在学习关系数据库的时候，很多教材都会提供一些经典的例子，比如如何为学生建表，管理他们学习的科目、成绩、综合表现等，先从逻辑上分解定义库、表，同时通过主键外键构建起表与表之间的关系，然后转换成具体的 SQL 语句，最后通过各类关系运算实现数据的增删改查。
但是在使用时序数据库（Time Series Database，TSDB）的时候，我们首先要面对的一个问题就是如何建立数据模型（Data Model），也就是如何将业务逻辑中的实体数据具体映射到所选的时序库。
而且出于对读写性能、压缩效率等目标的权衡，不同的时序数据库产品有可能会选择不同的模型，这时候就要仔细分析了。本文将以 InfluxDB 和 TDengine 为例，对比学习一下它们的数据模型。
概述
InfluxDB 针对现实世界的测量值选择了 bucket、measurement 这两个核心概念，没有关系数据库里的 database、table 等概念；而 TDengine 选择了兼容 SQL、降低门槛的路线，也就继承了 database、table 等概念，同时创新性地提出了“一个数据采集点一张表”的数据模型。
InfluxDB 的数据模型
我们先来看看 InfluxDB 中的核心概念。根据其官方文档：
InfluxDB 数据模型将时序数据组织为 bucket 和 measurement。一个 bucket 可以包含多个 measurement。measurement 可以包含多个标签和字段。
可以将 bucket 理解为存储时序数据的位置，我们可以为其指定时序数据的保存策略。measurement 则用于时序数据的逻辑分组。从逻辑意义上对比，我们可以把 bucket 看作关系数据库中的 database，把 measurement 看作 table。
measurement 又包括几个部分：
- 标签（tag）：其值不经常改变的键值对。用来保存一些相对静态的信息，比如采集设备的主机、位置、站点等。
- 字段（field）：其值随着时间经常改变的键值对，比如温度、压强、股价等。
- 时间戳（timestamp）：与当前数据关联的时间戳。
在此基础上，InfluxDB 又有两个新的概念，point（数据点）和时间线（series），当然这在很多时序数据库中都是类似的。
整体来看，InfluxDB 的数据模型比较直观，而且不需要提前定义好模式，容易上手，后期如果有需要，动态增加新的字段也比较容易。当然，考虑后续的查询性能，在数据量非常大的情况下，也需要仔细设计 measurement 中的 tag 和 field，在此就不做赘述。新用户可以直接使用 InfluxDB 的图形界面或命令行客户端来创建 bucket，然后就可以利用行协议写入数据了。就像这样：
influx write \
--bucket get-started \
--precision s "
home,room=Living\ Room temp=21.1,hum=35.9,co=0i 1641024000
home,room=Kitchen temp=21.0,hum=35.9,co=0i 1641024000
home,room=Living\ Room temp=21.4,hum=35.9,co=0i 1641027600
home,room=Kitchen temp=23.0,hum=36.2,co=0i 1641027600
home,room=Living\ Room temp=21.8,hum=36.0,co=0i 1641031200
home,room=Kitchen temp=22.7,hum=36.1,co=0i 1641031200
home,room=Living\ Room temp=22.2,hum=36.0,co=0i 1641034800
"在查询方面，InfluxDB 提供了类 SQL 的 InfluxQL 语言，后来又推出了函数式的脚本语言 Flux。需要一定的学习成本。
TDengine 的数据模型
TDengine 充分利用了时序数据的特点，提出了“一个数据采集点一张表”与“超级表”的概念，设计了创新的存储引擎，让数据的写入、查询和存储效率都得到极大的提升。
首先，TDengine 为了让有数据库经验的从业者快速上手，直接选择了以 SQL 为接口语言的设计策略。所谓“一个数据采集点一张表”，就是在设计数据模型时，要对每个数据采集点单独建一张表，用来存储这个数据采集点所采集的时序数据。这种设计有几大优点：
- 由于不同数据采集点产生数据的过程完全独立，每个数据采集点的数据源是唯一的，一张表也就只有一个写入者，这样就可采用无锁方式来写，写入速度就能大幅提升。
- 对于一个数据采集点而言，其产生的数据是按照时间排序的，因此写的操作可用追加的方式实现，进一步大幅提高数据写入速度。
- 一个数据采集点的数据是以块为单位连续存储的。如果读取一个时间段的数据，它能大幅减少随机读取操作，成数量级的提升读取和查询速度。
- 一个数据块内部，采用列式存储，对于不同数据类型，采用不同压缩算法，而且由于一个数据采集点的采集量的变化是缓慢的，压缩率更高。
由于一个数据采集点一张表，导致表的数量巨增，难以管理，而且应用经常需要做采集点之间的聚合操作，聚合的操作也变得复杂起来。为解决这个问题，TDengine 引入了超级表（Super Table，简称为 STable）的概念。在 TDengine 的设计里，表用来代表一个具体的数据采集点，超级表用来代表一组相同类型的数据采集点集合。
所以在使用 TDengine 时，我们要先创建库（database），再创建超级表，然后为具体的数据采集点创建子表。从创建到管理数据，都可用自己熟悉的 SQL 语法。TDengine 3.0 新增的流式计算语法，也是直接扩充了 SQL，很容易上手。
当然，硬币总有两面。TDengine 为了性能选择了这样的设计，但是像 InfluxDB 的无模式操作，实现起来就要复杂一些。不过 TDengine 也通过内部功能提供了无模式写入功能。
本文简单对比了 InfluxDB 和 TDengine 的数据模型。总结而言，如果没有数据库相关背景，InfluxDB 上手比较直观；如果有 SQL 经验，甚至在业务中已经用 MySQL 等关系数据库处理过时序数据，则 TDengine 更为友好。
