摘要：为帮助用户了解TDengine的指标，特将TDengine与InfluxD从数据库的读、写、查询、压缩比等方面进行了对比测试。从测试结果上看，TDengine的性能远超InfluxDB，写入性能约为5倍，读取性能约为35倍，聚合函数性能约为140倍，按标签分组查询性能约为250倍，按时间分组查询性能约为12倍。

测试环境

对比测试的测试程序和数据库服务在同一台4核8GB的Dell台式机上部署，台式机型号为OptiPlex-3050，详细配置如下

OS: Ubuntu 16.04 x64CPU: Intel(R) Core(TM) i3-7100 CPU @ 3.90GHzMemory: 8GBDisk: 1TB HDD

测试数据集及其生成方法

1.测试数据生成方法

本次测试调研了两类比较热门的测试数据集

• 纽约出租车运行数据，因该数据中抹去了单台车辆的信息，无法对其进行建模
• faker生成工具，因其只能生成字符串，并不适合物联网场景下处理的数据

所以，为使测试可轻易重复，单独编写了一个生成模拟数据的程序来进行本次测试。

测试数据生成程序模拟若干温湿度计生成的数据，其中温度为整数、湿度为浮点数，同时每个温度计包含设备ID、设备分组、设备名称三个标签。为了尽可能真实地模拟温湿度计的生成数据，没有使用完全随机数，而是针对每个温度计确保生成的数据值呈正态分布。

测试数据的频率为1秒钟，数据集包含10000台设备，每台设备10000条记录。每条数据采集记录包含1个时间戳字段、2个数据字段和3个标签字段。

2.测试数据生成程序源码

采用java程序生成测试数据集，测试程序源代码可以到https://github.com/taosdata/TDengine/tree/master/tests/comparisonTest/dataGenerator下载，下载后执行如下语句

cd tests/comparisonTest/dataGeneratorjavac com/taosdata/generator/DataGenerator.java

3.测试数据生成程序用法

相关参数如下

• dataDir 生成的数据文件路径
• numOfFiles 生成的数据文件数目
• numOfDevices 测试数据集中的设备数目
• rowsPerDevice 测试数据集中每台设备包含的记录条数

4.生成测试数据

执行如下命令，会在~/testdata目录下生成100个数据文件，每个文件包含100台设备的测试数据；合计10000台设备，每台设备10000条记录

mkdir ~/testdata
java com/taosdata/generator/DataGenerator -dataDir ~/testdata -numOfDevices 10000 -numOfFiles 100 -rowsPerDevice 10000

TDengine环境准备

TDengine是一个开源的专为物联网、车联网、工业互联网、IT运维等设计和优化的大数据平台。除核心的快10倍以上的时序数据库功能外，还提供缓存、数据订阅等功能，最大程度减少研发和运维的工作量。

1.安装部署

• 下载tdengine-1.6.1.0.tar.gz，地址https://www.taosdata.com/
• 安装TDengine，解压后运行install.sh进行安装
• 启动TDengine，运行sudo systemctl start taosd
• 测试是否安装成功，运行TDengine的shell命令行程序taos，可以看到如下类似信息

Welcome to the TDengine shell, server version:1.6.1.0  client version:1.6.1.0
Copyright (c) 2017 by TAOS Data, Inc. All rights reserved.
taos> 

2.数据建模

TDengine为相同结构的设备创建一张超级表，而每个具体的设备则单独创建一张数据表。因此，超级表的数据字段为采集时间、温度、湿度等与时间序列相关的采集数据；标签字段为设备编号、设备分组编号、设备名称等设备本身固定的描述信息。

创建超级表的SQL语句为

create table devices(ts timestamp, temperature int, humidity float) tags(devid int, devname binary(16), devgroup int);

以设备ID作为表名（例如device id为1，则表名为dev1），使用自动建表语句，写入一条记录的语句为

insert into dev1 using devices tags(1,'d1',0) values(1545038786000,1,3.560000);

3.测试程序源码

本文采用TDengine的原生C语言接口，编写数据写入及查询程序，后续的其他文章会提供基于JDBCDriver的测试程序。

测试程序源代码及查询SQL语句可以到https://github.com/taosdata/TDengine/tree/master/tests/comparisonTest/tdengine下载，下载后执行如下语句

cd tdengine
make

会在当前目录下生成可执行文件./tdengineTest

4.测试程序用法

TDengine的测试程序用法与InfluxDB的用法相同，写入相关参数

• writeClients 并发写入的客户端链接数目，默认为1
• rowsPerRequest 一次请求中的记录条数，默认为100，范围1-1000
• dataDir 读取的数据文件路径，来自于测试数据生成程序
• numOfFiles 从数据文件路径中读取的文件个数

例如

./tdengineTest -dataDir ./data -numOfFiles 10 -writeClients 2 -rowsPerRequest 100

查询相关参数

• sql 将要执行的SQL语句列表所在的文件路径，以逗号区分每个SQL语句

例如

./tdengineTest -sql ./sqlCmd.txt

InfluxDB环境准备

InfluxDB是一款开源的时序数据库，由Go语言实现。适用于监控、实时分析、物联网、传感器数据等应用场景，是目前最为流行的时间序列数据库。

1.安装部署

• 下载并安装InfluxDB

wget https://dl.influxdata.com/influxdb/releases/influxdb_1.7.7_amd64.deb
sudo dpkg -i influxdb_1.7.7_amd64.deb

• 启动InfluxDB服务

sudo systemctl start influxdb 

• 测试是否安装成功，运行InfluxDB的shell命令行程序influx，可以看到如下类似信息

Connected to http://localhost:8086 version 1.7.7
InfluxDB shell version: 1.7.7
> 

2.InfluxDB数据建模

创建一个名为devices的measurement，所有设备都属于该measurement，不同设备通过标签进行区分。每台设备包含三个标签，分别为设备编号、设备分组编号、设备名称。每条记录包含三个数据字段，分别为时间戳（毫秒），温度（整型），湿度（浮点）。

3.InfluxDB测试程序源码

本文采用InfluxDB的原生GO语言接口，编写数据写入及查询程序，测试程序源代码及查询SQL语句可以到https://github.com/taosdata/TDengine/tree/master/tests/comparisonTest/influxdb下载。下载后需要先安装GO语言环境。

sudo apt install golang
mkdir -p $HOME/local/Golang
export GOPATH=$HOME/local/Golang
go get github.com/influxdata/influxdb1-client/v2

然后执行如下语句

cd tests/comparisonTest/influxdb
go build -o influxdbTest

会在当前目录下生成可执行文件./influxdbTest

4.InfluxDB测试程序用法

写入相关参数

• writeClients 并发写入的客户端链接数目，默认为1
• rowsPerRequest 一次请求中的记录条数，默认为100，范围1-1000
• dataDir 读取的数据文件路径，来自于测试数据生成程序
• numOfFiles 从数据文件路径中读取的文件个数

例如

./influxdbTest -dataDir ~/testdata -numOfFiles 1 -writeClients 2 -rowsPerRequest 100

查询相关参数

• sql 将要执行的SQL语句列表所在的文件路径，以逗号区分每个SQL语句

例如

./influxdbTest -sql ./sqlCmd.txt

写入性能对比

数据库的一个写入请求可以包含一条或多条记录，一次请求里包含的记录条数越多，写入性能就会相应提升。在以下测试中，使用R/R表示Records/Request ，即一次请求中的记录条数。同时，一个数据库可以支持多个客户端连接，连接数增加，系统总的写入通吐量也会相应增加。因此测试中，对于每一个数据库，都会测试一个客户端和多个客户端连接的情况。

1.TDengine的写入性能

TDengine按照每次请求包含1，100，500，1000，2000条记录各进行测试，同时也测试了不同客户端连接数的情况。测试步骤如下所示，您可以修改示例中的参数，完成多次不同的测试。

1.清空上次测试数据
运行TDengine的shell命令行程序taos，执行删除测试数据库语句
Welcome to the TDengine shell, server version:1.6.1.0  client version:1.6.1.0
Copyright (c) 2017 by TAOS Data, Inc. All rights reserved.
taos>drop database db;
2.测试执行
开启5个客户端读取~/testdata目录中的100个数据文件，每个请求写入1000条数据，可以参考如下命令
./tdengineTest -dataDir ~/testdata -numOfFiles 100 -writeClients 5 -rowsPerRequest 1000

写入吞吐量如下，单位为记录数/秒

图1 TDengine的写入吞吐量

2.InfluxDB的写入性能

InfluxDB按照每次请求包含1，100，1000，10000，20000，50000，100000条记录各进行测试，同时也测试了不同客户端连接数的情况。测试步骤如下所示，您可以修改示例中的参数，完成多次不同的测试。

1.清空上次测试数据
运行InfluxDB的shell命令行程序influx，可以看到如下类似信息
Connected to http://localhost:8086 version 1.7.7
InfluxDB shell version: 1.7.7
> drop database db;
2.测试执行
开启5个客户端读取~/testdata目录中的100个数据文件，每个请求写入10000条数据，可以参考如下命令
./influxdbTest -dataDir ~/testdata -numOfFiles 100 -writeClients 5 -rowsPerRequest 10000

写入吞吐量如下，单位为记录数/秒

图2 InfluxDB的写入吞吐量

3.TDengin和InfluxDB的最佳性能对比

基于以上的测试数据，将TDengine和InfluxDB测试出的最佳写入速度进行对比，结果如下

图3 TDengine和InfluxDB的最佳写入性能对比

从图3可以看出，TDengine的写入速度约为百万条记录/秒的量级，而InfluxDB的写入速度约为十万条记录/秒的量级。因此可以得出结论，在同等数据集和硬件环境下，TDengine的写入速度远高于InfluxDB，约为5倍。

需要指出的是，InfluxDB的单条插入性能很低，因此必须采用Kafka或其他消息队列软件，成批写入，这样增加了系统开发和维护的复杂度与运营成本。

读取性能对比

本测试做了简单的遍历查询，就是将写入的数据全部读出。因为InfluxDB的GO客户端在解析JSON返回结果时的限制，故每次查询仅取出100万条记录。在测试数据准备时，已经按照devgroup标签将设备拆分成100个分组，本次测试随机选取其中10个分组进行查询。

1.TDengine的测试方法

测试SQL语句存储在tdengine/q1.txt中，测试SQL语句参考
select * from db.devices where devgroup=0;
执行方法如下
./tdengineTest -sql ./q1.txt

2.InfluxDB的测试方法

测试SQL语句存储在influxdb/q1.txt中，测试SQL语句参考
select * from devices where devgroup='0';
执行方法如下
./influxDBTest -sql ./q1.txt

如下所示，横轴为设备分组编号，测试结果的单位为秒

图4 TDengine和InfluxDB的读取性能对比

从图4中可以看出，TDengine的100万条的读取速度稳定在0.21秒，吞吐量约为500万条记录/秒，InfluxDB的100万条的读取速度稳定在7.5秒，吞吐量约为13万条记录/秒。所以从测试结果来看，TDengine的查询吞吐量远高于InfluxDB。

聚合函数性能对比

本单元的测试包含COUNT，AVERAGE，SUM，MAX，MIN，SPREAD这六个TDEngine和InfluxDB共有的聚合函数。所有测试函数都会搭配筛选条件（WHERE）来选取设备的十分之一、十分之二、十分之三、直到全部设备。

1.TDengine的聚合函数性能

测试SQL语句存储在tdengine/q2.txt中，测试SQL语句参考

select count(*) from db.devices where devgroup<10;

执行方法如下

./tdengineTest -sql ./q2.txt

如下所示，横轴为查询设备占总设备的百分比，测试结果的单位为秒

图5 TDengine聚合函数性能

2.InfluxDb的聚合函数性能

测试SQL语句存储在influxdb/q2.txt中。因为InfluxDB的标签仅能为字符串，所以测试SQL语句的筛选条件为正则表达式，如下的SQL语句选取第10-19个group中的数据，例如

select count(*) from devices where devgroup=~/[1-1][0-9]/;

执行方法如下

./influxdbTest -sql ./q2.txt

如下所示，横轴为查询设备占总设备的百分比，测试结果的单位为秒

图6 InfluxDB聚合函数性能

3.聚合函数性能对比

基于以上的测试数据，将TDengine和InfluxDB在1亿条记录数据集的测试结果进行对比

图7 聚合函数性能对比

从图7可以看出，TDengine的聚合函数查询时间在100毫秒以内，而InfluxDb的查询时间在10秒左右。因此可以得出结论，在同等数据集和硬件环境下，TDengine聚合函数的查询速度远远高于InfluxDB，超过100倍。

按标签分组查询性能对比

本测试做了按标签分组函数的性能测试，测试函数会搭配筛选条件（WHERE）来选取设备的十分之一、十分之二、十分之三、直到全部设备。

1.TDengine的测试方法

测试SQL语句存储在tdengine/q3.txt中，例如

select count(temperature), sum(temperature), avg(temperature) from db.devices where devgroup<10 group by devgroup;

执行方法如下

./tdengineTest -sql ./q3.txt

2.InfluxDB的测试方法

测试SQL语句存储在influxdb/q3.txt中，例如

select count(temperature), sum(temperature), mean(temperature) from devices where devgroup=~/[1-1][0-9]/ group by devgroup;

执行方法如下

./influxdbTest -sql ./q3.txt

如下所示，横轴为查询设备占总设备的百分比，测试结果的单位为秒

图8 TDengine和InfluxDB的按标签分组查询性能对比

从测试结果来看，TDengine的分组聚合查询速度远高于InfluxDB，约为300倍。

按时间分组查询性能对比

本测试做了按时间分组函数的性能测试，测试函数会搭配筛选条件（WHERE）来选取设备的十分之一、十分之二、十分之三、直到全部设备。

1.TDengine的测试方法

测试SQL语句存储在tdengine/q4.txt中，例如

select count(temperature), sum(temperature), avg(temperature) from db.devices where devgroup<10 interval(1m);

执行方法如下

./tdengineTest -sql ./q4.txt

2.InfluxDB的测试方法

测试SQL语句存储在influxdb/q4.txt中，例如

select count(temperature), sum(temperature), mean(temperature) from devices where devgroup=~/[1-1][0-9]/ group by time(1m);

执行方法如下

./influxdbTest -sql ./q4.txt

如下所示，横轴为查询设备占总设备的百分比，测试结果的单位为秒

图9 TDengine和InfluxDB的按时间分组查询性能对比

从测试结果来看，TDengine的分组聚合查询速度远高于InfluxDB，约为12倍。

压缩比对比

1.原始数据的磁盘占用

本次测试共生成100个测试数据文件，存储在~/testdata目录下，使用du命令查看~/testdata目录的文件大小

cd ~/testdata
du -m .

如下图所示

图10 原始数据的磁盘占用情况

2.查看TDengine的磁盘占用

TDengine的磁盘文件默认位置在目录/var/lib/taos/data下，在查看磁盘文件大小时，首先将TDengine的服务停止

sudo systemctl stop taosd

然后，调用du命令，查看/var/lib/taos/data目录下文件的大小

cd /var/lib/taos/data
du -h .

图11 TDengine的磁盘占用情况

3.查看InfluxDB的磁盘占用

InfluxDB的磁盘文件默认位置在目录/var/lib/influxdb/data/db下，在查看磁盘文件大小时，首先将InfluxDB的服务停止

sudo systemctl stop influxDb

目录/var/lib/taos/data为用户influxdb所有，请确保当前用户有查看该目录的权限。本测试中，数据存储在autogen/84目录下，调用du命令，查看该目录下文件的大小。

cd /var/lib/influxdb/data/db/autogen/84
du -h .

图12 InfluxDB的磁盘占用情况

4.磁盘占用情况对比

生成的测试数据文件占用的磁盘大小为3941MB，InfluxDB磁盘占用855MB，TDengine磁盘占用459MB。在相对比较随机数据集的情况下，TDengine的压缩比约为InfluxDB压缩比的1.86倍。

在物联网场景下，大多数采集数据的变化范围都比较小。由于TDengine采用列式存储，因此可以预期，TDengine在真实场景的压缩比表现会更好。

功能对比

TDengine与InfluxDB都能用于时序数据的处理，两者在数据库层面上功能接近。但TDengine还具备消息队列、缓存、消息订阅等大数据平台所需要的功能。使用InfluxDB，还需要集成Kafka, Redis或其他类似软件。具体对比如下：

总结

此次测试，从数据库的读、写、查询、压缩比等方面对TDengine和InfluxDB进行了对比测试。测试用数据集、测试程序源码、执行的SQL语句都可以从https://github.com/taosdata/TDengine/tree/master/tests/comparisonTest/下载，测试具备可重复性。

从测试结果上看，TDengine的性能远超InfluxDB，写入性能约为5倍，读取性能约为35倍，聚合函数性能约为140倍，按标签分组查询性能约为250倍，按时间分组查询性能约为12倍，压缩比约为1.8倍，具体见下表