时序数据库选型：InfluxDB vs Prometheus vs TDengine vs TimescaleDB

面试官问你：「你们项目用的是哪个时序数据库？为什么选它？」

你该怎么回答？

今天我们横向对比四大主流时序数据库，帮你理清选型思路。

核心对比表

特性	InfluxDB	Prometheus	TDengine	TimescaleDB
定位	通用时序数据库	监控告警	物联网	PostgreSQL 扩展
写入性能	100万点/秒	100万样本/秒	500万表/秒	10万行/秒
查询语言	InfluxQL/Flux	PromQL	SQL	SQL
数据模型	Tag/Field	Label	Tag/Field	标准关系型
存储引擎	TSM	自研	自研	PostgreSQL
集群	企业版	原生支持	开源	企业版
开源	OSS版本可用	完全开源	Apache 2.0	Apache 2.0
生态	丰富	丰富	发展中	依赖 PG 生态

InfluxDB：功能最全面

优点

功能完善：数据保留策略（RP）、连续查询（CQ）、downsampling
生态丰富：Telegraf 采集器支持 200+ 数据源
API 友好：HTTP API、客户端库丰富
InfluxQL：类 SQL，学习成本低

缺点

集群收费：开源版只有单机，高可用需要企业版
性能一般：相对其他 TSDB，写入性能不是最强
资源占用：比其他方案占用更多内存

适用场景

需要完善的数据生命周期管理
多数据源聚合（Telegraf 生态）
需要灵活查询语言（Flux）

Prometheus：云原生监控之王

优点

云原生：Kubernetes 原生支持
pull 模式：无需在采集端部署 agent
强大查询：PromQL 功能强大
告警强大：AlertManager 原生集成
社区活跃：Exporter 生态极其丰富

缺点

数据模型限制：Label 数量有限制
不适合存储原始数据：主要是指标快照
单实例限制：需要 Thanos/Cortex 等实现集群
长期存储弱：需要联邦集群或远程存储

适用场景

Kubernetes 监控
微服务应用监控
需要原生告警能力

TDengine：物联网专精

优点

高性能：独特的超级表设计，写入性能极强
集群开源：高可用集群版本完全开源
存储效率高：列式压缩，存储成本低
SQL 兼容：使用标准 SQL，学习成本低
国产之光：中文文档，国产支持

缺点

生态较弱：采集器、工具链不如 InfluxDB
社区较小：相比其他方案，社区较新
使用限制：某些高级功能需要企业版

适用场景

工业物联网
车联网
需要高性能写入的边缘计算

TimescaleDB：PostgreSQL 的力量

优点

SQL 完全兼容：任何 PostgreSQL 客户端都能用
扩展丰富：PostgreSQL 生态的所有扩展
迁移成本低：从 PostgreSQL 迁移容易
Hypertable 设计：自动分区，查询优化

缺点

基于 PostgreSQL：底层是 PG，扩展性受限
写入性能：相对其他 TSDB 较弱
压缩率：不如专有 TSDB

适用场景

已使用 PostgreSQL 的团队
需要复杂 SQL 查询
数据需要和其他业务库关联

横向对比：性能测试

以下数据基于官方 benchmark，仅供参考：

写入性能

InfluxDB:    ████████░░  ~100万点/秒
Prometheus:  ████████░░  ~100万样本/秒
TDengine:    ██████████  ~500万表/秒
TimescaleDB: ████░░░░░░  ~10万行/秒

存储压缩率

InfluxDB:    ████████░░  ~5-10x
Prometheus:  ██████░░░░  ~3-5x
TDengine:    ██████████  ~10-20x
TimescaleDB: ████░░░░░░  ~2-3x

查询性能（时间范围聚合）

InfluxDB:    ████████░░  优秀
Prometheus:  █████████░  很好
TDengine:    █████████░  很好
TimescaleDB: ██████░░░░  良好

选型决策树

需要 Kubernetes 监控吗？
  │
  ├─ 是 → Prometheus（首选）
  │
  └─ 否 → 团队有 PostgreSQL 经验吗？
            │
            ├─ 是 → TimescaleDB（迁移成本低）
            │
            └─ 否 → 数据规模大吗？
                      │
                      ├─ &lt; 100万点/秒 → InfluxDB（生态好）
                      │
                      └─ > 100万点/秒 → TDengine（高性能）

实际选型案例

案例一：电商监控系统

需求：监控 1000 台服务器的 CPU、内存、应用指标

选型：InfluxDB + Grafana

理由：

数据量中等（~100万点/秒）
需要和现有监控系统集成
Telegraf 生态丰富

案例二：Kubernetes 微服务监控

需求：监控 100 个微服务的 QPS、延迟、错误率

选型：Prometheus + Thanos

理由：

Kubernetes 原生
pull 模式无需部署 agent
AlertManager 告警方便

案例三：工业 IoT 平台

需求：接入 10 万个传感器，每秒上报 10 次

选型：TDengine

理由：

写入性能要求高
需要集群支持
存储成本敏感

Java 客户端对比

java

// InfluxDB
InfluxDB influxDB = InfluxDBFactory.connect("http://localhost:8086");
influxDB.write(Point.measurement("cpu")
    .tag("host", "server01")
    .addField("value", 45.2)
    .time(System.currentTimeMillis(), TimeUnit.MILLISECONDS)
    .build());

// Prometheus
Retrofit retrofit = new Retrofit.Builder()
    .baseUrl("http://prometheus:9090/")
    .build();
PrometheusApi api = retrofit.create(PrometheusApi.class);
QueryResult result = api.query("rate(http_requests_total[5m])");

// TDengine
String sql = "INSERT INTO d1001 VALUES (NOW, 45.2)";
stmt.execute(sql);

// TimescaleDB
String sql = "INSERT INTO cpu (time, device_id, value) VALUES (NOW(), 'server01', 45.2)";

面试追问方向

你们项目用的时序数据库性能瓶颈在哪里？
如果数据量增长 10 倍，你会怎么扩容？

下一节，我们来了解时序数据库的查询优化。

时序数据库选型：InfluxDB vs Prometheus vs TDengine vs TimescaleDB ​

核心对比表 ​

InfluxDB：功能最全面 ​

优点 ​

缺点 ​

适用场景 ​

Prometheus：云原生监控之王 ​

优点 ​

缺点 ​

适用场景 ​

TDengine：物联网专精 ​

优点 ​

缺点 ​

适用场景 ​

TimescaleDB：PostgreSQL 的力量 ​

优点 ​

缺点 ​

适用场景 ​

横向对比：性能测试 ​

写入性能 ​

存储压缩率 ​

查询性能（时间范围聚合） ​

选型决策树 ​

实际选型案例 ​

案例一：电商监控系统 ​

案例二：Kubernetes 微服务监控 ​

案例三：工业 IoT 平台 ​

Java 客户端对比 ​

面试追问方向 ​

时序数据库选型：InfluxDB vs Prometheus vs TDengine vs TimescaleDB

核心对比表

InfluxDB：功能最全面

优点

缺点

适用场景

Prometheus：云原生监控之王

优点

缺点

适用场景

TDengine：物联网专精

优点

缺点

适用场景

TimescaleDB：PostgreSQL 的力量

优点

缺点

适用场景

横向对比：性能测试

写入性能

存储压缩率

查询性能（时间范围聚合）

选型决策树

实际选型案例

案例一：电商监控系统

案例二：Kubernetes 微服务监控

案例三：工业 IoT 平台

Java 客户端对比

面试追问方向