TDengine 时序数据库实战笔记（20260622）

文章目录

- [1. 为什么需要时序数据库？（与传统数据库对比）](#1. 为什么需要时序数据库？（与传统数据库对比）)
- [2. 典型应用场景](#2. 典型应用场景)
- [3. 为什么选 TDengine？](#3. 为什么选 TDengine？)
- [4. 核心概念速览](#4. 核心概念速览)
- [5. 逻辑表与物理表：MySQL vs TDengine](#5. 逻辑表与物理表：MySQL vs TDengine)
- - [5.1 MySQL：逻辑表与物理表](#5.1 MySQL：逻辑表与物理表)
  - [5.2 TDengine：逻辑表与物理表（含时间分区与 vnode 分片）](#5.2 TDengine：逻辑表与物理表（含时间分区与 vnode 分片）)
- [6. 核心操作速查](#6. 核心操作速查)
- - [6.1 建库（分区 + 保留 + 冷热分层）](#6.1 建库（分区 + 保留 + 冷热分层）)
  - [6.2 建超级表（带缺省值、分片）](#6.2 建超级表（带缺省值、分片）)
  - [6.3 动态写入（伪代码）](#6.3 动态写入（伪代码）)
  - [6.4 创建预聚合（TSMA）](#6.4 创建预聚合（TSMA）)
- [7. 性能基线](#7. 性能基线)
- - [时间裁剪示例（假设数据库 `duration 10d`）](#时间裁剪示例（假设数据库 duration 10d）)
- [8. 生产部署架构](#8. 生产部署架构)
- [9. 版本与资源](#9. 版本与资源)

1. 为什么需要时序数据库？（与传统数据库对比）

对比维度	传统关系型数据库 (如 MySQL)	时序数据库 (以 TDengine 为例)
数据本质	离散事务，增删改查均衡	按时间顺序产生的结构化数据流，写多读少
时间处理	时间只是一个普通字段	时间是"第一公民"，自动分区、索引、裁剪
写入能力	单机每秒几千~几万行	单机每秒可达数百万行
查询模式	多表关联、单条查询	按时间范围聚合、降采样、趋势分析
存储压缩	通用压缩，效率一般	时序专用压缩，压缩比可达 10~30 倍
数据保留	需手动清理历史数据	内置自动过期 (`KEEP`)，按分区直接删除文件

核心判断标准 ：如果业务是海量设备持续产生带时间戳的数据，且主要查询是看趋势或做统计，就应该选时序数据库。

2. 典型应用场景

车联网：每辆车每秒上报 GPS、车速、电池状态等。
工业物联网 (IIoT)：工厂 PLC、传感器高频采集温度、压力、振动。
IT 监控：服务器 CPU、内存、网络流量等指标。
金融科技：交易行情、风险指标计算。

3. 为什么选 TDengine？

独特的"一设备一表"模型：单设备数据物理连续存储，顺序追加（无锁），查询极快。
极简运维：内置时间分区、自动分片、冷热分层、预聚合，无需手动分库分表。
SQL 兼容：学习成本低，团队上手快。
单机高性能：合理配置分片，4 核服务器也能支撑海量设备。
开源版功能完整：分片、TSMA 预聚合、冷热分层、MQTT 订阅等全部免费。

4. 核心概念速览

概念	说明
超级表 (STable)	定义数据列结构、标签（TAGS）的模板，不存实际数据
子表 (Subtable)	每个设备对应一张物理子表，用于存放该设备的所有数据
标签 (TAGS)	设备静态属性（如位置、型号），自动建索引，用于分组过滤
时间分区 (`duration`)	数据库级设置，按天/周/月自动切分物理数据文件
分片 (`vgroups`)	超级表级设置，将子表打散到多个 vnode 并行处理，单机建议设为 CPU 核数
冷热分层 (`tiered_storage`)	老数据自动从 SSD 迁移到 S3 对象存储
预聚合 (TSMA)	提前计算每小时/每天的统计值，查询聚合结果时毫秒级返回
MQTT 订阅	TDengine 可作为 MQTT Broker，反向推送数据给外部系统

5. 逻辑表与物理表：MySQL vs TDengine

5.1 MySQL：逻辑表与物理表

#mermaid-svg-FAyRN4OGJt3X0hiB{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-FAyRN4OGJt3X0hiB .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-FAyRN4OGJt3X0hiB .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-FAyRN4OGJt3X0hiB .error-icon{fill:#552222;}#mermaid-svg-FAyRN4OGJt3X0hiB .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-FAyRN4OGJt3X0hiB .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-FAyRN4OGJt3X0hiB .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-FAyRN4OGJt3X0hiB .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-FAyRN4OGJt3X0hiB .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-FAyRN4OGJt3X0hiB .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-FAyRN4OGJt3X0hiB .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-FAyRN4OGJt3X0hiB .marker{fill:#333333;stroke:#333333;}#mermaid-svg-FAyRN4OGJt3X0hiB .marker.cross{stroke:#333333;}#mermaid-svg-FAyRN4OGJt3X0hiB svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-FAyRN4OGJt3X0hiB p{margin:0;}#mermaid-svg-FAyRN4OGJt3X0hiB .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-FAyRN4OGJt3X0hiB .cluster-label text{fill:#333;}#mermaid-svg-FAyRN4OGJt3X0hiB .cluster-label span{color:#333;}#mermaid-svg-FAyRN4OGJt3X0hiB .cluster-label span p{background-color:transparent;}#mermaid-svg-FAyRN4OGJt3X0hiB .label text,#mermaid-svg-FAyRN4OGJt3X0hiB span{fill:#333;color:#333;}#mermaid-svg-FAyRN4OGJt3X0hiB .node rect,#mermaid-svg-FAyRN4OGJt3X0hiB .node circle,#mermaid-svg-FAyRN4OGJt3X0hiB .node ellipse,#mermaid-svg-FAyRN4OGJt3X0hiB .node polygon,#mermaid-svg-FAyRN4OGJt3X0hiB .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-FAyRN4OGJt3X0hiB .rough-node .label text,#mermaid-svg-FAyRN4OGJt3X0hiB .node .label text,#mermaid-svg-FAyRN4OGJt3X0hiB .image-shape .label,#mermaid-svg-FAyRN4OGJt3X0hiB .icon-shape .label{text-anchor:middle;}#mermaid-svg-FAyRN4OGJt3X0hiB .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-FAyRN4OGJt3X0hiB .rough-node .label,#mermaid-svg-FAyRN4OGJt3X0hiB .node .label,#mermaid-svg-FAyRN4OGJt3X0hiB .image-shape .label,#mermaid-svg-FAyRN4OGJt3X0hiB .icon-shape .label{text-align:center;}#mermaid-svg-FAyRN4OGJt3X0hiB .node.clickable{cursor:pointer;}#mermaid-svg-FAyRN4OGJt3X0hiB .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-FAyRN4OGJt3X0hiB .arrowheadPath{fill:#333333;}#mermaid-svg-FAyRN4OGJt3X0hiB .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-FAyRN4OGJt3X0hiB .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-FAyRN4OGJt3X0hiB .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-FAyRN4OGJt3X0hiB .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-FAyRN4OGJt3X0hiB .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-FAyRN4OGJt3X0hiB .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-FAyRN4OGJt3X0hiB .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-FAyRN4OGJt3X0hiB .cluster text{fill:#333;}#mermaid-svg-FAyRN4OGJt3X0hiB .cluster span{color:#333;}#mermaid-svg-FAyRN4OGJt3X0hiB div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-FAyRN4OGJt3X0hiB .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-FAyRN4OGJt3X0hiB rect.text{fill:none;stroke-width:0;}#mermaid-svg-FAyRN4OGJt3X0hiB .icon-shape,#mermaid-svg-FAyRN4OGJt3X0hiB .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-FAyRN4OGJt3X0hiB .icon-shape p,#mermaid-svg-FAyRN4OGJt3X0hiB .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-FAyRN4OGJt3X0hiB .icon-shape .label rect,#mermaid-svg-FAyRN4OGJt3X0hiB .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-FAyRN4OGJt3X0hiB .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-FAyRN4OGJt3X0hiB .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-FAyRN4OGJt3X0hiB :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} MySQL
1:1
逻辑表：sensor_data

（一张大表，包含所有设备）
物理文件：sensor_data.ibd

（所有设备数据混合存储）

实际例子

sql 复制代码

-- 创建一张表，所有设备共用
CREATE TABLE sensor_data (
    id INT AUTO_INCREMENT PRIMARY KEY,
    device_id VARCHAR(20),
    ts TIMESTAMP,
    current FLOAT
);

-- 设备A、B、C的数据全部混插在一起
INSERT INTO sensor_data (device_id, ts, current) VALUES
('A', NOW(), 10.5),
('B', NOW(), 12.1),
('A', NOW(), 10.7),
('C', NOW(), 9.8);

-- 查设备A的数据，必须全表过滤 device_id
SELECT * FROM sensor_data WHERE device_id = 'A' AND ts > NOW() - INTERVAL 7 DAY;

5.2 TDengine：逻辑表与物理表（含时间分区与 vnode 分片）

#mermaid-svg-SuzLSaLDzVQAZXCG{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-SuzLSaLDzVQAZXCG .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-SuzLSaLDzVQAZXCG .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-SuzLSaLDzVQAZXCG .error-icon{fill:#552222;}#mermaid-svg-SuzLSaLDzVQAZXCG .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-SuzLSaLDzVQAZXCG .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-SuzLSaLDzVQAZXCG .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-SuzLSaLDzVQAZXCG .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-SuzLSaLDzVQAZXCG .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-SuzLSaLDzVQAZXCG .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-SuzLSaLDzVQAZXCG .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-SuzLSaLDzVQAZXCG .marker{fill:#333333;stroke:#333333;}#mermaid-svg-SuzLSaLDzVQAZXCG .marker.cross{stroke:#333333;}#mermaid-svg-SuzLSaLDzVQAZXCG svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-SuzLSaLDzVQAZXCG p{margin:0;}#mermaid-svg-SuzLSaLDzVQAZXCG .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-SuzLSaLDzVQAZXCG .cluster-label text{fill:#333;}#mermaid-svg-SuzLSaLDzVQAZXCG .cluster-label span{color:#333;}#mermaid-svg-SuzLSaLDzVQAZXCG .cluster-label span p{background-color:transparent;}#mermaid-svg-SuzLSaLDzVQAZXCG .label text,#mermaid-svg-SuzLSaLDzVQAZXCG span{fill:#333;color:#333;}#mermaid-svg-SuzLSaLDzVQAZXCG .node rect,#mermaid-svg-SuzLSaLDzVQAZXCG .node circle,#mermaid-svg-SuzLSaLDzVQAZXCG .node ellipse,#mermaid-svg-SuzLSaLDzVQAZXCG .node polygon,#mermaid-svg-SuzLSaLDzVQAZXCG .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-SuzLSaLDzVQAZXCG .rough-node .label text,#mermaid-svg-SuzLSaLDzVQAZXCG .node .label text,#mermaid-svg-SuzLSaLDzVQAZXCG .image-shape .label,#mermaid-svg-SuzLSaLDzVQAZXCG .icon-shape .label{text-anchor:middle;}#mermaid-svg-SuzLSaLDzVQAZXCG .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-SuzLSaLDzVQAZXCG .rough-node .label,#mermaid-svg-SuzLSaLDzVQAZXCG .node .label,#mermaid-svg-SuzLSaLDzVQAZXCG .image-shape .label,#mermaid-svg-SuzLSaLDzVQAZXCG .icon-shape .label{text-align:center;}#mermaid-svg-SuzLSaLDzVQAZXCG .node.clickable{cursor:pointer;}#mermaid-svg-SuzLSaLDzVQAZXCG .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-SuzLSaLDzVQAZXCG .arrowheadPath{fill:#333333;}#mermaid-svg-SuzLSaLDzVQAZXCG .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-SuzLSaLDzVQAZXCG .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-SuzLSaLDzVQAZXCG .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-SuzLSaLDzVQAZXCG .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-SuzLSaLDzVQAZXCG .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-SuzLSaLDzVQAZXCG .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-SuzLSaLDzVQAZXCG .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-SuzLSaLDzVQAZXCG .cluster text{fill:#333;}#mermaid-svg-SuzLSaLDzVQAZXCG .cluster span{color:#333;}#mermaid-svg-SuzLSaLDzVQAZXCG div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-SuzLSaLDzVQAZXCG .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-SuzLSaLDzVQAZXCG rect.text{fill:none;stroke-width:0;}#mermaid-svg-SuzLSaLDzVQAZXCG .icon-shape,#mermaid-svg-SuzLSaLDzVQAZXCG .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-SuzLSaLDzVQAZXCG .icon-shape p,#mermaid-svg-SuzLSaLDzVQAZXCG .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-SuzLSaLDzVQAZXCG .icon-shape .label rect,#mermaid-svg-SuzLSaLDzVQAZXCG .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-SuzLSaLDzVQAZXCG .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-SuzLSaLDzVQAZXCG .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-SuzLSaLDzVQAZXCG :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 物理层自动管理
逻辑层
VNode_2
VNode_1
USING 动态生成
USING 动态生成
数据按时间落入
落入
散列到不同 VNode
落入
超级表 meters

模板，定义列与标签
子表 d_A
子表 d_B
分区: 6.1-6.10
分区: 6.11-6.20
分区: 6.1-6.10
分区: 6.11-6.20

实际例子

sql 复制代码

-- 1. 建库：每10天一个分区
CREATE DATABASE iot_db duration 10d;

-- 2. 建超级表：分4个vnode（单机4核）
CREATE STABLE meters (
    ts TIMESTAMP,
    current FLOAT
) TAGS (location INT) vgroups 4;

-- 3. 写入时自动生成子表
INSERT INTO d_A USING meters TAGS (1) VALUES ('2026-06-01 08:00:00', 10.5);  -- 落入某vnode的6.1-6.10分区
INSERT INTO d_A USING meters TAGS (1) VALUES ('2026-06-12 08:00:00', 11.2);  -- 落入6.11-6.20分区
INSERT INTO d_B USING meters TAGS (2) VALUES ('2026-06-01 08:00:00', 12.1);  -- 散列到另一vnode

-- 4. 查询设备A最近7天数据：只扫描d_A相关分区，无关数据自动跳过
SELECT * FROM d_A WHERE ts >= NOW - 7d;

核心区别：

MySQL 逻辑与物理 1:1 映射，所有设备数据混杂。
TDengine 逻辑上一设备一子表，物理上数据被时间分区 切分文件、vnode 分片并行处理，单设备查询无需扫描其他设备数据，性能极高。

6. 核心操作速查

6.1 建库（分区 + 保留 + 冷热分层）

sql 复制代码

-- 定义 S3 磁盘（可选）
CREATE DISK s3_disk TYPE 'S3'
  s3_endpoint 'https://s3.example.com'
  s3_bucket 'mybucket'
  s3_access_key 'your_access_key'
  s3_secret_key 'your_secret_key';

-- 建库：10天一分区，保留365天，启用冷热分层
CREATE DATABASE iot_db duration 10d keep 365d tiered_storage 's3_disk';

6.2 建超级表（带缺省值、分片）

sql 复制代码

CREATE STABLE meters (
  ts TIMESTAMP,
  current FLOAT,
  voltage FLOAT DEFAULT 220   -- 不上报则自动填220
) TAGS (
  location INT,
  device_type BINARY(32)
) vgroups 4;   -- 4核单机设4

6.3 动态写入（伪代码）

python 复制代码

device_id = msg["deviceId"]
loc       = msg["locationId"]
dev_type  = msg["deviceType"]
current   = msg.get("current")
voltage   = msg.get("voltage")

columns = ["ts"]
values  = ["now"]
if current is not None:
    columns.append("current"); values.append(str(current))
if voltage is not None:
    columns.append("voltage"); values.append(str(voltage))

sql = f"INSERT INTO {device_id} USING meters TAGS ({loc}, '{dev_type}') ({', '.join(columns)}) VALUES ({', '.join(values)})"

6.4 创建预聚合（TSMA）

sql 复制代码

-- 每小时自动计算平均电流和最大电流
CREATE TSMA tsma_hourly ON meters METRICS (avg(current), max(current)) INTERVAL(1h);

-- 查询过去7天每小时平均电流，自动命中TSMA，毫秒级返回
SELECT _wstart, avg(current) FROM meters WHERE ts >= NOW - 7d INTERVAL(1h);

7. 性能基线

单表容量 ：无硬上限，推荐控制在千万行 级。过大时配合时间裁剪 和预聚合（TSMA） 解决。
单行最大长度：48KB（TDengine 3.x）。
慢查询优化 ：务必带时间条件 WHERE ts >= ... 开启时间裁剪，配合 TSMA 避免全表扫描。

时间裁剪示例（假设数据库 `duration 10d`）

不裁剪（全表扫描）

sql 复制代码

-- 无时间条件，扫描所有历史分区，几亿行数据全过一遍
SELECT avg(current) FROM d_A;

裁剪（只扫描必要分区）

sql 复制代码

-- 加上时间条件，只扫描最近7天对应的分区（如6.11~6.20和6.21~6.30两个分区）
SELECT avg(current) FROM d_A WHERE ts >= NOW - 7d;

效果：扫描量从几亿行骤降到几百万行，速度提升几十倍。

时间裁剪 + TSMA 联合优化

sql 复制代码

-- 查询过去30天每小时的均值
SELECT _wstart, avg(current) FROM d_A
WHERE ts >= NOW - 30d
INTERVAL(1h);

时间裁剪：只扫30天内的3个分区。
TSMA 命中：直接读取预计算好的每小时汇总表，不碰原始数据。
结果：从几亿行原始数据 → 几千行汇总结果，毫秒级返回。

8. 生产部署架构

复制代码

设备 → MQTT Broker → Kafka(削峰) → 你的程序 → TDengine(SSD热 + S3冷)
                                            ↕ (可选) MQTT订阅 → 大屏/告警

9. 版本与资源

TDengine OSS (开源版)：免费，功能完整。
TDengine Enterprise (企业版)：收费，含 IDMP 工业平台、资产树、可视化、告警等。
官方文档：https://docs.taosdata.com/
下载地址：https://github.com/taosdata/TDengine/releases/latest

TDengine 时序数据库实战笔记（20260622）

文章目录

1. 为什么需要时序数据库？（与传统数据库对比）

2. 典型应用场景

3. 为什么选 TDengine？

4. 核心概念速览

5. 逻辑表与物理表：MySQL vs TDengine

5.1 MySQL：逻辑表与物理表

5.2 TDengine：逻辑表与物理表（含时间分区与 vnode 分片）

6. 核心操作速查

6.1 建库（分区 + 保留 + 冷热分层）

6.2 建超级表（带缺省值、分片）

6.3 动态写入（伪代码）

6.4 创建预聚合（TSMA）

7. 性能基线

时间裁剪示例（假设数据库 duration 10d）

8. 生产部署架构

9. 版本与资源

时间裁剪示例（假设数据库 `duration 10d`）