简介

时间序列数据库是目前技术发展最快的数据库类型之一。作为业界最为流行的时序数据库InfluxDB，其部署运行十分简洁方便，支持高性能时序数据的读写，在应用程序监控、物联网（IoT）领域有着广泛的应用。

阿里云InfluxDB®是基于开源版InfluxDB优化的版本，内部的数据组织保持与开源版本一致，可以简单概括为索引与数据两部分。用户使用Influxql语句进行数据查询，InfluxDB会解析这条语句并生成AST语法树，通过语法树的遍历，找到需要查询的measurement、tag kv等关键元数据信息，通过InfluxDB的索引找到对应的时序数据所在的文件（TSM），获得数据点，返回给用户。而索引的实现有两种，一种是基于内存的倒排索引（inmem），使用上受限于内存，如果出现宕机的情况，需要扫描解析所有TSM文件并在内存中重新构建，恢复时间很长；另一种则是基于文件的倒排索引（TSI），内存占用较小，可以支持百万甚至千万级别的时间线，宕机恢复影响也很小。

本文将基于文件倒排索引（TSI）的索引类型，深入介绍用户一次数据查询，在InfluxDB内部的流程细节。

流程概述

Query入口

InfluxDB内部注册了许多服务，其中httpd service是负责处理外部请求的服务，通常情况下，读写请求都会到达services/httpd/handler.go这里。对于select语句来说，调用的是serveQuery。

查询准备

查询的准备工作，包括计数器的更新、参数解析、解析生成AST树、认证4个方面。

1、计数统计

计数统计方面，查询计数器h.stats.QueryRequests自增1。其次定义一个defer，用于在结束时统计当前查询的耗时。

defer func(start time.Time) {
    atomic.AddInt64(&h.stats.QueryRequestDuration, time.Since(start).Nanoseconds())
}(time.Now())

2、参数解析

Influxdb需要对query提交的表单解析若干关键配置参数，才能确定访问的数据库、存储策略、输出格式等详细信息：

参数名	作用
q	查询语句
node_id	集群版节点id，单机版无效
epoch	查询输出格式，可选值有epoch=[h,m,s,ms,u,ns]
db	待查询数据库
rp	待查询存储策略
params	附加参数
chunked	用于控制返回流式批处理中的点而不是单个响应中的点。如果设置为true，InfluxDB将按系列或每chunk_size个点（默认10000）分组响应。
chunk_size	分组相应点数大小
async	是否同步查询返回

3、生成AST树

对于从表单提取的查询语句，InfluxDB有自己的一套Influxql解析框架，可生成类似传统关系型数据库内的AST树。由于Influxql部分代码庞大，与查询逻辑核心关系不大，本文不做展开。

4、认证

出于安全考虑，用户可能开启了InfluxDB的认证配置。只有对应权限的用户以及匹配正确密码之后，才能访问相关的数据库。

执行查询

准备工作完成后，最终会执行coordinator/statement_executor.go的executeSelectStatement函数，这个函数是处理查询语句的。从services/httpd/handler.go的serveQuery到coordinator/statement_executor.go的executeSelectStatement，经过了多层的函数调用。为了方便读者阅读代码，下图展示了调用的堆栈（如若遇到go interface部分的函数调用，下图已替换为真正实现interface的结构体的函数）。

在executeSelectStatement函数内部，有几个关键操作：
（1）创建迭代器createIterators，创建过程中内部通过TSI访问TSM并decode部分数据内容（“细节探究：迭代器与TSI、TSM”小节深入分析）；
（2）创建基于迭代器的Emitter，通过Emitter函数中循环调用cursor的Scan()函数从cursor中一条一条数据地进行读取。

以下是Emitter读取数据时可能遇到的几种情况：
（a）如果是多个series，则一般是第1个series拿1个数据，然后第2个拿1个数据......拿完后，第1个series再拿第2个数据，以此类推；
（b)当返回数据达到了查询设置的chunkSize（查询参数中没有，则使用默认的10000）时，提前先返回，以此来做到分批返回结果；
（c）如果是查询类似count这种聚合操作，那可能从cur中一共也就返回1条结果数据，聚合工作放在了相关iterator的reducer操作中；
（d）如果已经decode的数据被读取完，还需要继续读取，则会迫使cur再次做底层TSM文件的decode。直到完成需要的数据读取。

查询返回

当查询结束后，同步情况下从管道依次取出结果。并处理chunked协议等返回协议，最终返回给用户。

细节探究：迭代器与TSI、TSM

CreateIterator

我们提到执行select的主函数executeSelectStatement一个关键操作是创建迭代器（或者说是游标）cursor，这一思想与传统关系型数据库执行计划树的执行过程有相似之处。cursor的创建依赖于查询准备工作中由InfluxQL解析生成的AST树（SelectStatement）。创建过程也类似于传统关系型数据库，分为Prepare、Select两部，其中Prepare过程还可以细分为Compile与Compile之后的Prepare；Select则是基于Prepare后的SelectStatement来构建迭代器。

Prepare过程

Prepare过程先执行了Compile，Compile主要进行以下操作：
1、预处理，主要是解析、校验和记录当前查询状态的全局属性，例如解析查询的时间范围、校验查询条件合法性、校验聚合条件的合法性等等。
2、fields预处理，例如查询带time字段的会自动替换为timstamp。
3、重写distinct查询条件。
4、重写正则表达式查询条件。

Compile之后的Prepare主要进行以下操作：
1、如果查询带聚合，且配置了max-select-buckets限制，且查询时间范围下界未指定时，需要根据限制重写查询时间范围下界。
2、如果配置了额外的查询间隔配置，修正查询时间范围上下界。
3、根据时间上下界获取需要查询的shards map（LocalShardMapping结构体对象）。
4、如果是模糊查询则替换*为所有可能的tag key与field key（获取tag key时，实际上已经访问了TSI索引）。
5、校验查询类型是否合法。
6、确定与查询间隔（group by time()）匹配的开始和结束时间并再次校验查询buckets是否超过了max-select-buckets配置项。

Select过程

在InfluxDB内部，由5种Iterator，它们分别是buildFieldIterator、buildAuxIterator、buildExprIterator、buildCallIterator和buildVarRefIterator。它们根据不同的查询产生不同的创建过程，彼此组成互相调用的关系，并组成了最终的cursor。

在Select函数构建cursor的过程中，调用不断向下，我们最终会来到Engine.CreateIterator函数的调用。Engine与一个shard对应，如果查询跨多个shard，在外层会遍历所有涉及本次查询的shards（LocalShardMapping），对每个shard对应的Engine执行CreateIterator，负责查询落在本shard的数据。根据查询究竟是查数据，还是聚合函数，Engine.CreateIterator里会调用createVarRefIterator或者createCallIterator。

它们最终都会调用createTagSetIterators函数，调用之前，会查询出所有的series作为调用参数（这里访问了索引TSI）。接下来，程序会以series和cpu核数的较小值为除数平分所有的series，然后调用createTagSetGroupIterators函数继续处理，其内部会对分配到的series进行遍历，然后对每一个seriesKey调用createVarRefSeriesIterator函数。在createVarRefSeriesIterator函数中，如果ref有值，则直接调用buildCursor函数。如果ref为nil，则opt.Aux参数包含了要查询的fields，所以对其进行遍历，对每个feild，再调用buildCursor函数。

buildCursor函数中，先根据measurement查询到对应的fields，再根据field name从fields中查询到对应的Field结构（包含feild的ID、类型等）。然后，根据field是什么类型进行区别，比如是float类型，则调用buildFloatCursor函数。各类型的buildCursor底层调用的实际是TSM文件访问的函数，新建cursor对象时（newKeyCursor）使用fs.locations函数返回所有匹配的TSM文件及其中的block（KeyCursor.seeks），读取数据时则是根据数据类型调用peekTSM()、nextTSM()等TSM访问函数。

查询倒排索引TSI

我们先看一张基于TSI的InfluxDB索引组织图（如下所示）。其中db（数据库）、rp（存储策略）、shard、Index在文件组织下都是以目录形式表现，TSI使用了分区策略，所以在Index文件夹下是0~7共计8个partition文件夹，partition文件夹则是TSI文件与它的WAL（TSL）：

TSI采用了类LSM机制，操作都是以append-only方式以LogEntry格式写入到WAL（TSL文件，其对应的level为0），修改和删除操作也是如此，在后台compaction（Level0 ~ Level 1）的过程中会进行真正的数据删除。当TSL文件执行compaction操作时，实际上是将WAL以TSI格式转化写入一个新的TSI文件中。TSI文件（Level1-Level6）会定期由低层向高层作compact， compact的过程本质是将相同measurement的tagbock作在一起，相同measurement的相同tagkey对应的所有tagvalue放在一起， 相同measurement的相同tagkey又相同tagvalue的不同series id 作合并后放在一起。

我们来看一下TSI文件的内部结构，以便了解当执行查询时，InfluxDB是如何使用它来找到对应measurement、tag key、tag value以及相关数据文件TSM的。

index_file

首先我们看到tsdb/index/tsi1/index_file.go有一个很有意思的常量IndexFileTrailerSize。

IndexFileTrailerSize = IndexFileVersionSize +
    8 + 8 + // measurement block offset + size
    8 + 8 + // series id set offset + size
    8 + 8 + // tombstone series id set offset + size
    8 + 8 + // series sketch offset + size
    8 + 8 + // tombstone series sketch offset + size
    0

从它的定义我们很容易得出：
1、IndexFileTrailerSize在TSI文件结尾处占固定的82bytes，我们在解析TSI时很容易读取到这个Trailer.
2、通过它的定义我们基本知道了一个TSI包含哪些部分：

这里我们仔细分析1.7以后的代码，发现一个很有趣的问题，series id set这个区域在查询期间没有起到由series id去查series key的作用。实际上在1.7的influxdb，有一个特殊文件夹_series，在这个文件夹中才存放了series id到series key的映射。

measurement block

我们再来看measurement block，其定义是在tsdb/index/tsi1/measurement_block.go，我们也很容易发现measurement block也是由存储类似meta信息的Trailer以及其他各部分组成。

MeasurementTrailerSize = 0 +
    2 + // version
    8 + 8 + // data offset/size
    8 + 8 + // hash index offset/size
    8 + 8 + // measurement sketch offset/size
    8 + 8 // tombstone measurement sketch offset/size

（1）Trailer部分是整个MeasuermentBlock的索引，存储着其他部分的offset和size。

（2）data offset/size部分，是所有的MeasurementBlockElement的集合。MeasurementBlockElement内包含了measurement的名字、对应tag的集合以及在文件中的offset和size、当前measurement下所有的series id信息。

（3）hash index部分以hash索引方式存储了MeasurementBlockElement在文件中的offset，可在不读取整体tsi的情况下快速定位某个MeasurementBlockElement文件偏移。

（4）measurement sketch和tombstone measurement sketch是使用HyperLogLog++算法来作基数统计用。

Tag block

我们再来看Tag block，其定义是在tsdb/index/tsi1/tag_block.go中，同样有类似的trailer定义：

const TagBlockTrailerSize = 0 +
  8 + 8 + // value data offset/size
  8 + 8 + // key data offset/size
  8 + 8 + // hash index offset/size
  8 + // size
  2 // version

（1）Trailer相当于tag block的meta信息，保存其它各组成部分的offset和大小。

（2）key data部分是tag key数据块部分，其内部有二级hash index，可以通过tag key快速定位到指定tag key block部分，Data offset，Data size部分指向了当前tag key对应的所有的tag value block文件区域。

（3）value data的设计与key data部分类似。在tag value block的内部，有我们最关注的series id set。

（4）hash index部分，可以通过tag key快速定位到tag key block的offsset。

_series文件夹

原series id set区域用于存储整个数据库中所有的SeriesKey，这可能是历史遗留的问题。1.7.7版本的influxdb，有一个特殊文件夹_series，在这个文件夹中才存放了series id到series key的映射。

查看_series文件夹目录结构，也是和tsi类似，分为8个partition。最新版本的influxdb通过_series文件夹的series文件检索series id到series key的映射。

分组并发

根据TSI文件倒排索引查询得到所有的SeriesKey之后，要根据groupby条件对SeriesKey进行分组，分组算法为hash。分组后不同group的SeriesKey允许并行独立执行查询并最终执行聚合的，借此大幅提升整个查询的性能。

小结

最后我们来总结一下，TSI文件格式的设计，是一种多级索引的方式，每一层级都设计了Trailer，方便快速找到不同区域的偏移；每个分区内又有各自的Trailer，measurement block、Tag block、Tag block下的key data都设计了hash索引加快查询文件偏移。

对于一次查询，我们根据measurement在measurement block中找到对应MeasurementBlockElement下的tag set，根据查询条件中tag key进行过滤，再在对应的tag block中找到关联的全部tag value block。在tag value block中取得series id set，根据series id到_serise文件夹找到本次查询涉及到的全部SeriesKey。

TSM数据检索

我们先来看一下TSM的设计。一个TSM被设计为4个区域：Header、Blocks、Index和Footer。

其中Header是4位的magic number（用于定义文件类型）以及1个1位的版本号。

在Blocks区域，是一系列独立的数据Block组成，每个Block包含一个CRC32算法生成的checksum保证block的完整性。data内部，时间戳与数据分开存储，按不同的压缩算法进行压缩。拆解图如下：

在Index区域，存放的是Blocks区域的索引。Index区由一系列的index entries组成，它们先按key后按时间戳、以字典顺序排序。一条index entry内部组成包括：key长度、key、数据类型、当前blocks数量、本block的最大最小时间、block文件偏移、block长度。

footer区域存储索引区的文件偏移。

TSM文件的索引层，在InfluxDB启动之后就会全部加载到内存之中，数据部分则因消耗内存过大不加载。数据检索一般安装以下几个步骤执行：

1、首先根据TSI查询获得的所有SeriesKey找到所有对应的Index中的Index Entry，由于Key是有序的，因此可以使用二分查找来具体实现。
2、找到所有Index Entry之后，再根据查找的时间范围，使用[MinTime, MaxTime]过滤剩余需要的Index Entries。
3、通过Index Entries定位到可能的Data Blocks列表。
4、将满足条件的Data Blocks加载到内存中，用对应数据类型的解压算法解压数据，进一步使用二分查找算法查找即可找到。

总结

InfluxDB的查询流程是一个较为复杂的过程，源码实现的逻辑精妙、模块划分清晰，很适合时序数据库领域的开发者深入学习其中思想。由于篇幅有限，本文涉及到的部分并不完整，很多细节需要读者在阅读过程中参照社区开源代码对比研究，由于笔者学识有限也可能有描述失误的地方，欢迎大家斧正。

阿里云InfluxDB®现已正式商业化，欢迎访问购买页面(https://common-buy.aliyun.com/?commodityCode=hitsdb_influxdb_pre#/buy)与文档（https://help.aliyun.com/document_detail/113093.html?spm=a2c4e.11153940.0.0.57b04a02biWzGa）。