria più memoria. ### Gli indici di file sono disponibili solo in Enterprise **Disponibile solo in Enterprise Edition.** Gli indici di file consentono di personalizzare il modo in cui i dati vengono indicizzati nello storage, migliorando in modo significativo le prestazioni delle query a serie singola. #### Indicizzazione predefinita e personalizzata Indicizzazione predefinita: indici InfluxDB su tutti i tag più il tempo.  Indicizzazione personalizzata: indicizza solo le colonne pertinenti alle tue domande. Esempio di ottimizzazione: ``` 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) ``` Di seguito viene illustrato come creare un indice di file personalizzato ``` influxdb3 create file_index \ --database DATABASE_NAME \ --token YOUR_TOKEN \ --table wind_data \ country,state_province,city ``` Di seguito viene illustrato come eliminare un indice di file: ``` influxdb3 delete file_index \ --database DATABASE_NAME \ --token YOUR_TOKEN \ --table wind_data ``` #### Considerazioni sull'indice dei file + Compattazione richiesta: gli indici vengono creati durante la compattazione dei dati (gen2\+). + Solo colonne di stringhe: può indicizzare sia i tag che i campi stringa. + Analisi del modello di query: analizza il carico di lavoro prima di creare indici personalizzati. + Ottimizzazione di singole serie: particolarmente utile per le query destinate a serie specifiche. ### Gestione delle informazioni sulla cache Visualizza le configurazioni e le statistiche della cache utilizzando le tabelle di sistema: ``` -- 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 ``` ### Strategia di ottimizzazione delle prestazioni Scegli le funzionalità di ottimizzazione giuste in base ai tuoi modelli di query: | **Modello di interrogazione** | **Funzionalità consigliata** | **Prestazioni previste** | | --- | --- | --- | | Ultimi valori per serie | Cache degli ultimi valori | <10 ms | | Valori dei tag disponibili | Distinct Value Cache | <30 ms | | Interrogazioni a serie singola | Indici di file (Enterprise) | Miglioramento significativo | | Aggregazioni per intervalli di tempo | Indici standard | Prestazioni di base | ### Considerazioni sulla memoria e sulle risorse **Formula della memoria cache:** + LVC: memoria = key\_cardinality × value\_count × value\_columns × data\_size + DVC: memoria = distinct\_combination × column\_count × data\_size **Migliori pratiche:** + Inizia con piccole cache e monitora l'utilizzo della memoria + Utilizza le impostazioni TTL per limitare la crescita della cache + Memorizza nella cache solo i dati richiesti di frequente + Monitora i tassi di accesso alla cache tramite le tabelle di sistema + Per le aziende: combina le cache con indici di file personalizzati per prestazioni ottimali Sfruttando in modo appropriato queste funzionalità di ottimizzazione, è possibile ottenere significativi miglioramenti delle prestazioni per modelli di query specifici, gestendo al contempo il consumo di risorse in modo efficace.