TDengine 快速入门实战指南：安装部署、数据建模、写入与查询全流程

TDengine 快速入门实战指南：安装部署、数据建模、写入与查询全流程

【免费下载链接】tdengineTDengine is an open source, high-performance, cloud native time-series database optimized for Internet of Things (IoT), Connected Cars, Industrial IoT and DevOps.项目地址: https://gitcode.com/taosdata/tdengine

本指南基于 TDengine 开源仓库的 Quick Start 文档，带你从零完成一次完整的时序数据库体验：先用 Docker 或安装包把 TDengine 跑起来，再用taos命令行和taosBenchmark生成测试数据，最后以智能电表为例，依次掌握数据模型设计（超级表/子表/虚拟表）、SQL 写入、查询聚合、时间窗口分析、数据订阅与流处理。读完本文，你将具备独立搭建 TDengine 环境，并用标准 SQL 完成时序数据"建表—写入—查询—流式处理"闭环的实战能力。

整体架构与文档脉络

TDengine 的完整 TSDB 安装包包含以下核心组件：

• taosd：数据库服务端，负责存储与查询；
• taosAdapter：负责第三方系统集成与 RESTful 访问的适配器；
• taosc：应用程序驱动（客户端库）；
• taos：命令行工具 Shell；
• taosExplorer / taoskeeper等配套组件。

除了多语言连接器，TDengine 还通过 taosAdapter 提供 RESTful 接口。官方 Quick Start 建议的路径是：先完成环境安装，然后按"基本概念 → 数据建模 → 数据写入 → 数据查询"的顺序依次实践，再延伸到订阅、流处理与可视化。

安装与部署：三条路径任选

方式一：Docker 部署

从 3.3.7.0 版本起，TDengine 的 Docker 镜像命名发生了变更：社区版tdengine/tdengine更名为tdengine/tsdb，企业版tdengine/tdengine-ee更名为tdengine/tsdb-ee。本指南以企业版镜像为例。

前置条件：机器已安装 Docker 且当前用户有权限执行docker命令；能够访问 Docker Hub（或已从产品下载中心获得离线镜像）；确认 网络端口要求 中 TDengine 所需的端口未被占用。

拉取最新企业版镜像：

docker pull tdengine/tsdb-ee:latest

也可以拉取指定版本（将{{VERSION}}替换为实际版本号）：

docker pull tdengine/tsdb-ee:{{VERSION}}

若无法直接访问 Docker Hub，可在 TDengine 产品下载中心下载离线镜像，按页面说明加载后修改镜像名与 tag。

启动容器（关键端口映射一目了然）：

docker run -d \ -v ~/data/taos/dnode/data:/var/lib/taos \ -v ~/data/taos/dnode/log:/var/log/taos \ -p 6030:6030 -p 6041:6041 -p 6043:6043 -p 6060:6060 \ -p 6044-6049:6044-6049 \ -p 6044-6045:6044-6045/udp \ -p 6050:6050 -p 6055:6055 \ --name tdengine-tsdb \ tdengine/tsdb-ee

这里6030是 taosd 服务端口，6041是 RESTful/taosAdapter 端口，6060是 Explorer 可视化端口。检查容器状态：

docker ps -f name=tdengine-tsdb

若输出中STATUS为Up ... (healthy)，说明容器已正常启动。随后进入容器：

docker exec -it tdengine-tsdb bash

容器内即可直接使用taos、taosBenchmark等工具。更完整的 Docker 部署说明参见 Docker 部署。

方式二：安装包部署（Linux / Windows）

安装前请确认机器满足 支持平台 与 系统要求。Windows 下安装器会检查 Microsoft Visual C++ Redistributable 2015-2022 x64 14.44 及以上版本。

Linux 安装步骤：

1. 从产品下载中心下载 tar.gz 安装包；
2. 解压（以 x64 架构为例）：

tar -zxvf tdengine-tsdb-enterprise-{{VERSION}}-linux-x64.tar.gz

3. 进入解压后的子目录，执行安装脚本：

sudo ./install.sh

Windows 安装步骤：运行安装包按提示完成安装，默认安装目录为C:\TDengine；若选择的路径不以TDengine结尾，安装器会在其下创建TDengine目录。升级安装沿用既有目录且不可更改。

启动服务：Linux 下执行sudo start-all.sh启动全部组件，组件由 systemd 管理，可逐一检查状态：

sudo systemctl status taosd sudo systemctl status taosadapter sudo systemctl status taoskeeper sudo systemctl status taos-explorer

输出为Active: active (running) since ...即表示启动成功。Windows 下使用start-all.bat管理服务（支持status、stop子命令，-S选项可跳过连通性检查与 Snode/Xnode 初始化），也可用sc query taosd等命令查看各 Windows 服务原始状态。

方式三：TDengine Cloud

TDengine Cloud 是基于 AWS / Azure / GCP 的全托管云服务，注册账号即可获得试用额度，无需自行部署即可体验 TSDB-Enterprise 的全部能力。注册流程包括：访问云平台网站 → 注册邮箱与组织 → 设置密码（8–20 位，须包含字母、数字与特殊字符）→ 选择 TSDB 实例类型、云厂商与区域 → 创建实例。详细步骤见 云服务快速入门。

五分钟快速体验：taos 命令行与 taosBenchmark

部署完成后，可以用taos命令行工具检查服务状态、执行 SQL、管理数据库与表。Linux/macOS 下直接运行taos，Windows 下运行taos.exe，进入 Shell 后提示符为taos>，每条 SQL 必须以分号;结尾。先做一个最小闭环验证：

CREATE DATABASE demo; USE demo; CREATE TABLE t (ts TIMESTAMP, speed INT); INSERT INTO t VALUES ('2019-07-15 00:00:00', 10); INSERT INTO t VALUES ('2019-07-15 01:00:00', 20); SELECT * FROM t;

输出示例：

ts | speed | ======================================== 2019-07-15 00:00:00.000 | 10 | 2019-07-15 01:00:00.000 | 20 | Query OK, 2 row(s) in set (0.003128s)

用 taosBenchmark 生成百亿级测试数据：taosBenchmark是 TDengine 自带的测试工具，可模拟多设备数据，支持配置数据库、超级表、标签列、数据列、子表数量、每表记录数、写入间隔、worker 线程数以及是否乱序写入。运行：

taosBenchmark -y

该命令会在test库中自动创建超级表meters：包含 10,000 个子表（d0–d9999），每表 10,000 条记录，共约 1 亿条。每条记录含ts（时间戳）、current、voltage、phase四个字段，时间戳范围为2017-07-14 10:40:00.000至2017-07-14 10:40:09.999；每表还带location与groupId两个标签。在普通 PC 服务器上写入约需十秒左右。可用taosBenchmark --help查看全部参数，完整参考见 taosBenchmark 参考。

写入后立即体验查询性能：

SELECT COUNT(*) FROM test.meters; -- 输出 100000000，约 0.075s SELECT AVG(current), MAX(voltage), MIN(phase) FROM test.meters; -- 全表 1 亿条记录聚合约 0.094s SELECT COUNT(*) FROM test.meters WHERE location = "California.SanFrancisco"; -- 按标签过滤约 0.05s SELECT _wstart, AVG(current), MAX(voltage), MIN(phase) FROM test.d1001 INTERVAL(10s);

其中_wstart是窗口查询的系统伪列，表示每个窗口的起始时间。

核心概念：以智能电表为例

TDengine 文档以智能电表为贯穿全篇的示例：每只电表可采集current（电流）、voltage（电压）、phase（相位）三个指标，同时拥有location（位置）与group_id（分组 ID）两个静态属性。示例数据如下：

围绕这批数据，需要理解以下核心概念：

• Metric（指标）：从传感器、设备等采集点获得的物理量（电流、电压、温度等），随时间变化、持续增长，数据类型多样。
• Tag（标签）：与采集点绑定的静态属性（型号、位置等），不随时间增长，可增删改。
• 数据采集点（DCP）：按预设周期或事件触发采集指标的硬件/软件设备，同一时刻可采集一个或多个指标（共享同一时间戳）。如汽车可包含定位、发动机状态、车内环境三类采集点。
• Table（表）：TDengine 采用"一设备一表"设计，每个采集点对应一张表，表名通常即设备名（如d1001）。该设计的四大收益：单表单写入者、无锁写入；数据按时间有序、追加式写入；数据块连续存储、减少随机读；块内列式存储、按类型压缩。
• Supertable（超级表）：将结构相同、标签不同的采集点聚合为逻辑统一表，解决海量表管理问题。超级表必须含至少一个时间戳列、一个或多个指标列、一个或多个标签列，标签可灵活增删改。
• Subtable（子表）：超级表的具体实例，由超级表模板 + 标签值生成。子表结构不可直接修改，但修改超级表列与标签会立即作用于所有子表；超级表本身只定义模板、不存数据。
• Virtual Table（虚拟表）：不存储物理数据的逻辑实体，查询时按时间戳动态合并多张源表的列。支持虚拟超级表/虚拟子表/虚拟普通表，不可写入与删除，使"先写入、后建模"成为现实。
• Database（数据库）：表的集合容器，一个实例可有多个数据库，各库可配不同存储策略（采集频率、保留期、副本数、数据块大小等），建议将不同数据特征的超级表放入不同数据库。
• Timestamp（时间戳）：TDengine 存储 UTC 时间戳。写入时 RFC-3339 格式字符串（如2018-10-03T14:38:05.000+08:00）按时区正确解析为 UTC；无时区信息的字符串按应用时区转换。查询时客户端按应用时区自动转回本地时间。

数据建模：从建库到虚拟表

创建数据库

CREATE DATABASE power PRECISION 'ms' KEEP 3650 DURATION 10 BUFFER 16;

参数含义：PRECISION 'ms'使用毫秒时间精度；KEEP 3650数据保留 3650 天，超期自动删除；DURATION 10每 10 天数据存为一个数据文件；BUFFER 16写入使用 16MB 内存池。创建后执行USE power;切换当前库。

创建超级表

CREATE STABLE meters ( ts timestamp, current float, voltage int, phase float ) TAGS ( location varchar(64), group_id int );

规则要点：第一列必须是时间戳列；第二列起为指标列（整型、浮点、字符串等）；TAGS后定义标签列，标签名不能与指标列同名。CREATE STABLE等 DDL 语法在仓库的 SQL 解析器 中定义实现。

创建子表

CREATE TABLE d1001 USING meters ( location, group_id ) TAGS ( "California.SanFrancisco", 2 );

USING meters表示以超级表meters为模板，TAGS括号内给出该子表的标签值。查询时可用伪列tbname指定或输出子表名。

写入时自动建表

即使子表不存在，也可用带USING的INSERT语句在写入时自动建表：子表不存在则先创建再写入，已存在则直接写入：

INSERT INTO d1002 USING meters TAGS ( "California.SanFrancisco", 2 ) VALUES ( NOW, 10.2, 219, 0.32 );

基础表（无标签表）

不依赖超级表的普通表与传统关系表类似，可独立创建：

CREATE TABLE meter_n( ts timestamp, current float, voltage int, phase float, location varchar(64), group_id int );

基础表与子表的差异：子表在基础表之上增加了可变标签；子表从属于超级表，基础表独立存在；两者不能互相转换。注意：基础表模型会把静态标签重复存储于每行，既增加存储又无法利用标签过滤，查询性能明显低于超级表模型。

多列模型与单列模型

TDengine 推荐多列模型（同一采集点同一时刻采集的多个物理量存入同一超级表的不同列），写入与存储效率更优；但当采集的物理量类型频繁变化时，单列模型（每种物理量建一张超级表）可避免频繁修改表结构、简化应用设计。

创建虚拟表：两个典型场景

场景一：同源多维时序聚合——将同一采集点"纵向拆分"的多张单列表在虚拟表中恢复为"横向"完整视图。先按单列模型建三张超级表并建子表（current_d1001、voltage_d1001、phase_d1001等），再创建虚拟超级表：

CREATE STABLE meters_v ( ts timestamp, current float, voltage int, phase float ) TAGS ( location varchar(64), group_id int ) VIRTUAL 1;

为设备 d1001 创建虚拟子表，将各源表列映射进来：

CREATE VTABLE d1001_v ( current from current_d1001.current, voltage from voltage_d1001.voltage, phase from phase_d1001.phase ) USING meters_v TAGS ( "California.SanFrancisco", 2 );

写入原始数据后查询虚拟表SELECT * FROM d1001_v;，TDengine 会按时间戳对齐各源表数据、缺失值以 NULL 填充，例如时间戳1538548697100处只有 current 与 voltage 有值，phase为 NULL：

场景二：跨源指标对比分析——将不同采集点的同类指标横向对齐，例如对比四台设备的电流：

CREATE VTABLE current_v ( ts TIMESTAMP, d1001_current FLOAT FROM current_d1001.current, d1002_current FLOAT FROM current_d1002.current, d1003_current FLOAT FROM current_d1003.current, d1004_current FLOAT FROM current_d1004.current );

查询SELECT * FROM current_v;即得到按时间戳对齐的四列电流数据，缺失时间点同样以 NULL 填充。虚拟表的核心特征即"查询时才动态生成数据、只合并查询引用到的列"，因此同一虚拟表在不同查询中可呈现完全不同的数据集。

数据写入：SQL 的增删改与压缩查看

写入前先准备好环境（以下 SQL 可在 Shell 中直接执行）：

CREATE DATABASE IF NOT EXISTS power PRECISION 'ms' KEEP 3650 DURATION 10 BUFFER 16; USE power; CREATE STABLE IF NOT EXISTS meters ( ts timestamp, current float, voltage int, phase float ) TAGS (location varchar(64), group_id int); CREATE TABLE IF NOT EXISTS d1001 USING meters TAGS ("California.SanFrancisco", 2); CREATE TABLE IF NOT EXISTS d1002 USING meters TAGS ("California.SanFrancisco", 3); CREATE TABLE IF NOT EXISTS d1003 USING meters TAGS ("California.LosAngeles", 2); CREATE TABLE IF NOT EXISTS d1004 USING meters TAGS ("California.LosAngeles", 3);

INSERT 的常用形态

单行写入（以下三种写法效果相同）：

INSERT INTO d1001 (ts, current, voltage, phase) VALUES ("2018-10-03 14:38:05", 10.3, 219, 0.31); INSERT INTO d1001 VALUES ("2018-10-03 14:38:05", 10.3, 219, 0.31); INSERT INTO d1001 VALUES (1538548685000, 10.3, 219, 0.31); -- 数值时间戳（库精度）

多行一次写入：

INSERT INTO d1001 VALUES ("2018-10-03 14:38:05", 10.2, 220, 0.23), ("2018-10-03 14:38:15", 12.6, 218, 0.33), ("2018-10-03 14:38:25", 12.3, 221, 0.31);

多表一次写入（下例共写入 9 行）：

INSERT INTO d1001 VALUES ("2018-10-03 14:38:05", 10.2, 220, 0.23), ("2018-10-03 14:38:15", 12.6, 218, 0.33), ("2018-10-03 14:38:25", 12.3, 221, 0.31) d1002 VALUES ("2018-10-03 14:38:04", 10.2, 220, 0.23), ("2018-10-03 14:38:14", 10.3, 218, 0.25), ("2018-10-03 14:38:24", 10.1, 220, 0.22) d1003 VALUES ("2018-10-03 14:38:06", 11.5, 221, 0.35), ("2018-10-03 14:38:16", 10.4, 220, 0.36), ("2018-10-03 14:38:26", 10.3, 220, 0.33);

指定列写入：未出现的列填充 NULL，但时间戳列必须出现且不能为 NULL：

INSERT INTO d1004 (ts, voltage, phase) VALUES ("2018-10-04 14:38:06", 223, 0.29);

自动建表 + 多表写入（可只指定部分标签，未指定的为 NULL）：

INSERT INTO d1005 USING meters (location) TAGS ("California.SanFrancisco") VALUES ("2018-10-04 14:38:07", 10.15, 217, 0.33);

直接向超级表写入：超级表本身不存数据，通过指定tbname将数据落到对应子表：

INSERT INTO meters (tbname, ts, current, voltage, phase, location, group_id) VALUES ("d1001", "2018-10-03 14:38:05", 10.2, 220, 0.23, "California.SanFrancisco", 2);

注意：虚拟表是动态生成的逻辑实体、不存储数据，不支持写入。

更新与删除

TDengine 用"同时间戳覆盖写"实现更新，以下 SQL 将d1001在2018-10-03 14:38:05的电流更新为 22：

INSERT INTO d1001 (ts, current) VALUES ("2018-10-03 14:38:05", 22);

删除异常数据（删除不可逆，建议先用相同WHERE条件的SELECT确认范围）：

DELETE FROM meters WHERE ts < '2021-10-01 10:40:00.100';

完整的 INSERT / DELETE 语法与按列压缩配置分别见 数据写入、数据删除、数据压缩。

查看压缩率与磁盘占用

SELECT * FROM INFORMATION_SCHEMA.INS_DISK_USAGE WHERE db_name = 'power'; SHOW TABLE DISTRIBUTED d1001;

前者查看数据库级压缩率与磁盘占用，后者查看单表分布与压缩情况。更多信息见 数据库磁盘占用查看 与 SHOW TABLE DISTRIBUTED。

其他写入通道

除 SQL 外，连接器支持 STMT / STMT2 参数绑定实现高吞吐写入（参数绑定）；支持 InfluxDB / OpenTSDB 行协议的 Schemaless 写入（可从报文自动建超级表与子表）；还可通过 Telegraf、Prometheus、EMQX、StatsD、collectd 等第三方工具实现 无代码数据接入。

数据查询：过滤、聚合与时间窗口分析

TDengine 从首个版本起就支持标准 SQL 查询，并针对时序场景扩展了标签过滤、按设备分区、多类时间窗口、插值与 JOIN 等能力。以下示例基于taosBenchmark -y生成的test库（进入 Shell 后先USE test;）。

基本查询

查询电压大于 250V 的d1子表数据，按时间倒序取前 5 行：

SELECT tbname, ts, current, voltage FROM meters WHERE voltage > 250 and tbname = 'd1' ORDER BY ts DESC LIMIT 5;

tbname是标识来源子表的伪列，ORDER BY ts DESC按时间倒序，LIMIT 5只返回前 5 行。

按标签过滤

标签描述设备静态属性，可直接参与过滤，也可与普通列条件组合：

SELECT tbname, ts, current, voltage, phase FROM meters WHERE location = "California.SanFrancisco" AND voltage > 250 ORDER BY ts DESC LIMIT 5;

聚合查询

全表聚合返回单行汇总：

SELECT AVG(voltage), MAX(voltage), COUNT(*) FROM meters; -- avg(voltage)=243.9314, max(voltage)=258, count(*)=100000000

按标签分组统计：

SELECT groupId, AVG(voltage) AS avg_voltage FROM meters GROUP BY groupId ORDER BY avg_voltage DESC;

注意GROUP BY不保证固定顺序，需排序时显式使用ORDER BY。

按子表分区聚合

PARTITION BY tbname先按子表维度切分再各自计算，常用于"每设备统计"；用SLIMIT限制返回分区数，避免上万行输出：

SELECT tbname, AVG(voltage), COUNT(*) FROM meters PARTITION BY tbname SLIMIT 3;

时间窗口查询

窗口查询把数据按时间、状态、事件或行数切分后再计算。TDengine 支持多种窗口类型：

时间窗口（INTERVAL）：按 1 秒窗口计算每表电压均值，_wstart/_wend为窗口起止时间：

SELECT tbname, _wstart, _wend, AVG(voltage) FROM meters WHERE ts >= "2017-07-14 10:40:00" AND ts < "2017-07-14 10:40:10" PARTITION BY tbname INTERVAL(1s) SLIMIT 2;

滑动窗口（SLIDING）：窗口 1 秒、每 500 毫秒滑动一次：

SELECT tbname, _wstart, AVG(voltage) FROM meters WHERE ts >= "2017-07-14 10:40:00" AND ts < "2017-07-14 10:40:10" PARTITION BY tbname INTERVAL(1s) SLIDING(500a) SLIMIT 1;

填充缺失窗口（FILL）：用前一个非 NULL 值填充无数据的窗口：

SELECT _wstart, _wend, AVG(voltage) FROM d0 WHERE ts >= "2017-07-14 10:40:00" AND ts < "2017-07-14 10:40:10" INTERVAL(1s) FILL(prev);

状态窗口（STATE_WINDOW）：状态变化即切窗，如按电压是否处于 240V–250V 划分：

SELECT _wstart, _wend, COUNT(*), CASE WHEN voltage >= 240 AND voltage <= 250 THEN 1 ELSE 0 END AS status FROM d0 WHERE ts >= "2017-07-14 10:40:00" AND ts < "2017-07-14 10:40:03" STATE_WINDOW( CASE WHEN voltage >= 240 AND voltage <= 250 THEN 1 ELSE 0 END ) LIMIT 4;

会话窗口（SESSION）：按相邻时间戳的间隔切窗，间隔不超过 30 秒的归为同一会话：

SELECT _wstart, _wend, COUNT(*) FROM d0 WHERE ts >= "2017-07-14 10:40:00" AND ts < "2017-07-14 10:40:10" SESSION(ts, 30s);

事件窗口（EVENT_WINDOW）：满足开始条件开窗、满足结束条件关窗：

SELECT _wstart, _wend, COUNT(*) FROM d0 WHERE ts >= "2017-07-14 10:40:00" AND ts < "2017-07-14 10:40:10" EVENT_WINDOW START WITH voltage >= 250 END WITH voltage < 245 LIMIT 4;

计数窗口（COUNT_WINDOW）：按固定行数分组，如每 100 行一个窗口：

SELECT _wstart, _wend, COUNT(*) FROM d0 WHERE ts >= "2017-07-14 10:40:00" AND ts < "2017-07-14 10:40:10" COUNT_WINDOW(100) LIMIT 5;

外部窗口（EXTERNAL_WINDOW）：窗口边界由子查询（如事件表、排程表）给出，而非自动切分：

SELECT _wstart, _wend, AVG(voltage) FROM d0 EXTERNAL_WINDOW ( (SELECT CAST("2017-07-14 10:40:00" AS TIMESTAMP) AS ws, CAST("2017-07-14 10:40:01" AS TIMESTAMP) AS we UNION ALL SELECT CAST("2017-07-14 10:40:01" AS TIMESTAMP), CAST("2017-07-14 10:40:02" AS TIMESTAMP) ORDER BY ws) w );

常用查询模式速查

-- 子表最新一行 SELECT * FROM d0 ORDER BY ts DESC LIMIT 1; -- 按位置统计行数 SELECT location, COUNT(*) FROM meters GROUP BY location ORDER BY location; -- 每表最大电压（SLIMIT 限制返回分区数） SELECT tbname, MAX(voltage) FROM meters PARTITION BY tbname SLIMIT 3; -- 时间范围平均电流 SELECT AVG(current) FROM meters WHERE ts >= "2017-07-14 10:40:00" AND ts < "2017-07-14 10:40:10";

查询能力的完整语法与进阶特性（JOIN、窗口函数、UDF、读缓存、执行计划）可继续参考 数据查询、运算符、函数、时序扩展、JOIN、窗口函数、UDF、读缓存 与 EXPLAIN。

数据订阅：像 Kafka 一样消费实时数据

在监控告警、实时分析、数据同步等场景下，下游程序往往需要第一时间拿到新写入的数据。TDengine 内置数据订阅能力，按 topic 把持续写入的数据推送给下游，省去轮询与额外引入消息队列的复杂度。topic 可以是数据库、超级表或既有表上的查询，过滤与预处理由 TDengine 完成；消费者可加入消费组共享进度，数据从 WAL 推送，采用至少一次（at-least-once）投递语义。

以power库的meters超级表为例，第一个 Shell 中创建查询 topic：

CREATE TOPIC IF NOT EXISTS topic_meters AS SELECT tbname, ts, current, voltage, phase FROM meters; SHOW TOPICS; -- 验证 topic 已创建

打开第二个 Shell 订阅该 topic：

subscribe topic_meters -g quickstart_cg;

其中topic_meters是 topic 名，-g quickstart_cg指定消费组——同组再次订阅时从已提交位置继续消费。执行后 Shell 显示Subscribing to topic [topic_meters], group [quickstart_cg], offset [latest] ...，默认从最新位置开始。回到第一个 Shell 写入两条新数据：

INSERT INTO d1001 VALUES (NOW, 10.3, 219, 0.31); INSERT INTO d1002 VALUES (NOW, 10.2, 220, 0.23);

第二个 Shell 中实时输出新写入的两行（tbname、ts、current、voltage、phase）。按Ctrl+C停止订阅，Shell 会打印Unsubscribed. Total rows received: 2。

订阅命令的通用格式为subscribe <topic> -g <group_id> [options];，常用选项：-o earliest从最早可消费位置开始（适合回看存量数据）；-o latest从最新位置开始（默认值，适合实时等待新数据）；-n <count>收到指定行数后自动退出；-t <timeout_ms>轮询超时。例如：

subscribe topic_meters -g quickstart_cg_earliest -o earliest -n 5; subscribe -h; -- 查看帮助

该订阅命令的完整格式同样定义在 Shell 自动补全 中。查看与清理订阅资源：

SHOW TOPICS; SHOW CONSUMERS; SHOW SUBSCRIPTIONS; DROP CONSUMER GROUP IF EXISTS FORCE quickstart_cg ON topic_meters; DROP TOPIC IF EXISTS topic_meters;

topic 语法、消费组与原生订阅 API 详见 Topic 语法、原生订阅、MQTT 订阅（自 v3.3.7.0 起可通过连接 Bnode 的 MQTT 客户端订阅已有 topic）与 多语言订阅 API。

流处理：用 SQL 实现实时聚合

传统实时聚合、降采样与提前告警通常需要引入 Kafka、Flink 等流系统。TDengine 自带流处理能力，可以用 SQL 定义实时计算逻辑：数据写入后自动触发计算，结果写入目标表或作为通知发送。核心设计是触发（trigger）与计算（compute）分离，新流处理能力自 v3.3.7.0 起可用。

以test库为例，创建"每分钟计算每只电表平均电流"的流。前置条件是集群中已部署 snode（流任务运行在 snode 上），可用SHOW SNODES;查看，没有则执行SHOW DNODES;与CREATE SNODE ON DNODE 1;部署。

DROP STREAM IF EXISTS avg_current_stream; DROP STABLE IF EXISTS avg_current_stb; CREATE STREAM avg_current_stream INTERVAL(1m) SLIDING(1m) FROM meters PARTITION BY tbname, groupId STREAM_OPTIONS(FILL_HISTORY_FIRST | MAX_DELAY(3s)) INTO avg_current_stb OUTPUT_SUBTABLE(CONCAT("avg_", tbname)) TAGS ( groupId INT AS groupId ) AS SELECT _twstart AS ts, _twend AS window_end, AVG(current) AS avg_current FROM %%trows;

各子句含义：INTERVAL(1m) SLIDING(1m)每分钟触发一次计算；FROM meters PARTITION BY tbname, groupId按子表触发并把groupId作为输出标签；STREAM_OPTIONS(FILL_HISTORY_FIRST | MAX_DELAY(3s))先回放已写入的历史数据，窗口打开约 3 秒后也会触发一次（便于快速演示）；INTO avg_current_stb结果写入输出超级表；OUTPUT_SUBTABLE(CONCAT("avg_", tbname))由源子表名拼接输出子表名（如d0→avg_d0）；%%trows表示当前触发窗口内的数据行集合。

查看流与结果：

SHOW STREAMS; SELECT * FROM information_schema.ins_streams WHERE stream_name = 'avg_current_stream'; SELECT tbname, groupId, ts, window_end, avg_current FROM avg_current_stb ORDER BY ts, tbname LIMIT 5;

历史数据（10:40:00–10:41:00窗口）回放完成后，写入新数据观察新窗口：

INSERT INTO d0 VALUES ("2017-07-14 10:41:30", 12.4, 221, 147); INSERT INTO d0 VALUES ("2017-07-14 10:42:00", 12.5, 220, 147); -- 事件时间关闭窗口，无需 MAX_DELAY 也会触发

稍候查询avg_d0的输出，可看到10:41:00窗口的avg_current = 12.400000已出现。流会持续运行，只要meters有新数据且满足触发条件就继续计算。清理示例：

DROP STREAM IF EXISTS avg_current_stream; DROP STABLE IF EXISTS avg_current_stb;

常用调整：只处理新数据时去掉FILL_HISTORY_FIRST；想更快看到结果可调大/保留MAX_DELAY或在下一窗口写入数据使事件时间关窗；乱序写入、更新删除场景需结合WATERMARK与重算机制设计；需要推送外部应用时用NOTIFY创建通知流。完整语法见 流处理语法，运维与限制见 操作与限制，设计实践见 部署与设计。

更多：可视化、监控与生态集成

• 可视化管理（Explorer）：TDengine TSDB Explorer 是基于 Web 的可视化管理工具，适合浏览库表对象、运行 SQL、查看客户端示例与发现集成工具。Docker 方式启动时已映射默认端口6060，浏览器访问http://localhost:6060（远程主机请替换localhost并确保安全组/防火墙放行）。默认用户名root、密码taosdata；首次登录可能需要先注册。登录后可打开数据浏览页查看数据库、超级表、子表与基础表，并在 SQL 页执行查询。详见 可视化管理。
• Grafana 集成：TDengine 提供 Grafana 插件与数据源，可在 Grafana 中配置 TDengine 数据源、编写查询并制作仪表盘，实现时序监控可视化，参见 Grafana 集成。
• 无代码数据接入：通过 Telegraf、Prometheus、EMQX、StatsD、collectd、HiveMQ 等工具可直接接入数据，企业版还提供 MQTT、OPC、AVEVA PI System、Wonderware、Kafka、MySQL、Oracle 等连接器，配置后无需编写应用代码即可持续写入，见 无代码数据接入。
• Shell 与工具：taosCLI 与客户端驱动可单独安装到其他机器，使用细节见 TDengine CLI。

继续深入

本文覆盖了快速入门阶段最常用的建库建表、写入、查询、订阅与流处理模式。后续可沿以下方向深入：

• 继续 基本概念、数据建模、数据写入、数据查询 四个章节的完整细节；
• 探索数据订阅（06-data-subscription）与流处理（07-stream-processing）的进阶能力；
• 阅读 TDengine SQL 参考中的 数据写入、数据删除、数据压缩 与 数据查询 获取完整语法；
• 通过 参数绑定 与 Schemaless 写入 提升应用写入吞吐。

【免费下载链接】tdengineTDengine is an open source, high-performance, cloud native time-series database optimized for Internet of Things (IoT), Connected Cars, Industrial IoT and DevOps.项目地址: https://gitcode.com/taosdata/tdengine