TimescaleDB實戰指南：用PostgreSQL高效處理時間序列資料

Summary

在當今數據驅動的世界裡，有效地處理時間序列資料變得日益重要。這篇文章深入探討 TimescaleDB 如何利用其先進技術來提升時間序列資料的效率與靈活性，相信讀者將能從中獲得許多實用見解。 Key Points:

TimescaleDB 2.0 在 Chunk 分割策略上進行了重大優化，顯著提升資料寫入速度與查詢性能，非常適合高頻率的時間序列資料處理。
透過與 PostgreSQL 的擴充模組整合，TimescaleDB 能夠利用生態系統中的豐富功能，讓時間序列資料平台更為強大且靈活。
結合機器學習模型進行異常偵測，不再只是簡單的閾值警報，而是能夠識別潛在的異常模式，這對於即時監控和預測非常有幫助。

總而言之，本篇文章揭示了 TimescaleDB 在高效處理時間序列資料方面的重要優勢及其應用場景。

了解時序數據的重要性

## 時序數據與 TimescaleDB 及 PostgreSQL

### 提升 PostgreSQL 以應對時序工作負載！

時序數據無處不在，無論是感測器讀數、股價波動還是應用程式指標都屬於這類型。雖然一般的 PostgreSQL 能夠處理時間相關的數據，但它並未針對高頻率的資料寫入以及複雜查詢進行優化。因此，TimescaleDB 的出現正好填補了這個空白：這是一個能讓 PostgreSQL 轉變為強大的時序數據庫擴展。

在物聯網、金融市場和環境監測等領域，時序數據的實際應用案例顯示了其核心價值。例如，智能家居中的溫度傳感器可以持續記錄環境變化，而股票市場則需要即時追蹤價格波動。隨著時間戳索引技術的發展，查詢效能得到了顯著提升，使得分析大量歷史數據變得更為高效。此外，資料壓縮技術也大幅提高了存儲效率，使得使用 TimescaleDB 處理此類數據不僅快速且經濟。

為何選擇TimescaleDB提升PostgreSQL性能

在這篇文章中，我們將在Ubuntu上運行的Docker中的PostgreSQL實例上設置TimescaleDB，創建並填充時間序列數據的表格，並從終端探索其功能。---## 為什麼選擇TimescaleDB？TimescaleDB是建立在PostgreSQL之上的一個資料庫，它提供了專門針對時間序列數據的優化特性：- **Hypertables**：能自動對時間序列數據進行分區，以提升可擴展性。此外，它還具備如壓縮和資料聚合等技術，可以有效減少查詢所需的時間與存儲空間。透過設置自定義的保留策略和索引，使用者可以進一步提升性能，而它支援的連接池管理則有助於在高併發情況下優化效能。這些都是TimescaleDB在處理大量時間序列數據時，其獨特優勢的重要因素。

Extended Perspectives Comparison:

結論	要點
TimescaleDB的優勢	專為時序數據設計，提升查詢效能與存儲效率
Hypertables功能	自動分區以增強可擴展性，支持壓縮和聚合技術
應用場景	物聯網監控、金融市場跟蹤、性能指標記錄
安裝過程簡易性	透過Docker快速啟動PostgreSQL與TimescaleDB環境
查詢能力強大	支援複雜時間序列查詢與聚合分析

如何在Docker中啟動PostgreSQL和TimescaleDB

**壓縮技術**：在不影響查詢性能的情況下，減少儲存需求。
**時間序列聚合**：簡化數據彙總和分析。

這些技術的應用場景包括：
- 物聯網設備監控
- 金融市場追蹤
- 性能指標記錄

透過這些功能，使用者可以更有效地管理大規模數據，實現即時洞察與優化決策過程。例如，在物聯網領域，設備生成的大量數據經過壓縮後，可以更快速地進行分析，而不會因為存儲空間不足而影響系統運行。同樣地，在金融市場中，即時跟蹤價格變動和交易量對於投資決策至關重要，而時間序列聚合則幫助我們從繁雜的數據中提煉出有價值的信息。

連接PostgreSQL並啟用TimescaleDB擴展

為了這個專案，我們將使用Docker來啟動一個PostgreSQL資料庫。如果你還沒有安裝Docker，可以前往官方網站進行下載，絕對不會後悔的。我們將利用官方的TimescaleDB Docker映像檔，它已經預先安裝了PostgreSQL與相關擴展。

### 啟動容器

首先，我們需要執行以下指令來運行TimescaleDB容器。這樣就可以在本地環境中快速建立起一個可用的數據庫。同時，在連接到資料庫之前，建議先確認你的環境配置無誤，例如Docker是否正常運作，以及確保防火牆設置允許相應端口通訊。

在成功運行容器後，記得檢查TimescaleDB是否順利安裝並啟用。你可以透過連接至資料庫並執行一些基本查詢來確認，比如使用JDBC或psycopg2等工具進行連線。在配置連線參數時，可以考慮設置時間限制和重試策略，以提高穩定性及可靠性。

此外，如果在操作過程中遇到任何問題，不妨查閱常見問題解答部分，通常能找到解決方案，幫助你更順利地完成環境搭建。

Free Images

創建時間序列數據的測試表格與填充數據

在你的 Ubuntu 終端機中，執行以下指令來啟動 TimescaleDB 的 Docker 容器：

docker run -d \  --name timescaledb \  -p 5432:5432 \  -e POSTGRES_PASSWORD=mysecretpassword \  timescale/timescaledb:latest-pg17

這裡的 `-d` 是用來指定容器在後台運行的模式；`-e POSTGRES_PASSWORD` 則是設定 PostgreSQL 的密碼；而 `-p 5432:5432` 是將 PostgreSQL 的預設埠口進行映射。最後，使用的映像檔為 `timescale/timescaledb:latest-pg17`，這表示我們正在運行帶有 TimescaleDB 的 PostgreSQL 17版本。接著，你可以透過以下指令檢查容器是否正常運作：

docker ps

如果一切順利，你應該能在列表中看到 `timescaledb`。

查詢和分析時間序列數據的基本方法

在這裡，我們不需要自訂 Dockerfile，因為 TimescaleDB 的映像檔已經準備好了！接下來，讓我們連接並啟用 TimescaleDB。首先，可以使用 `psql` 來連接 PostgreSQL：

docker exec -it timescaledb psql -U postgres

。然後，我們要啟用 TimescaleDB 擴展：

EXTENSION IF NOT EXISTS timescaledb;

接著，你可以透過以下指令來驗證它是否已成功安裝：

* FROM pg_extension WHERE extname = 'timescaledb';

如果一切順利，你應該會在輸出中看到 `timescaledb`。你可以使用 `\q` 退出 `psql`，但先別急著離開，我們還有其他工作要做。

如何計算和儲存每日平均溫度

為了模擬一個時間序列的場景，我們將追蹤來自感測器的溫度讀數。接下來，我們會創建一個超表（TimescaleDB 的核心功能）並且填充一些初始資料。以下是 SQL 代碼，請依照這些步驟執行：

-- 創建一個常規表格以儲存感測器讀數

CREATE TABLE sensor_readings (

    time TIMESTAMP NOT NULL,

    sensor_id INT NOT NULL,

    temperature FLOAT NOT NULL

);



-- 將其轉換為超表

SELECT create_hypertable('sensor_readings', 'time');



-- 向表中插入示例數據以進行初始化

INSERT INTO sensor_readings (time, sensor_id, temperature)

VALUES    

    (NOW() - INTERVAL '2 days', 1, 23.5),    

    (NOW() - INTERVAL '1 day 12 hours', 1, 24.1),    

    (NOW() - INTERVAL '1 day', 2, 22.8),    

    (NOW() - INTERVAL '12 hours', 2, 25.0),    

    (NOW() - INTERVAL '6 hours', 1, 23.9),    

    (NOW(), 2, 24.7);



-- 可選地創建一個用於儲存每日平均值的聚合表格

CREATE TABLE daily_averages (

    day DATE NOT NULL,

    sensor_id INT NOT NULL,

    avg_temp FLOAT NOT NULL,

    PRIMARY KEY (day, sensor_id)

);

在上述過程中，我們首先建立了一個用於記錄感測器數據的標準資料表，然後利用 TimescaleDB 的 `create_hypertable` 功能將其轉換為超表，以便更有效地處理時間序列資料。在這裡，我們也透過 `INSERT` 語句填充了一些模擬的溫度讀取值。

此外，如果您想更深入了解如何計算和儲存每日平均溫度，可以考慮使用「窗口函數」來實現日均值計算。同時，不同的資料儲存格式（如行式與列式）的優缺點也是值得探討的主題，以提升查詢效率。具體而言，可以在完成初步設置後，運用 SQL 查詢語句對每日平均溫度進行計算和查詢，使整體流程更完整、更易理解。

以小時為單位分組時間序列數據的技巧

在這裡，我們有一個名為 `sensor_readings` 的資料表，用來儲存時間、感測器 ID 和溫度等數據。接下來，透過 `create_hypertable` 將此表轉換為超級資料表（hypertable），並根據時間進行分區。此外，我們將使用 `INSERT` 指令在兩天之內新增六條讀取數據，這些數據來自於兩個不同的感測器。然後我們會創建一個名為 `daily_averages` 的表格，以便未來存放聚合的數據。要檢查資料是否正確，可以執行以下 SQL 查詢：

* FROM sensor_readings;

這樣你就能看到帶有時間戳的已插入行了。

### 第四步：查詢與分析時間序列數據

TimescaleDB 在處理基於時間的查詢上非常出色。我們來看看一些範例。

#### 基本查詢：最近的讀取

如果想找到每個感測器最新的溫度，可以用以下 SQL 查詢：

DISTINCT ON (sensor_id)     sensor_id,     time,     temperature FROM sensor_readings ORDER BY sensor_id, time DESC;

- 這裡使用了 `DISTINCT ON`，可保持每個 `sensor_id` 的第一條記錄，在依照時間排序後顯示最新的一筆。

此外，利用 TimescaleDB 的功能，例如 `time_bucket()` 函數，可以更有效地對時序數據進行分組和聚合。如果要獲得每天或每小時的平均值，只需指定合適的時間範圍，即可快速計算。例如，你可以選擇一天中的特定小時，甚至根據不同時區的信息進行調整。同時，也可以結合其他聚合函數，如 `avg()` 或 `sum()`，以提升分析結果的準確性及實用性。透過具體案例展示這些技巧，不僅讓概念更加清晰，也能展現其高效優勢。

探索更多PostgreSQL文章資源

### 聚合：每日平均溫度計算與儲存每日的平均氣溫如下所示：

INTO daily_averages (day, sensor_id, avg_temp)SELECT     date_trunc('day', time) AS day,    sensor_id,    AVG(temperature) AS avg_tempFROM sensor_readingsGROUP BY date_trunc('day', time), sensor_id;

檢查結果可使用以下語句：

* FROM daily_averages;

### 時間桶：每小時趨勢將數據按小時分組的方法如下：

time_bucket('1 hour', time) AS hour,    sensor_id,    AVG(temperature) AS avg_tempFROM sensor_readingsWHERE time > NOW() - INTERVAL '1 day'GROUP BY time_bucket('1 hour', time), sensor_idORDER BY hour;

- `time_bucket` 是 TimescaleDB 函數，用於按時間區間進行聚合。

參與社群交流與獲取更多技術支持

在以下的列表中，你可以找到我所撰寫的所有PostgreSQL相關文章。這些內容對於初學者和進階開發者來說都非常有幫助，因為它們涵蓋了每一個你應該了解的關鍵PostgreSQL概念。如果你想深入了解，請點擊【這裡】。

如果你喜歡這篇文章或覺得它有幫助，可以考慮以下方式與我互動：
- 留下你的評論
- 關注我以獲取更多Python、PHP、JavaScript以及AI方面的文章

別忘了在**[LinkedIn]**上找到我。而我們的團隊也位於**[GenericSoft.eu]**！我們可以提供解決方案來協助解決你的問題。

此外，我鼓勵大家加入一些技術社群，例如Reddit、Slack或Discord等，分享自己的實作經驗與疑問。定期參加線上研討會和工作坊也是獲取最新技術資訊的一種好方法，而官方文檔及GitHub上的資源則能有效提升你對TimescaleDB等工具的理解與應用。

Reference Articles

TimescaleDB Docker 高可用部署指南原创

TimescaleDB 是一个基于PostgreSQL 的开源时间序列数据库，专为处理大规模时间序列数据而设计。它提供了高级的缩放功能、高效的查询处理以及对时间序列数据 ...
Source: CSDN博客

TimescaleDB：基于PostgreSQL 的时序数据库

TimescaleDB 是一款基于PostgreSQL 数据库开发的时序数据库，它在PostgreSQL 的基础上进行了优化，专门针对时序数据的特点提供了强大的功能和性能。
Source: 百度智能云

时序数据库TimescaleDB,实战部署全攻略

《时序数据库TimescaleDB与PostgreSQL 13的结合应用》 TimescaleDB是一款针对时间序列数据设计的开源数据库扩展，它构建于PostgreSQL之上，提供了高效的时间 ...
Source: CSDN博客

探索TimescaleDB：时序数据库分析的新篇章

Time scaleDB是一种开源的时序数据库，基于PostgreSQL开发，专门针对时间序列数据进行了优化。它通过使用块级时间索引和列式存储，提供了高性能的写入和查询 ...
Source: 百度智能云

【官方详解】Zabbix, 时间序列数据和TimescaleDB

使用 Timescale压缩和分块跳过索引，实现PostgreSQL处理数十亿行数据的方法。 ... TimescaleDB扩展切换到用PostgreSQL来存储他们的数据。ESDC的各种 ...
Source: 腾讯云

学习PostgreSQL看这篇文章就够了

1、视频下载链接： https://pan.baidu.com/s/1Q5u5NSrb0gL5-psA9DCBUQ (提取码：5nox 如果链接失效请通知我, 谢谢) · 二、学习资料 · 三、感恩 · 四、思考 · 五 ...
Source: 地鼠文档

时序数据库技术和架构演进 - 阿里云开发者社区

按照维基百科解释，时间序列数据库（TSDB）是一个为了用于处理时间序列数据而优化的软件系统，其按时间数值或时间范围进行索引。 1. 时序数据库增长 ...
Source: 阿里云开发者社区

分布式PostgreSQL 集群(Citus)官方示例- 时间序列数据

为了处理这种工作负载，单节点 PostgreSQL 数据库通常会使用表分区将一个按时间排序的大数据表分解为多个继承表，每个表包含不同的时间范围。
Source: 掘金

Don Tapscott

TimescaleDB實戰指南：用PostgreSQL高效處理時間序列資料

Summary

了解時序數據的重要性

為何選擇TimescaleDB提升PostgreSQL性能

如何在Docker中啟動PostgreSQL和TimescaleDB

連接PostgreSQL並啟用TimescaleDB擴展

創建時間序列數據的測試表格與填充數據

查詢和分析時間序列數據的基本方法

如何計算和儲存每日平均溫度

以小時為單位分組時間序列數據的技巧

探索更多PostgreSQL文章資源

參與社群交流與獲取更多技術支持

Reference Articles

TimescaleDB Docker 高可用部署指南原创

TimescaleDB：基于PostgreSQL 的时序数据库

时序数据库TimescaleDB,实战部署全攻略

探索TimescaleDB：时序数据库分析的新篇章

【官方详解】Zabbix, 时间序列数据和TimescaleDB

学习PostgreSQL看这篇文章就够了

时序数据库技术和架构演进 - 阿里云开发者社区

分布式PostgreSQL 集群(Citus)官方示例- 时间序列数据

Don Tapscott

Related Discussions

❖ Related Articles

心靈療癒的晚安訊息：為你與摯愛帶來平靜與祝福

如何打造專屬製造業的AI模型：FactoryBERT的開發與應用

物聯網安全指南：如何優化TLS配置以提升效能與節能

數據驅動轉型的關鍵：深入解析數據分析在製造業中的應用與趨勢

半導體製程的真相：3奈米晶片背後的技術與摩爾定律的未來

深入解析JTAG協議：邊界掃描測試的原理與實作指南

智慧工廠中的感測器應用：提升生產效率與品質的關鍵

深入解析Arduino ESP32 Core 3.0.0：新功能與升級指南

❖ Categories

Tags