涛思数据TDengine

摘要： Google Data Studio 是一个强大的报表可视化工具，它提供了丰富的数据图表和数据连接，可以非常方便地按照既定模板生成报表。因其简便易用和生态丰富而在数据分析领域得到一众数据科学家的青睐。 阅读全文

摘要： 对于“涛思文化奖”，我们今后不设名额限制，不设时间，只要敢于指出非自己职责范围内的问题，解决它或推动它的解决，只要有创新，能极大的提升工作效率或产品竞争力，我们就马上奖励，而且奖金马上兑现。只有这样，涛思数据才有希望，才有可能打造出顶级的时序数据库产品（Time-Series Database），也才有可能成为世界一流的基础软件公司。 阅读全文

摘要： 此前有人在某问答网站上发布了这样一个问题：既然部分时序数据库如 InfluxDB、TimescaleDB 是基于关系型、非时序数据库 PostgreSQL 开发而来，那在时序数据场景下，能否用 MySQL/MongoDB 这类数据库去代替时序数据库（Time-Series Database）使用？对于此问题，涛思数据资深研发工程师试图从原理和实践出发为同样有此疑问的朋友作出解答。 阅读全文

摘要： 众所周知，压缩算法的目的主要是为了减少存储空间或传输带宽，通过把原始数据转换成比原始格式更紧凑的形式，来提高数据的传输、存储和处理效率。我们熟悉的很多压缩软件都是借助非常复杂的算法才得以实现，像一些时序数据库（Time-Series Database），比如 TDengine，也是通过内置压缩功能，才能实现对时序数据的高比例压缩。那具体来说，数据压缩的流程是怎样的？时序数据库中常见的数据编码和压缩算法又有哪些呢？本篇文章将会从具体实践出发进行经验分享。 阅读全文

摘要： 为了更方便用户使用 TDengine + Grafana 这个组合，在 TDengine 和 Grafana 两个团队的协作之下，TDengine 插件正式上架 Grafana 官网！一行命令即可完成安装配置。 阅读全文

摘要： 涛思数据与华为云深度融合达成联营联运合作，成为紧密合作伙伴。依托华为云 Stack 深厚技术底蕴，结合涛思数据 TDengine 强大引擎能力，大幅降低系统总拥有成本与复杂程度，减少研发运维难度。双方携手打造高效稳定安全的物联网数据处理解决方案，作为智能基础设施，赋能产业数字化转型。 阅读全文

摘要： 在去年 11 月，曾在甲骨文北京研发中心核心开发团队任职的张玮绚（Wade）转身成为了涛思数据的一员，负责 TDengine 的研发管理工作。在即将进入 45 岁之际，他毅然选择了转换赛道，重燃少年时期的冒险精神。从 90 分完美主义出发，他希望未来自己能够和团队一起将 TDengine 打造成为时序数据库的代名词。本文中 Wade 将会阐述转换赛道的心路历程，分享自己的人生和职场经验，给到有需要的人一些参考。 阅读全文

摘要： TDengine 2.6 版本已经正式发布，有不少用户在此时会有升级的需求，本篇文章详细讲解了 TDengine 的升级流程。以 2.0.16 为分界线，升级步骤稍有不同，在阅读具体升级步骤前，请注意检查自己的数据库服务版本。 阅读全文

摘要： 在拓斯达的智能工厂整体解决方案项目中，传统的关系型数据库已经无法高效处理时序数据，在加载、存储和查询等多个方面都遇到了挑战，最终他们选择了 TDengine 来匹配工业传感器数据的应用分析场景。本文将讲述他们应用 TDengine 的具体实践。 阅读全文

摘要： 在使用或者实现分布式数据库（Distributed Database）时，会面临把一个表的数据按照一定的策略分散到各个数据库节点上的情况，随之而来的是多节点数据查询复杂性的问题，例如 Join 和子查询。本文将会为你解读分布式数据库下子查询和 Join 等复杂 SQL 如何实现，来帮助你更好地解决上述问题。 阅读全文