TDengine vs InfluxDB vs TimescaleDB 对比

三个时序数据库，摆在你面前。

选哪个？

这不是技术问题，是场景问题。

先看核心差异

维度	TDengine	InfluxDB	TimescaleDB
开源协议	AGPL + 商业闭源	MIT + 商业闭源	Timescale License + 商业
底层存储	自研 TDengineDB	自研 TSM	PostgreSQL
写入性能	100-200 万/s	50-100 万/s	10-20 万/s
集群方案	开源	商业版	部分开源
SQL 支持	扩展 SQL	InfluxQL/Flux	完整 SQL
超级表/超表	支持	不支持	Hypertable
多表写入	支持	不支持	支持

性能对比

写入性能

以下数据来自官方 benchmark 和公开测试，实际性能因硬件和数据模式不同会有差异。

数据库	单节点写入 (万/s)	集群写入 (万/s)	CPU 利用率
TDengine	150-200	500+	高
InfluxDB	50-100	200+ (商业版)	中
TimescaleDB	10-20	50+	中

查询性能

查询类型	TDengine	InfluxDB	TimescaleDB
单表时间范围查询	快	快	中
超级表聚合查询	快	慢	中
跨表 JOIN	不支持	不支持	支持
复杂 SQL	有限	有限	完整支持

场景对比

场景 1：IoT 传感器（100 万设备）

需求：
- 100 万台电表/水表/气表
- 每设备每秒上报 1 条
- 查询：单设备历史、特定区域聚合

推荐：TDengine

-- TDengine 超级表完美匹配
CREATE STABLE sensor_data (
    ts TIMESTAMP,
    value DOUBLE
) TAGS (device_id BINARY(64), location BINARY(50));

-- 单设备查询
SELECT * FROM sensor_data WHERE device_id = 'device_001';

-- 区域聚合（利用标签索引）
SELECT location, AVG(value)
FROM sensor_data
WHERE ts > NOW() - 1h
GROUP BY location;

InfluxDB 对比：

• 需要为每个设备创建 Measurement 或使用 tags
• 大量 tags 会导致高基数问题

TimescaleDB 对比：

• 性能不足，100 万设备并发写入可能瓶颈

场景 2：DevOps 监控（1000 台服务器）

需求：
- 1000 台服务器
- 每服务器每 10 秒上报 50 个指标
- 查询：服务监控、告警

推荐：InfluxDB + Telegraf

# Telegraf 配置
[[inputs.cpu]]
[[inputs.mem]]
[[inputs.disk]]
[[inputs.net]]

[[outputs.influxdb]]
  urls = ["http://localhost:8086"]

• Telegraf 生态完善，开箱即用
• InfluxDB + Grafana 可视化成熟
• 1000 台规模在 InfluxDB 单节点能力范围内

TDengine 对比：

• 需要额外适配
• 性能过剩

场景 3：金融时序数据（K 线数据）

需求：
- 股票/期货 Tick 数据
- 高频写入（毫秒级）
- 需要 JOIN 业务数据

推荐：TimescaleDB

-- TimescaleDB 完整 SQL 支持
SELECT t.ts, t.price, s.company_name, s.sector
FROM tick_data t
JOIN stock_info s ON t.stock_code = s.code
WHERE t.ts > NOW() - INTERVAL '1 day'
  AND t.stock_code IN ('AAPL', 'GOOGL');

• 完整 SQL 支持，JOIN 操作方便
• 与现有 BI 工具无缝集成
• PostgreSQL 生态丰富

TDengine/InfluxDB 对比：

• 不支持跨表 JOIN
• 需要额外的数据同步方案

功能对比

数据模型

特性	TDengine	InfluxDB	TimescaleDB
超表/超级表	✅ 超级表	❌	✅ Hypertable
标签索引	✅ 自动索引	✅ 需定义	✅ 自动分区索引
字段索引	✅	❌	✅
Schema 灵活	部分	灵活	固定
数据类型	丰富	有限	完整

降采样与保留

特性	TDengine	InfluxDB	TimescaleDB
连续查询	✅	✅	✅
内置降采样	✅	✅	✅
多保留策略	✅	✅	✅
自动数据过期	✅	✅	✅

生态集成

生态	TDengine	InfluxDB	TimescaleDB
Grafana	✅	✅ 原生	✅
Prometheus	✅	✅	✅
Kafka	✅	✅	❌
Tableau/BI	❌	❌	✅ 原生
Python/R	✅	✅	✅
JDBC/ODBC	✅	✅	✅ 原生

运维对比

部署复杂度

维度	TDengine	InfluxDB	TimescaleDB
单节点	⭐⭐⭐⭐⭐ 简单	⭐⭐⭐⭐⭐ 简单	⭐⭐⭐⭐⭐ 简单
集群	⭐⭐⭐ 中等	⭐⭐ 复杂（商业版）	⭐⭐⭐⭐ 成熟
Kubernetes	支持	支持	原生支持
云服务	TDengine Cloud	InfluxDB Cloud	Timescale Cloud

运维成本

维度	TDengine	InfluxDB	TimescaleDB
文档完整性	⭐⭐⭐⭐ 中文好	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐
社区活跃度	⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐
商业支持	涛思数据	InfluxData	Timescale
学习曲线	中等	中等	低

选型决策树

时序数据库选型：
│
├─ 需要完整 SQL + JOIN？
│   └─ 是 → TimescaleDB
│
├─ 数据量 > 10 亿条/天？
│   └─ 是 → TDengine（集群开源）
│
├─ Kubernetes + 云原生监控？
│   └─ 是 → InfluxDB + Prometheus
│
├─ IoT 场景 + 高并发写入？
│   └─ 是 → TDengine
│
└─ 团队熟悉 PostgreSQL？
    └─ 是 → TimescaleDB
    └─ 否 → InfluxDB（生态成熟）

迁移指南

InfluxDB → TDengine

-- InfluxDB
SELECT MEAN(cpu_usage) FROM cpu
WHERE host = 'server01'
GROUP BY time(1h), host;

-- TDengine（超级表语法）
CREATE STABLE cpu (
    ts TIMESTAMP,
    cpu_usage DOUBLE
) TAGS (host BINARY(50));

SELECT ts(1h), AVG(cpu_usage)
FROM cpu
WHERE host = 'server01'
GROUP BY ts(1h), host;

TimescaleDB → TDengine

-- TimescaleDB
SELECT time_bucket('1 hour', ts) AS hour,
       AVG(value)
FROM sensor_data
GROUP BY hour
ORDER BY hour;

-- TDengine
SELECT ts(1h), AVG(value)
FROM sensor_data
GROUP BY ts(1h);

面试追问方向

1. 为什么 TDengine 写入性能最高？ 无代理直连 VNode、超级表预聚合优化、列式存储 + 高效压缩。

2. TimescaleDB 的 Hypertable 和 TDengine 的超级表区别？ Hypertable 基于 PostgreSQL 分区，自动创建子表；超级表有明确的标签schema，标签索引更高效。

3. 三个数据库的压缩算法对比？ TDengine 使用列式压缩；InfluxDB 使用 Gorilla 压缩；TimescaleDB 使用 PostgreSQL 原生压缩。

4. 什么时候不能选 TimescaleDB？ 高并发写入（> 20 万/s）、超大规模（> 1 亿时间线）、需要开源集群方案时。