InfluxDB 数据模型：从概念到实践

很多人学 InfluxDB，第一步就被数据模型搞懵了。

Measurement、Tag、Field、Timestamp……这些概念到底是什么意思？

今天，我们把这些概念彻底讲清楚。

---

核心概念：一条数据点

InfluxDB 的数据点（Point）由四部分组成：

┌─────────────────────────────────────────────────────────────────┐
│                           Point（数据点）                        │
│                                                                 │
│  ┌───────────────────────────────────────────────────────────┐ │
│  │                   Measurement（测量）                       │ │
│  │                        cpu_monitor                        │ │
│  └───────────────────────────────────────────────────────────┘ │
│                                                                 │
│  ┌───────────────────────────┐  ┌───────────────────────────┐ │
│  │     Tags（标签）           │  │     Fields（字段）         │ │
│  │  host = server01         │  │  usage_user = 45.2        │ │
│  │  region = us-east         │  │  usage_system = 12.3      │ │
│  │  role = web               │  │  usage_idle = 42.5       │ │
│  │                           │  │                           │ │
│  │  ✅ 建索引，可过滤/分组     │  │  ❌ 不建索引，存数据值     │ │
│  │  ✅ 低基数，重复值多        │  │  ✅ 高基数，唯一值多        │ │
│  └───────────────────────────┘  └───────────────────────────┘ │
│                                                                 │
│  Timestamp: 2024-03-15 10:00:00.000000000                      │
│                                                                 │
└─────────────────────────────────────────────────────────────────┘

---

概念对比：与关系型数据库类比

InfluxDB 概念	类比 SQL	说明
Measurement	Table	类似数据库的表
Tag	Indexed Column	有索引的列，用于过滤和分组
Field	Non-Indexed Column	没有索引的列，存储数据
Timestamp	Primary Key	主键，时间戳
Point	Row	一行数据

---

Tag vs Field：核心区别

这是 InfluxDB 最重要的设计决策：

特性	Tag	Field
索引	✅ 自动索引	❌ 不索引
存储	字符串	任意类型
适用场景	过滤、分组	存储数值
基数	低基数	高基数
查询性能	快	慢（全表扫描）

错误示例：把数据存成 Tag

# 错误：把 user_id 存成 Tag
# user_id 唯一值太多，会导致 Tag 膨胀
user_id=s User,value=123 1234567890000000000

# 错误：把 CPU 值存成 Tag
# CPU 是数值，应该存成 Field
cpu=45 host=server01 1234567890000000000

正确示例：合理分配 Tag 和 Field

# 正确：host 是 Tag（过滤用），cpu 是 Field（数值）
cpu_monitor,host=server01,region=us-east cpu=45.2 1234567890000000000

# 正确：状态码是 Tag（分组用），延迟是 Field（数值）
api_latency,method=GET,path=/api,status=200 latency=45 1234567890000000000

---

Line Protocol：数据写入格式

InfluxDB 使用 Line Protocol 作为数据写入格式：

measurement,tag1=value1,tag2=value2 field1=value1,field2=value2 timestamp

完整示例

// 完整格式
cpu_monitor,host=server01,region=us-east usage_user=45.2,usage_system=12.3,usage_idle=42.5 1709808000000000000

// 简化格式（时间戳可以省略，会自动生成）
cpu_monitor,host=server01 usage_user=45.2

Java 代码示例

import org.influxdb.dto.Point;

public class InfluxDBWrite {
    private final InfluxDB influxDB;

    public void writeCpuMetric(String host, double userCpu, double systemCpu) {
        Point point = Point.measurement("cpu_monitor")
            .tag("host", host)
            .tag("region", "us-east")
            .addField("usage_user", userCpu)
            .addField("usage_system", systemCpu)
            .time(System.currentTimeMillis(), TimeUnit.MILLISECONDS)
            .build();

        influxDB.write(Point.measurement("cpu_monitor")
            .tag("host", host)
            .addField("usage_user", userCpu)
            .build());
    }

    // 使用 POJO 写入
    public void writeWithPOJO(CpuMetric metric) {
        influxDB.writeMeasirementAsPOJO(metric, "cpu_monitor");
    }

    // 使用批量写入
    public void batchWrite(List<CpuMetric> metrics) {
        BatchPoints batchPoints = BatchPoints.database("monitoring")
            .tag("async", "true")
            .build();

        metrics.forEach(m -> {
            Point point = Point.measurement("cpu_monitor")
                .tag("host", m.getHost())
                .addField("usage_user", m.getUserCpu())
                .addField("usage_system", m.getSystemCpu())
                .time(m.getTimestamp(), TimeUnit.MILLISECONDS)
                .build();
            batchPoints.add(point);
        });

        influxDB.write(batchPoints);
    }
}

---

Series：数据的逻辑组织

Series = Measurement + Tag 组合

Measurement: cpu_monitor
Tag: host=server01
→ Series 1

Measurement: cpu_monitor
Tag: host=server02
→ Series 2

Measurement: cpu_monitor
Tag: host=server01, region=us-east
→ Series 3

理解 Series 的重要性：

• 每个 Series 独立存储
• Series 数量 = Card(measurement) × Card(tag1) × Card(tag2) × ...
• Series 数量过多会影响性能（InfluxDB 推荐 < 100 万个 Series）

---

Database 和 Retention Policy

┌─────────────────────────────────────────────────────────────────┐
│                         Database                                  │
│                        monitoring                                 │
│                                                                 │
│  ┌─────────────────────────────────────────────────────────────┐│
│  │              Retention Policy (RP)                          ││
│  │                                                             ││
│  │  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐        ││
│  │  │ autogen     │  │ 30d         │  │ 7d          │        ││
│  │  │ (永久)      │  │ (保留30天)  │  │ (保留7天)   │        ││
│  │  └─────────────┘  └─────────────┘  └─────────────┘        ││
│  │                                                             ││
│  └─────────────────────────────────────────────────────────────┘│
└─────────────────────────────────────────────────────────────────┘

-- 创建数据库
CREATE DATABASE monitoring

-- 创建保留策略
CREATE RETENTION POLICY "30d" ON monitoring
    DURATION 30d
    REPLICATION 1
    DEFAULT

CREATE RETENTION POLICY "7d" ON monitoring
    DURATION 7d
    REPLICATION 1
    SHARD DURATION 1d

---

Telegraf：数据采集器

InfluxDB 通常配合 Telegraf 使用：

# /etc/telegraf/telegraf.conf

# 输入插件：收集 CPU 数据
[[inputs.cpu]]
  percpu = true
  totalcpu = false
  collect_cpu_time = false

# 输入插件：收集内存数据
[[inputs.mem]]
  # 无需配置，使用默认参数

# 输入插件：收集 MySQL 数据
[[inputs.mysql]]
  servers = ["tcp://localhost:3306"]
  username = "telegraf"
  password = "password"

# 输出插件：写入 InfluxDB
[[outputs.influxdb]]
  urls = ["http://localhost:8086"]
  database = "monitoring"
  retention_policy = "30d"

---

面试追问方向

• InfluxDB 的 Tag 为什么能提高查询性能？
• 如何避免 Series 数量膨胀？

下一节，我们来了解 InfluxDB 的 Line Protocol。