时序列数据库武斗大会之TSDB名录 Part 1

通过上一章《时序列数据库武斗大会之什么是TSDB》的介绍,相信大家已经知道了什么是时序列数据库,以及它能干什么,有什么特点等有了一定的了解。

那么在这一篇文章中,我们将介绍一下目前都有哪些TSDB,以及它们的特点,并基于个人观点,给出一定的(喜好)评判。

由于个人能力所限,有些地方调查可能不到位,再加上一定的个人主观因素,所以跟其他人的结论可能不一样,不过这应该也正常。没有调查就没有发言权,只有真正的深度用户的发言,才具有说服务力,你可以权当这里就当是我抛砖了。

虽然也有人用ElasticSearch或者MongoDB来存储时序列数据,作为更适合分类为NOSQL的这两个数据库软件,我们这里就不对它们做介绍了。

DB-Engines中时序列数据库排名

我们先来看一下DB-Engines中关于时序列数据库的排名

这是当前(2016年2月的)排名情况:

下面,我们就按照这个排名的顺序,简单介绍一下这些时序列数据库中的一些。下面要介绍的TSDB以开源的为主,如果是商业或者SaaS服务,也简单介绍一下其特点,让大家能对其他领域的事物也有所了解。

这里有一个例外,就是Pinot并不在这个排名里,但是我们也把它列在了这里。

1. InfluxDB

- - 备注
主页 https://influxdata.com/
编写语言 Golang
License MIT
项目创建时间 2013
最新版 v0.10.1 2016/2/18
活跃度 活跃
文档 详细

InfluxDB由Golang语言编写,也是由Golang编写的软件中比较著名的一个,在很多Golang的沙龙或者文章中可能都会把InfluxDB当标杆来介绍,这也间接帮助InfluxDB提高了知名度。

InfluxDB的主要特点包括下面这些:

  • schemaless(无结构),可以是任意数量的列
  • 可扩展(集群)
  • 方便、强大的查询语言
  • Native HTTP API
  • 集成了数据采集、存储、可视化功能
  • 实时数据Downsampling
  • 高效存储,使用高压缩比算法,支持retention polices

InfluxDB是TSDB中为数不多的进行了用户和角色方面实现的,提供了Cluster Admin、Database Admin和Database User三种角色。

InfluxDB的数据采集系统也支持多种协议和插件:

  • 行文本
  • UDP
  • Graphite
  • CollectD
  • OpenTSDB

不过InfluxDB每次变动都较大,尤其是在存储和集群方面,追求平平安过日子,不想瞎折腾的可以考虑下。

注意:

由于InfluxDB开发太活跃了,很可能你在网上搜到的资料都是老的,会害到你,所以你需要以官方文档为主

一句话总结:欣欣向荣、值得一试。

2. RRDtool

- - 备注
主页 http://oss.oetiker.ch/rrdtool/index.en.html
编写语言 C语言
License GNU GPL V2 or later
项目创建时间 16-Jul-1999 rrdtool-1.0.0
最新版 rrdtool-1.5.5 10-Nov-2015
活跃度 活跃
文档 详细

RRDtool全称为Round Robin Database Tool,也就是用于操作RRD的工具,简单明了的软件名。

什么是RRD呢?简单来说它就是一个循环使用的固定大小的数据库文件(其实也不太像典型的数据库)。

大体来说,RRDtool提供的主要工具如下:

  • 创建RRD(rrdtool create)
  • 更新RRD(rrdtool update)
  • 画图(rrdtool graph)

这其中,画图功能是最复杂也是最强大的,甚至支持下面这些图形,这是其他TSDB中少见的:

  • 指标比较,对两个指标值进行计算,描画出满足条件的区域
  • 移动平均线
  • 和历史数据进行对比
  • 基于最小二乘法的线性预测
  • 曲线预测

总之,它的画图功能太丰富了。

一句话总结:老牌经典、艺多不压身。

3. Graphite

- - 备注
主页 http://graphite.readthedocs.org/en/latest/
编写语言 Python
License Apache 2.0
项目创建时间 2006年
最新版 0.9.10 2012/5/31
活跃度 活跃
文档 详细

Graphite由Orbitz, LLC 的 Chris Davis创立于2006年,它主要有两个功能:

  • 存储数值型时序列数据
  • 根据请求对数据进行可视化(画图)

相应的,它的特点为:

  • 分布式时序列数据存储,容易扩展
  • 功能强大的画图Web API,提供了大量的函数和输出方式

Graphite本身不带数据采集功能,但是你可以选择很多第三方插件,比如适用于collectd、Ganglia或Sensu的插件等。同时,Graphite也支持Plaintext、Pickle和AMQP这些数据输入方式。

Graphite主要由三个模块组成:

  • whisper:创建、更新RRD文件
  • carbon:以守护进程的形式运行,接收数据写入请求
    • carbon-cache:数据存储
    • carbon-relay:分区和复制,位于carbon-cache之前,类似carbon-cache的负载均衡
    • carbon-aggregator:数据集计,用于减轻carbon-cache的负载
  • graphite-web:用于读取、展示数据的Web应用

whisper使用了类似RRDtool的RRD文件格式,它也不像C/S结构的软件一样,没有服务进程,只是作为Python library使用,提供对数据的create/update/fetch操作。

如果你对它的性能比较在意,这里有一份老的数据可供参考。

Google、Etsy、GitHub、豆瓣、Instagram、Evernote和Uber等很多知名公司都是Graphite的用户。有此背景,其可信度又加一层,而且网上的资料也相当的多,值得评估一下。

一句话总结:群众基础好、可以参考。

4. OpenTSDB

- - 备注
主页 http://opentsdb.net/
编写语言 Java
License LGPLv2.1+ GPLv3+
项目创建时间 2010
最新版 2.2
活跃度 活跃
文档 详细

OpenTSDB是一个分布式、可伸缩的时间序列数据库。它支持豪秒级数据采集所有metrics,支持永久存储(不需要downsampling),和InfluxDB类似,它也是无模式,以tag来实现维度的概念。

比如,这就是它的一个metric例子:

1
mysql.bytes_received 1287333217 66666666 schema=foo host=db1

OpenTSDB的节点称为TSD(Time Series Daemon (TSD)),它没有主、从之分,消除了单点隐患,非常容易扩展。它主要以HBase作为存储系统,现在也增加了对Cassandra和Bigtable(非云端)。

OpenTSDB以数据存储和查询为主,附带了一个简单地图形界面(依赖Gnuplot),共开发、调试使用。

一句话总结:好用,我们在用。

5. KDB+

- - 备注
主页 http://kx.com/
License 商业

所有TSDB中,估计就数这个最酷了,我说的是域名,只有两个字母,猥琐地想一下,域名就值很多钱 :-)。

kdb+是一个面向列的时序列数据库,以及专门为其设计的查询语言q(和他们的域名一样简短)。Kdb+混合使用了流、内存和实时分析,速度很快,支持分析10亿级别的记录以及快速访问TB级别的历史数据。

不过这是一个商业产品,但是也提供了免费版本(貌似还限制在32位)。

6. KairosDB

- - 备注
主页 http://kairosdb.github.io/
编写语言 Java
License Apache License 2.0
项目创建时间 2013
最新版 1.1.1 2015/12/08
活跃度 活跃
文档 详细

KairosDB是一个OpenTSDB的fork,不过是基于Cassandra存储的。由于Cassandra的行比HBase宽,所以KairosDB的Cassandra的默认行大小为3星期,而OpenTSDB的HBase则为1小时。

KairosDB支持通过Telnet、Rest、Graphite等协议写入数据,你也可以通过编写插件自己实现数据写入。

KairosDB也提供了基于Web API的查询接口,支持数据聚合、持过滤和分组等功能。

同时KairosDB提供了一个供开发用的Web UI,图形绘制引擎使用了 Flot

和OpenTSDB类似,KairosDB 也提供了插件机制,你可以使用插件完成如下工作:

  • 添加数据点(data point)监听器
  • 添加新的数据存储服务
  • 添加新的协议处理程序
  • 添加自定义系统监视服务

7. Druid

- - 备注
主页 http://druid.io/
编写语言 Java
License Apache License 2.0
项目创建时间 2011
最新版 Druid 0.9.0-RC2 2016/02/23
活跃度 活跃
文档 详细

Druid是一个快速、近实时的海量数据OLAP系统,并且是开源的。Druid诞生于Metamarkets,后来一些核心人员创立了IMPLY公司,进行Druid相关的产品开发。

Druid会按时间来进行分区(segment),并且是面向列存储的。它的主要特性如下:

  • 支持嵌套数据的列式存储
  • 层级查询
  • 二级索引
  • 实时数据摄取
  • 分布式容错架构

根据去年底druid.io的白皮书,现在生产环境下最大的集群规模如下:

  • >3M EVENTS / SECOND SUSTAINED (200B+ EVENTS/DAY)
  • 10 – 100K EVENTS / SECOND / CORE
  • >500TB OF SEGMENTS (>50 TRILLION RAW EVENTS)
  • >5000 CORES (>400 NODES, >100TB RAM)
  • QUERY LATENCY (500MS AVERAGE)
  • 90% < 1S 95% < 2S 99% < 10S
  • 3+ trillion events/month
  • 3M+ events/sec through Druid’s real-time ingestion
  • 100+ PB of raw data
  • 50+ trillion events

Druid企业用户比较多,比如OneAPM、Netflix和Paypal等。具体可以参考 http://druid.io/druid-powered.html

Druid架构比较复杂,因此对部署和运维也有一定的负担,比如需要的机器多、机器配置要高(尤其是内存)。

一句话总结:好用,我们在用。

8. Prometheus

- - 备注
主页 http://prometheus.io/
编写语言 Golang
License Apache License 2.0
项目创建时间 2012
最新版 0.17.0rc2 2016-02-05
活跃度 活跃
文档 详细

Prometheus是一个开源的服务监控系统和时序列数据库,由社交音乐平台SoundCloud在2012年开发,最近也变得很流行,最新版本为0.17.0rc2。

Prometheus从各种输入源采集metric,进行计算后显示结果,或者根据指定条件出发报警。

和其他监控系统相比,Prometheus的特点包括:

  • 多维数据模型(时序列数据由metric名和一组key/value组成)
  • 灵活的查询语言
  • 不依赖分布式存储,单台服务器即可工作
  • 通过基于HTTP的pull方式采集是序列数据
  • 可以通过中间网关进行时序列数据推送
  • 多种可视化和仪表盘支持

由于Prometheus采用了类似OpenTSDB 和 InfluxDB的key/value维度机制,所以如果你对任一种TSDB有了解的话,学习起来会简单些。

一句话总结:貌似比较火,何不试一试?

9. Pinot

- - 备注
主页 https://github.com/linkedin/pinot/wiki
编写语言 Java
License Apache License 2.0
项目创建时间 2014/08
最新版 0.016
活跃度 活跃
文档 详细

Pinot是一个开源的实时、分布式OLAP数据存储方案。它来自Linkedin,虽然Linkedin最近估价表现很差,但是他们创建的各种软件、中间件实在太多了。这一点我们做软件的都应该向Linkedin表示感谢。

Pinot就像是一个Druid的copy,不过两者的灵感都来源于SenseiDB(Sensei在日语里为老师的意思,写成汉字为“先生”)。

Pinot也像Druid一样,能加载offline数据(Hadoop文件)和实时数据(Kafka)。Pinot从设计上就面向水平扩展。

Pinot主要特点:

  • 面向列
  • 插拔式索引引擎:排序索引、位图索引和反向索引
  • 根据查询语句和segment信息对查询/执行计划进行优化
  • 从Kafka实时数据摄取(ingestion)
  • 从Hadoop进行批量摄取
  • 类似SQL的查询语言,支持聚合、过滤、分组、排序和唯一处理。
  • 支持多值字段
  • 水平扩展和容错

Pinot的特点和Druid很像,两者可互为参考。

一句话总结:背靠大树好乘凉。

小结

这里我们为大家介绍了几种常见TSDB,如不出意外,你可能会在这里选择某一种来使用。

尽管如此,我们还是会为大家介绍更多一些的项目,让大家能更多的了解一些不同的TSDB及其特点,也能帮助读者深入了解TSDB的各种场景,开阔思路。

在下一篇文章中,我们将会为各位再介绍几种时序列数据库。

相关阅读

这是本系列文章的其他部分: