因为个人用的go，所以调研及对比主要针对适配了go语言的数据库。
 

一、当前主流的时序数据库

  排名参考于https://db-engines.com

 

二、各库特性

1、Influxdb

   流行度很高，支持Go语言，社区活跃度高。

特性：

• 高效的时间序列数据写入性能。自定义TSM引擎，快速数据写入和高效数据压缩。
• 无额外存储依赖。
• 简单，高性能的HTTP查询和写入API。
• 以插件方式支持许多不同协议的数据摄入，如：graphite，collectd，和openTSDB
• SQL-like查询语言，简化查询和聚合操作。
• 索引Tags，支持快速有效的查询时间序列。
• 保留策略有效去除过期数据。
• 连续查询自动计算聚合数据，使频繁查询更有效。

缺点：

• 分布式未开源

 

2、Timescale

【不支持GO】

  一个基于传统关系型数据库postgresql改造的时间序列数据库

优点：

• PostgreSQL原生支持的所有SQL,包含完整SQL接口（包括辅助索引，非时间聚合，子查询，JOIN，窗口函数）
• 用PostgreSQL的客户端或工具，可以直接应用到该数据库，不需要更改。
• 时间为导向的特性，API功能和相应的优化。
• 透明时间/空间分区，用于放大（单个节点）和扩展
• 高数据写入速率（包括批量提交，内存中索引，事务支持，数据备份支持)
• 单个节点上的大小合适的块（二维数据分区），以确保即使在大数据量时即可快速读取。
• 块之间和服务器之间的并行操作

劣势：

• 因为TimescaleDB没有使用列存技术，它对时序数据的压缩效果不太好，压缩比最高在4X左右
• 目前暂时不完全支持分布式的扩展（正在开发相关功能），所以会对服务器单机性能要求较高

 

3、Druid

【不支持GO】

   Druid是一个实时在线分析系统(LOAP)。其架构融合了实时在线数据分析，全文检索系统和时间序列系统的特点，使其可以满足不同使用场景的数据存储需求。

优点：

• 采用列式存储：支持高效扫描和聚合，易于压缩数据。
• 可伸缩的分布式系统：Druid自身实现可伸缩，可容错的分布式集群架构。部署简单。
• 强大的并行能力：Druid各集群节点可以并行地提供查询服务。
• 实时和批量数据摄入：Druid可以实时摄入数据，如通过Kafka。也可以批量摄入数据，如通过Hadoop导入数据。
• 自恢复，自平衡，易于运维：Druid自身架构即实现了容错和高可用。不同的服务节点可以根据响应需求添加或减少节点。
• 容错架构，保证数据不丢失：Druid数据可以保留多副本。另外可以采用HDFS作为深度存储，来保证数据不丢失。
• 索引：Druid对String列实现反向编码和Bitmap索引，所以支持高效的filter和groupby。
• 基于时间分区：Druid对原始数据基于时间做分区存储，所以Druid对基于时间的范围查询将更高效。
• 自动预聚合：Druid支持在数据摄入期就对数据进行预聚合处理。

缺点：

• 不支持多时间维度，所有维度为String类型
• 只支持流式写入，不支持实时数据更新，更新可以使用批处理作业完成。
• 不支持精准去重

 

4、Kdb+

  kdb+ 号称最快的内存数据库之一。列式存储的特性，使得对于某个列的统计分析操作异常方便。

优点：

• 单体架构，轻松支持 billion以上数据
• 分布式扩展，无性能损耗
• 超低延迟+高并发支持
• 列式存储+内存数据库
• 灵活的Q语言，内置非常多的统计计算方法

缺点：

• 搭配的Q 语言，学习难度较高

5、Graphite

【不支持GO】

  Graphite通常用于监控基础设施级别的度量，比如CPU、内存、I/O利用率、网络吞吐量和延迟，当然Graphite在应用程序级的度量和业务级的度量方面也很不错。

  

6、RRDtool

【不支持GO】

  RRDtool 代表 “Round Robin Database tool” ， 所谓的“Round Robin” 其实是一种存储数据的方式，使用固定大小的空间来存储数据，并有一个指针指向新的数据的位置。

优点：

• 使用RRD（Round Robin Database）存储格式，数据等于放在数据库中，可以方便地调用。比如，将一个RRD文件中的数据与另一个RRD文件中的数据相加。
• 可以定义任意时间段画图，可以用半年数据画一张图，也可以用半小时内的数据画一张图。
• 能画任意个DS，多种图形显示方式。
• 数据存储与绘图分开，减轻系统负载。
• 能任意处理RRD文件中的数据，比如，在浏览监测中我们需要将数据由Bytes转化为bits，可以将原始数据乘8

缺点：

• RRDTool的作用只是存储数据和画图，它没有MRTG中集成的数据采集功能
• 在命令行下的使用非常复杂，参数极多
• 无用户、图像管理功能

  

7、OpenTSDB

  OpenTSDB 是一个开源框架，使用 HBase 作为核心平台来存储和检索所收集的指标数据，可以灵活地增加指标，也可以支持采集上万台机器和上亿个数据点，具有高可扩展性。

优点：

• 在数据压缩上，时间戳采用 delta 编码进行压缩，数据值采用 XOR 进行压缩
• 存储与计算解耦，为 IoT 场景海量数据、动态热点的数据特征量身打造，方便按照并发度和存储量按需独立扩容。采用分布式架构，支持横向水平扩展
• 较强的时序数据计算能力，主要体现为：插值，缺失的数据点，支持线性插值数据补全
• 降精度，支持预降精度和实时降精度计算，满足高效查询需求
• 空间聚合，支持按照不同的 tag 进行空间聚合和分组计算

缺点：

• 数据查询和分析的能力不足，不是所有的查询场景都能适用，在GroupBy和Downsampling的查询上，也未提供Pre-aggregation和Auto-rollup的支持，查询效率不如其他数据库
• 依赖HBase，较为笨重

  

8、TDengine

   TDengine 是一款开源、高性能、分布式、支持 SQL 的时序数据库，其时序数据库核心代码包括集群功能全部开源，同时 TDengine 还带有内建的缓存、流式计算、数据订阅等系统功能，能大幅减少研发和运维的复杂度

优点：

• 支持水平扩展，有开源的分布式集群解决方案
• 读写性能远高于InfluxDB，压缩率高
• 采用标准 SQL 做查询语言（不完全兼容），并且采用关系数据库模型，学习成本低

缺点：

• 单条插入性能很低，必须成批写入，增加了系统开发和维护的复杂度与运营成本

（调研的时候相关的软广较多，号称性能吊打其他所有库，暂不知真假）

  

9、DolphinDB

  DolphinDB是一款高性能分布式时序数据库。DolphinDB集成了功能强大的编程语言和高容量高速度的流数据分析系统，为海量数据（特别是时间序列数据）的快速存储、检索、分析及计算提供一站式解决方案。

优点：

• 列式混合引擎（基于内存和磁盘），支持单表百万级别的分区数，大大缩减对海量数据的检索响应时间
• 内嵌的分布式文件系统自动管理分区数据及其副本，为分布式计算提供负载均衡和容错能力
• 支持命令式编程、函数式编程、向量编程、SQL编程和RPC（远程函数调用）编程
• 内置Web服务器，用于集群管理、性能监控和数据访问

缺点：

• 安装复杂
• 默认把数据存到内存，对数据源大小有限制，一旦关闭软件，自动释放
• 对收费用户提供高质量的服务

 
 

三、优缺点对比

	InfluxDB	OpenTSDB	DolphinDB	TDengine
成熟度	成熟	一般	一般	一般
集群	付费支持	支持（HBase）	支持	支持
读写速度	慢	较快	较快	快
使用复杂性	一般（类sql）	较高	一般（类sql）	低（标准sql）
部署复杂性	简单	复杂	较复杂	较简单