Update Queries-ch.md
Minor modifications on multi-tables queries and add LIKE in query sample.
This commit is contained in:
Bo Xiao
GitHub
parent
1ff9ddfcb2
commit
c294e86617
|
|
@ -29,51 +29,30 @@ Query OK, 2 row(s) in set (0.001100s)
|
|||
具体的查询语法请看<a href="https://www.taosdata.com/cn/documentation20/taos-sql/">TAOS SQL </a>。
|
||||
|
||||
## 多表聚合查询
|
||||
以温度传感器采集时序数据作为例，示范Stable超级表多表聚合查询的使用。
|
||||
物联网场景中，往往同一个类型的数据采集点有多个。TDengine采用超级表(STable)的概念来描述某一个类型的数据采集点，一张普通的表来描述一个具体的数据采集点。同时TDengine使用标签来描述数据采集点的静态属性，一个具体的数据采集点有具体的标签值。通过指定标签的过滤条件，TDengine提供了一高效的方法将超级表(某一类型的数据采集点)所属的子表进行聚合查询。对普通表的聚合函数以及绝大部分操作都适用于超级表，语法完全一样。
|
||||
|
||||
在这个例子中，对每个温度计都会建立一张表，表名为温度计的ID，温度计读数的时刻记为ts，采集的值记为degree。通过tags给每个采集器打上不同的标签，其中记录温度计的地区和类型，以方便我们后面的查询。所有温度计的采集量都一样，因此我们用STable来定义表结构。
|
||||
**示例1**：在TAOS Shell，查找北京所有智能电表采集的电压平均值，并按照location分组
|
||||
```mysql
|
||||
taos> SELECT AVG(voltage) FROM meters GROUP BY location;
|
||||
avg(voltage) | location |
|
||||
=============================================================
|
||||
222.000000000 | Beijing.Haidian |
|
||||
219.200000000 | Beijing.Chaoyang |
|
||||
Query OK, 2 row(s) in set (0.002136s)
|
||||
```
|
||||
|
||||
**定义STable表结构并使用它创建子表**
|
||||
创建STable语句如下：
|
||||
```mysql
|
||||
CREATE TABLE thermometer (ts timestamp, degree double)
|
||||
TAGS(location binary(20), type int)
|
||||
```
|
||||
假设有北京，天津和上海三个地区的采集器共4个，温度采集器有3种类型，我们就可以对每个采集器建表如下：
|
||||
```mysql
|
||||
CREATE TABLE therm1 USING thermometer TAGS (’beijing’, 1);
|
||||
CREATE TABLE therm2 USING thermometer TAGS (’beijing’, 2);
|
||||
CREATE TABLE therm3 USING thermometer TAGS (’tianjin’, 1);
|
||||
CREATE TABLE therm4 USING thermometer TAGS (’shanghai’, 3);
|
||||
```
|
||||
其中therm1，therm2，therm3，therm4是超级表thermometer四个具体的子表，也即普通的Table。以therm1为例，它表示采集器therm1的数据，表结构完全由thermometer定义，标签location=”beijing”, type=1表示therm1的地区是北京，类型是第1类的温度计。
|
||||
**示例2**：在TAOS shell, 查找groupId为2的所有智能电表过去24小时的记录条数，电流的最大值
|
||||
|
||||
**写入数据**
|
||||
注意，写入数据时不能直接对STable操作，而是要对每张子表进行操作。我们分别向四张表therm1，therm2， therm3， therm4写入一条数据，写入语句如下：
|
||||
```mysql
|
||||
INSERT INTO therm1 VALUES (’2018-01-01 00:00:00.000’, 20);
|
||||
INSERT INTO therm2 VALUES (’2018-01-01 00:00:00.000’, 21);
|
||||
INSERT INTO therm3 VALUES (’2018-01-01 00:00:00.000’, 24);
|
||||
INSERT INTO therm4 VALUES (’2018-01-01 00:00:00.000’, 23);
|
||||
```
|
||||
**按标签聚合查询**
|
||||
查询位于北京(beijing)地区的型号为1的温度传感器采样值的数量count(*)、平均温度avg(degree)、最高温度max(degree)、最低温度min(degree)，并将结果按所处地域(location)和传感器类型(type)进行聚合。
|
||||
```mysql
|
||||
SELECT COUNT(*), AVG(degree), MAX(degree), MIN(degree)
|
||||
FROM thermometer
|
||||
WHERE location=’beijing’ and type = 1
|
||||
GROUP BY location
|
||||
```
|
||||
**按时间周期聚合查询**
|
||||
查询仅位于北京以外地区的温度传感器最近24小时(24h)采样值的数量count(*)、平均温度avg(degree)、最高温度max(degree)和最低温度min(degree)，将采集结果按照10分钟为周期进行聚合，并将结果按所处地域(location)和传感器类型(type)再次进行聚合。
|
||||
```mysql
|
||||
SELECT COUNT(*), AVG(degree), MAX(degree), MIN(degree)
|
||||
FROM thermometer
|
||||
WHERE name<>’beijing’ and ts>=now-1d
|
||||
INTERVAL(10M)
|
||||
GROUP BY location, type
|
||||
taos> SELECT count(*), max(current) FROM meters where groupId = 2 and ts > now - 24h;
|
||||
cunt(*) | max(current) |
|
||||
==================================
|
||||
5 | 13.4 |
|
||||
Query OK, 1 row(s) in set (0.002136s)
|
||||
```
|
||||
|
||||
TDengine仅容许对属于同一个超级表的表之间进行聚合查询，不同超级表之间的聚合查询不支持。在<a href="https://www.taosdata.com/cn/documentation20/taos-sql/">TAOS SQL </a>一章，查询类操作都会注明是否支持超级表。
|
||||
|
||||
## 降采样查询、插值
|
||||
|
||||
物联网场景里，经常需要通过降采样（down sampling）将采集的数据按时间段进行聚合。TDengine 提供了一个简便的关键词 interval 让按照时间窗口的查询操作变得极为简单。比如，将智能电表 d1001 采集的电流值每10秒钟求和
|
||||
|
|
@ -85,9 +64,9 @@ taos> SELECT sum(current) FROM d1001 INTERVAL(10s);
|
|||
2018-10-03 14:38:10.000 | 24.900000572 |
|
||||
Query OK, 2 row(s) in set (0.000883s)
|
||||
```
|
||||
降采样操作也适用于超级表，比如：将所有智能电表采集的电流值每秒钟求和
|
||||
降采样操作也适用于超级表，比如：将北京所有智能电表采集的电流值每秒钟求和
|
||||
```mysql
|
||||
taos> SELECT SUM(current) FROM meters INTERVAL(1s);
|
||||
taos> SELECT SUM(current) FROM meters where location like "Beijing%" INTERVAL(1s);
|
||||
ts | sum(current) |
|
||||
======================================================
|
||||
2018-10-03 14:38:04.000 | 10.199999809 |
|
||||
|
|
|
|||
Loading…
Reference in New Issue