时序数据库系列（四）：InfluxQL查询语言详解

数据写进去了，接下来就是把它们查出来。InfluxDB使用InfluxQL作为查询语言，语法类似SQL，但专门为时间序列数据优化过。

如果你熟悉SQL，学InfluxQL会很快上手。如果不熟悉也没关系，我们从基础开始。

1 基础查询语法

图1-1：InfluxQL基础查询语法结构示意图，展示了SELECT语句的组成部分、常见查询模式以及WHERE子句的使用方法

1.1 SELECT语句结构

InfluxQL的基本结构和SQL很像：

sql 复制代码

SELECT <field_key>[,<field_key>,<tag_key>] FROM <measurement_name>[,<measurement_name>]

最简单的查询：

sql 复制代码

-- 查询所有字段
SELECT * FROM temperature

-- 查询特定字段
SELECT value FROM temperature

-- 查询多个字段
SELECT value, humidity FROM temperature

1.2 WHERE条件筛选

用WHERE来筛选数据：

sql 复制代码

-- 按标签筛选
SELECT * FROM temperature WHERE location = 'room1'

-- 按时间筛选
SELECT * FROM temperature WHERE time >= '2023-01-01T00:00:00Z'

-- 组合条件
SELECT * FROM temperature 
WHERE location = 'room1' AND time >= now() - 1h

1.3 时间范围查询

时间是时序数据的核心，InfluxQL提供了灵活的时间查询：

sql 复制代码

-- 查询最近1小时的数据
SELECT * FROM temperature WHERE time >= now() - 1h

-- 查询特定时间段
SELECT * FROM temperature 
WHERE time >= '2023-01-01T00:00:00Z' 
AND time <= '2023-01-01T23:59:59Z'

-- 查询最近7天
SELECT * FROM temperature WHERE time >= now() - 7d

-- 查询今天的数据
SELECT * FROM temperature WHERE time >= now() - 1d

时间单位很丰富：

s 秒
m 分钟
h 小时
d 天
w 周

2 聚合函数

图2-1：InfluxQL聚合函数和时间窗口示意图，展示了基本聚合函数的使用方法、GROUP BY TIME的工作原理以及不同时间窗口粒度的性能对比

2.1 基本聚合函数

InfluxQL提供了丰富的聚合函数：

sql 复制代码

-- 计算平均值
SELECT MEAN(value) FROM temperature WHERE time >= now() - 1h

-- 计算最大值和最小值
SELECT MAX(value), MIN(value) FROM temperature WHERE time >= now() - 1h

-- 计算总和
SELECT SUM(value) FROM temperature WHERE time >= now() - 1h

-- 计算数量
SELECT COUNT(value) FROM temperature WHERE time >= now() - 1h

-- 计算标准差
SELECT STDDEV(value) FROM temperature WHERE time >= now() - 1h

2.2 时间窗口聚合

GROUP BY TIME是InfluxQL的核心功能，用来按时间窗口聚合数据：

sql 复制代码

-- 按5分钟窗口计算平均值
SELECT MEAN(value) FROM temperature 
WHERE time >= now() - 1h 
GROUP BY time(5m)

-- 按1小时窗口计算最大值
SELECT MAX(value) FROM temperature 
WHERE time >= now() - 1d 
GROUP BY time(1h)

-- 按天计算平均值
SELECT MEAN(value) FROM temperature 
WHERE time >= now() - 30d 
GROUP BY time(1d)

2.3 按标签分组

除了时间，还可以按标签分组：

sql 复制代码

-- 按location分组
SELECT MEAN(value) FROM temperature 
WHERE time >= now() - 1h 
GROUP BY location

-- 按时间和标签同时分组
SELECT MEAN(value) FROM temperature 
WHERE time >= now() - 1h 
GROUP BY time(5m), location

-- 多个标签分组
SELECT MEAN(value) FROM temperature 
WHERE time >= now() - 1h 
GROUP BY location, sensor_type

3 高级查询功能

图3-1：InfluxQL高级查询功能示意图，展示了子查询、数学运算和数据填充等高级功能的使用方法和应用场景

3.1 子查询

InfluxQL支持子查询，用来处理复杂的数据分析：

sql 复制代码

-- 查询高于平均温度的数据点
SELECT * FROM temperature 
WHERE value > (
    SELECT MEAN(value) FROM temperature WHERE time >= now() - 1h
)

-- 查询每小时最高温度的时间点
SELECT * FROM (
    SELECT MAX(value) FROM temperature 
    WHERE time >= now() - 1d 
    GROUP BY time(1h)
)

3.2 数学运算

可以对字段进行数学运算：

sql 复制代码

-- 温度单位转换（摄氏度转华氏度）
SELECT value * 9/5 + 32 AS fahrenheit FROM temperature

-- 计算温湿度指数
SELECT value + humidity * 0.1 AS comfort_index FROM temperature

-- 计算变化率
SELECT DERIVATIVE(value) FROM temperature 
WHERE time >= now() - 1h 
GROUP BY time(1m)

3.3 填充缺失数据

时序数据经常有缺失值，可以用FILL来处理：

sql 复制代码

-- 用前一个值填充
SELECT MEAN(value) FROM temperature 
WHERE time >= now() - 1h 
GROUP BY time(5m) 
FILL(previous)

-- 用线性插值填充
SELECT MEAN(value) FROM temperature 
WHERE time >= now() - 1h 
GROUP BY time(5m) 
FILL(linear)

-- 用固定值填充
SELECT MEAN(value) FROM temperature 
WHERE time >= now() - 1h 
GROUP BY time(5m) 
FILL(0)

-- 不填充（默认）
SELECT MEAN(value) FROM temperature 
WHERE time >= now() - 1h 
GROUP BY time(5m) 
FILL(null)

4 窗口函数和移动计算

图4-1：InfluxQL窗口函数和移动计算示意图，展示了移动平均、导数计算和累积计算等窗口函数的工作原理和应用场景

4.1 移动平均

sql 复制代码

-- 5点移动平均
SELECT MOVING_AVERAGE(value, 5) FROM temperature 
WHERE time >= now() - 1h

-- 指数移动平均
SELECT EXPONENTIAL_MOVING_AVERAGE(value, 5) FROM temperature 
WHERE time >= now() - 1h

4.2 变化率计算

sql 复制代码

-- 计算导数（变化率）
SELECT DERIVATIVE(value) FROM temperature 
WHERE time >= now() - 1h 
GROUP BY time(1m)

-- 计算非负导数
SELECT NON_NEGATIVE_DERIVATIVE(value) FROM cpu_usage 
WHERE time >= now() - 1h 
GROUP BY time(1m)

-- 计算差值
SELECT DIFFERENCE(value) FROM temperature 
WHERE time >= now() - 1h

4.3 累积计算

sql 复制代码

-- 累积和
SELECT CUMULATIVE_SUM(value) FROM rainfall 
WHERE time >= now() - 1d

-- 积分计算
SELECT INTEGRAL(value) FROM power_consumption 
WHERE time >= now() - 1d 
GROUP BY time(1h)

5 正则表达式和模式匹配

5.1 正则表达式查询

sql 复制代码

-- 匹配特定模式的标签值
SELECT * FROM temperature WHERE location =~ /room[0-9]+/

-- 不匹配特定模式
SELECT * FROM temperature WHERE location !~ /test.*/

-- 匹配多个measurement
SELECT * FROM /temperature|humidity/ WHERE time >= now() - 1h

5.2 LIKE操作符

sql 复制代码

-- 模糊匹配
SELECT * FROM temperature WHERE location LIKE 'room%'

-- 不匹配
SELECT * FROM temperature WHERE location NOT LIKE 'test%'

6 数据排序和限制

6.1 ORDER BY排序

sql 复制代码

-- 按时间升序（默认）
SELECT * FROM temperature ORDER BY time ASC

-- 按时间降序
SELECT * FROM temperature ORDER BY time DESC

-- 按字段值排序
SELECT * FROM temperature ORDER BY value DESC

6.2 LIMIT限制结果

sql 复制代码

-- 限制返回条数
SELECT * FROM temperature LIMIT 100

-- 跳过前N条记录
SELECT * FROM temperature LIMIT 100 OFFSET 50

-- 获取最新的10条记录
SELECT * FROM temperature ORDER BY time DESC LIMIT 10

7 多表查询和连接

7.1 多measurement查询

sql 复制代码

-- 查询多个measurement
SELECT * FROM temperature, humidity WHERE time >= now() - 1h

-- 使用正则表达式查询多个measurement
SELECT * FROM /temperature|humidity/ WHERE time >= now() - 1h

7.2 数据合并

虽然InfluxQL不支持传统的JOIN，但可以用其他方式合并数据：

sql 复制代码

-- 在应用层合并不同measurement的数据
-- 或者使用Flux查询语言（InfluxDB 2.0+）

8 实用查询示例

8.1 监控告警查询

sql 复制代码

-- 查找温度异常的时间点
SELECT * FROM temperature 
WHERE value > 30 OR value < 10

-- 查找CPU使用率持续高于80%的时间段
SELECT MEAN(cpu_percent) FROM cpu_usage 
WHERE time >= now() - 1h 
GROUP BY time(5m) 
HAVING MEAN(cpu_percent) > 80

8.2 性能分析查询

sql 复制代码

-- 计算响应时间的95百分位数
SELECT PERCENTILE(response_time, 95) FROM api_requests 
WHERE time >= now() - 1h 
GROUP BY time(5m)

-- 查找最慢的请求
SELECT * FROM api_requests 
WHERE time >= now() - 1h 
ORDER BY response_time DESC 
LIMIT 10

8.3 趋势分析查询

sql 复制代码

-- 计算同比增长率
SELECT MEAN(value) FROM sales 
WHERE time >= now() - 7d 
GROUP BY time(1d)

-- 计算移动平均趋势
SELECT MOVING_AVERAGE(MEAN(value), 7) FROM temperature 
WHERE time >= now() - 30d 
GROUP BY time(1d)

9 查询优化技巧

图9-1：InfluxQL查询优化技巧对比图，展示了推荐与不推荐的查询方式对比，以及各种优化策略的性能影响分析

9.1 索引利用

sql 复制代码

-- 好的查询：利用标签索引
SELECT * FROM temperature WHERE location = 'room1' AND time >= now() - 1h

-- 避免：对字段进行范围查询
SELECT * FROM temperature WHERE value > 25  -- 这会很慢

9.2 时间范围控制

sql 复制代码

-- 总是指定时间范围
SELECT * FROM temperature WHERE time >= now() - 1h

-- 避免查询全部历史数据
SELECT * FROM temperature  -- 这可能很慢

9.3 聚合优化

sql 复制代码

-- 使用适当的时间窗口
SELECT MEAN(value) FROM temperature 
WHERE time >= now() - 1d 
GROUP BY time(1h)  -- 而不是 GROUP BY time(1s)

10 常见错误和解决方案

图10-1：InfluxQL常见错误诊断与解决方案图，展示了语法错误、性能问题和数据类型问题的诊断流程以及相应的解决方案

10.1 语法错误

sql 复制代码

-- 错误：忘记引号
SELECT * FROM temperature WHERE location = room1

-- 正确：字符串要加引号
SELECT * FROM temperature WHERE location = 'room1'

-- 错误：时间格式不对
SELECT * FROM temperature WHERE time > '2023-01-01'

-- 正确：使用完整的时间格式
SELECT * FROM temperature WHERE time > '2023-01-01T00:00:00Z'

10.2 性能问题

sql 复制代码

-- 问题：查询范围太大
SELECT * FROM temperature WHERE time >= '2020-01-01T00:00:00Z'

-- 解决：限制时间范围
SELECT * FROM temperature WHERE time >= now() - 7d

-- 问题：没有使用标签筛选
SELECT * FROM temperature WHERE value > 25

-- 解决：先用标签筛选，再用字段筛选
SELECT * FROM temperature WHERE location = 'room1' AND value > 25

10.3 数据类型问题

sql 复制代码

-- 错误：标签值用数字比较
SELECT * FROM temperature WHERE room_number > 5

-- 正确：标签值是字符串
SELECT * FROM temperature WHERE room_number = '5'

11 命令行查询实践

11.1 使用influx CLI

bash 复制代码

# 进入InfluxDB命令行
influx -host localhost -port 8086

# 选择数据库（InfluxDB 1.x）
USE mydb

# 执行查询
SELECT * FROM temperature WHERE time >= now() - 1h;

# 格式化输出
SELECT * FROM temperature WHERE time >= now() - 1h FORMAT json;

11.2 HTTP API查询

bash 复制代码

# 使用curl查询
curl -G 'http://localhost:8086/query' \
  --data-urlencode "db=mydb" \
  --data-urlencode "q=SELECT * FROM temperature WHERE time >= now() - 1h"

# InfluxDB 2.0 API
curl -XPOST 'http://localhost:8086/api/v2/query' \
  -H 'Authorization: Token your-token' \
  -H 'Content-Type: application/vnd.flux' \
  -d 'from(bucket:"mybucket") |> range(start:-1h) |> filter(fn:(r) => r._measurement == "temperature")'

掌握了InfluxQL，你就能从时序数据中挖掘出有价值的信息了。下一篇我们会学习聚合函数的高级用法，让数据分析更加强大。