1-TDengine安装与初体验

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介: 1-TDengine安装与初体验

背景


我们的项目涉及物联网相关业务,由于一开始的年少无知,传感器数据采用了 MySQL 进行存储,经过两年的数据累积,目前几个核心表单表数据已过亿,虽然通过索引优化、SQL优化以及读写分离等措施,勉强满足基本的查询,能在秒级给出数据;但是数据量还在持续增加,当面对用户多维度的统计需求,在实现上、效率上总是那么不尽如人意。。

仰天长叹,难道只能走分库分表或者迁移历史数据、区分冷热温数据这两条不归路了吗?

一次偶然的机会,了解到诸如 InfluxDB , TDengine 这类时序数据库,它们的差别这里不做对比,仅简单体验下 TDengine


image.png

在使用一项新技术前,一定要清楚我们为什么需要这项技术,它到底能为我们解决哪些痛点。强烈建议先到官网看下白皮书与这四篇文章:


  • 白皮书

www.taosdata.com/downloads/T…

  • 海量物联网时序大数据

  1. www.taosdata.com/blog/2019/0…
  2. www.taosdata.com/blog/2019/0…
  3. www.taosdata.com/blog/2019/0…
  4. www.taosdata.com/blog/2019/0…


TDengine 专为物联网、车联网等时序空间大数据设计,其核心功能是时序数据库。但为减少大数据平台的研发和运维的复杂度,更进一步降低计算资源, TDengine 还提供大数据处理所需要的消息队列、消息订阅、缓存、流式计算等功能。


实践出真知,写的这些算不上是教程,只是记录下对这款优秀的国产开源时序数据库的体验过程。


系统环境


  • 服务器


其实没有服务器,也没有云主机,就是在本地安装的一个虚拟机。。

内存:4G
处理器:2*2
硬盘:100G
[root@hadoop1 local]# cat /etc/redhat-release
CentOS Linux release 7.8.2003 (Core)
[root@hadoop1 local]# uname -a
Linux hadoop1 3.10.0-1127.el7.x86_64 #1 SMP Tue Mar 31 23:36:51 UTC 2020 x86_64 x86_64 x86_64 GNU/Linux
[root@hadoop1 local]# taos -V
version: 2.1.2.0


  • 开发环境


一台公司配的 ThinkPad T580 ,才8G内存。。你说,这点内存能干啥?

设备名称  HEARTSUIT
处理器 Intel(R) Core(TM) i5-8250U CPU @ 1.60GHz 1.80 GHz
机带 RAM  8.00 GB (7.83 GB 可用)
系统类型  64 位操作系统, 基于 x64 的处理器
笔和触控  没有可用于此显示器的笔或触控输入
版本  Windows 10 家庭中文版
版本号 20H2
安装日期  ‎2021/‎7/‎9
操作系统内部版本  19042.1110
体验  Windows Feature Experience Pack 120.2212.3530.0


下载


www.taosdata.com/cn/getting-…


下载完成后,上传至服务器,我习惯将这些包放到 /usr/local 目录。


安装


# 安装
[root@hadoop1 local]# rpm -ivh TDengine-server-2.1.2.0-Linux-x64.rpm
准备中...                          ################################# [100%]
正在升级/安装...
   1:tdengine-2.1.2.0-3               ################################# [100%]
Start to install TDengine...
Created symlink from /etc/systemd/system/multi-user.target.wants/taosd.service to /etc/systemd/system/taosd.service.
System hostname is: hadoop1
Enter FQDN:port (like h1.taosdata.com:6030) of an existing TDengine cluster node to join OR leave it blank to build one:
Enter your email address for priority support or enter empty to skip: 
To configure TDengine : edit /etc/taos/taos.cfg
To start TDengine     : sudo systemctl start taosd
To access TDengine    : taos -h hadoop1 to login into TDengine server
TDengine is installed successfully!
# 查看状态
[root@hadoop1 local]# systemctl status taosd
● taosd.service - TDengine server service
   Loaded: loaded (/etc/systemd/system/taosd.service; enabled; vendor preset: disabled)
   Active: inactive (dead)


运行


# 启动
[root@hadoop1 local]# systemctl start taosd
# 再次查看状态
[root@hadoop1 local]# systemctl status taosd
● taosd.service - TDengine server service
   Loaded: loaded (/etc/systemd/system/taosd.service; enabled; vendor preset: disabled)
   Active: active (running) since 二 2021-06-15 12:59:24 CST; 1s ago
  Process: 5354 ExecStartPre=/usr/local/taos/bin/startPre.sh (code=exited, status=0/SUCCESS)
 Main PID: 5360 (taosd)
   CGroup: /system.slice/taosd.service
           └─5360 /usr/bin/taosd
6月 15 12:59:24 hadoop1 systemd[1]: Starting TDengine server service...
6月 15 12:59:24 hadoop1 systemd[1]: Started TDengine server service.
6月 15 12:59:24 hadoop1 TDengine:[5360]: Starting TDengine service...
6月 15 12:59:24 hadoop1 TDengine:[5360]: Started TDengine service successfully.


Note: TDengine 使用 FQDN 来访问,所以要配置下 hostname ,命令: vi /etc/hosts , 我这里的配置是:


192.168.169.129 hadoop1


入门体验


Linux 版的 TDengine 在安装完后就自带了客户端,在本机命令行键入: taos ,进入交互式界面。


[root@hadoop1 local]# taos 
Welcome to the TDengine shell from Linux, Client Version:2.1.2.0
Copyright (c) 2020 by TAOS Data, Inc. All rights reserved.
taos> show databases;
              name              |      created_time       |   ntables   |   vgroups   | replica | quorum |  days  |   keep0,keep1,keep(D)    |  cache(MB)  |   blocks    |   minrows   |   maxrows   | wallevel |    fsync    | comp | cachelast | precision | update |   status   |
====================================================================================================================================================================================================================================================================================
 log                            | 2021-06-15 13:09:38.773 |           4 |           1 |       1 |      1 |     10 | 30,30,30                 |           1 |           3 |         100 |        4096 |        1 |        3000 |    2 |         0 | us        |      0 | ready      |
Query OK, 1 row(s) in set (0.001817s)
taos> create database db;
Query OK, 0 of 0 row(s) in database (0.002028s)
taos> use db;
Database changed.
taos> create table t (ts timestamp, speed int);
Query OK, 0 of 0 row(s) in database (0.180100s)
taos> show tables;
           table_name           |      created_time       | columns |          stable_name           |          uid          |     tid     |    vgId     |
==========================================================================================================================================================
 t                              | 2021-07-20 16:28:09.184 |       2 |                                |     37436171923321672 |           1 |         133 |
Query OK, 1 row(s) in set (0.004538s)
taos> describe t;
             Field              |         Type         |   Length    |   Note   |
=================================================================================
 ts                             | TIMESTAMP            |           8 |          |
 speed                          | INT                  |           4 |          |
Query OK, 2 row(s) in set (0.000167s)
taos> insert into t values ('2019-07-15 00:00:00', 10);
Query OK, 1 of 1 row(s) in database (0.002749s)
taos> insert into t values (now, 100);
Query OK, 1 of 1 row(s) in database (0.000982s)
taos> select count(*) from t;
       count(*)        |
========================
                     2 |
Query OK, 1 row(s) in set (0.000957s)
taos> select * from t;
           ts            |    speed    |
========================================
 2019-07-15 00:00:00.000 |          10 |
 2021-07-20 16:28:21.813 |         100 |
Query OK, 2 row(s) in set (0.002184s)
taos> select * from db.t;
           ts            |    speed    |
========================================
 2019-07-15 00:00:00.000 |          10 |
 2021-07-20 16:28:21.813 |         100 |
Query OK, 2 row(s) in set (0.003076s)
taos> select * from t limit 1;
           ts            |    speed    |
========================================
 2019-07-15 00:00:00.000 |          10 |
Query OK, 1 row(s) in set (0.001250s)
taos> select * from t order by ts desc;
           ts            |    speed    |
========================================
 2021-07-20 16:28:21.813 |         100 |
 2019-07-15 00:00:00.000 |          10 |
Query OK, 2 row(s) in set (0.002486s)
taos> drop table t;
Query OK, 0 of 0 row(s) in database (0.115054s)
taos> show tables;
Query OK, 0 row(s) in set (0.002069s)
taos> drop database db;
Query OK, 0 of 0 row(s) in database (0.010900s)
taos> exit
[root@hadoop1 local]#


Note:


  1. 若通过其他主机的客户端访问TDengine,则需要指定主机名:taos -h ip/hostname


  1. 我们注意到在通过taos连接时,并没有指定用户名与密码,这个简直了。。其实,TDengine在用户未指定认证信息时,默认为root, taosdata


参考官方文档,常用的几个命令行参数:

-c, --config-dir: 指定配置文件目录,默认为/etc/taos
-h, --host: 指定服务的FQDN,默认为本地服务
-s, --commands: 在不进入终端的情况下运行TDengine命令
-u, --user: 连接TDengine服务器的用户名,缺省为root
-p, --password: 连接TDengine服务器的密码,缺省为taosdata
-?, --help: 打印出所有命令行参数


经过此番体验,乍看起来, TDengine 与我们用过的关系型数据库 MySQL 没啥区别呀,且慢,这只是用类SQL语句操作了下 TDengine ,下面我们继续看下与传统SQL不太一样的地方,同时体验下 TDengine 的写入、查询效率。


进阶体验


TDengine 自带了一个 taosdemo 的程序,该命令将在数据库 test 下面自动创建一张超级表 meters ,该超级表下有1万张表,表名为"t0"到"t9999",每张表有1万条记录,每条记录有 (ts, col0, col1, col2, col3) 五个字段,时间戳从 "2017-07-14 10:40:00 000" 到 "2017-07-14 10:40:09 999",每张表带有标签t0和t1,t0被设置为0到9999,t1被设置为"beijing"或者"shanghai",即最后共插入1亿条记录。


  • 建表、写数据
# Linux命令行直接执行taosdmeo
[root@hadoop1 local]# taosdemo


输出内容如下(同时会将该内容写入文件: /root/output.txt ):


host:                       127.0.0.1:6030
user:                       root
configDir:                  
resultFile:                 ./output.txt
thread num of insert data:  10
thread num of create table: 10
number of records per req:  30000
max sql length:             1048576
database count:          1
database[0]:
  database[0] name:       test
  drop:                  yes
  replica:               1
  precision:             ms
  super table count:     1
  super table[0]:
      stbName:           meters
      autoCreateTable:   no
      childTblExists:    no
      childTblCount:     10000
      childTblPrefix:    t
      dataSource:        rand
      iface:             taosc
      insertRows:        10000
      interlace rows:    0
      interlaceRows:     0
      disorderRange:     1000
      disorderRatio:     0
      maxSqlLen:         1048576
      timeStampStep:     1
      startTimestamp:    2017-07-14 10:40:00.000
      sampleFormat:      
      sampleFile:        
      tagsFile:          
      columnCount:       4
        column[0]:INT column[1]:INT column[2]:INT column[3]:INT 
      tagCount:            2
        tag[0]:INT tag[1]:BINARY(16) 
Spent 3.2100 seconds to create 10000 tables with 10 thread(s)
Spent 59.48 seconds to insert rows: 100000000, affected rows: 100000000 with 10 thread(s) into test.meters. 1681350.46 records/second
insert delay, avg:     47.24ms, max: 244ms, min: 7ms

可以看到创建了一个数据库 test ,一张超级表 meters ,10000张测点(表),每张表里写入10000条数据。


开启了10个线程,建库+建表+插入数据总耗时约60s,总记录100000000条,每秒写入数据记录1681350.46条。


从写入效果看,让人既震撼又兴奋~


  • 验证
taos> use test;
Database changed.
taos> describe meters;
             Field              |         Type         |   Length    |   Note   |
=================================================================================
 ts                             | TIMESTAMP            |           8 |          |
 col0                           | INT                  |           4 |          |
 col1                           | INT                  |           4 |          |
 col2                           | INT                  |           4 |          |
 col3                           | INT                  |           4 |          |
 t0                             | INT                  |           4 | TAG      |
 t1                             | BINARY               |          16 | TAG      |
Query OK, 7 row(s) in set (0.000135s)
taos> show tables;
           table_name           |      created_time       | columns |          stable_name           |          uid          |     tid     |    vgId     |
==========================================================================================================================================================
 t5114                          | 2021-06-15 14:32:05.078 |       5 | meters                         |      1407376679002899 |         107 |           5 |
 t6915                          | 2021-06-15 14:32:07.348 |       5 | meters                         |      1125944788123835 |        2675 |           4 |
 t5999                          | 2021-06-15 14:32:06.711 |       5 | meters                         |      1407403557282797 |        1709 |           5 |
 t1474                          | 2021-06-15 14:32:06.830 |       5 | meters                         |      1688873836557746 |        1429 |           6 |
...
Query OK, 10000 row(s) in set (1.042923s)
taos> select count(tbname) from meters;
     count(tbname)     |
========================
                 10000 |
Query OK, 1 row(s) in set (0.006129s)
taos> select count(*) from meters;
       count(*)        |
========================
             100000000 |
Query OK, 1 row(s) in set (0.210428s)
taos> select count(*) from t0;
       count(*)        |
========================
                 10000 |
Query OK, 1 row(s) in set (0.002336s)
taos> select count(*) from test.t9999;
       count(*)        |
========================
                 10000 |
Query OK, 1 row(s) in set (0.002720s)
taos> select distinct t1 from meters;
        t1        |
===================
 beijing          |
 shanghai         |
Query OK, 2 row(s) in set (0.109290s)
taos> select count(t0) from meters;
       count(t0)       |
========================
                 10000 |
Query OK, 1 row(s) in set (0.009314s)
taos> select *, t0, t1 from t9999 limit 10;
           ts            |    col0     |    col1     |    col2     |    col3     |     t0      |        t1        |
===================================================================================================================
 2017-07-14 10:40:00.000 |        3413 |        2118 |       19236 |       34372 |        9999 | beijing          |
 2017-07-14 10:40:00.001 |       39459 |       58510 |        1896 |         137 |        9999 | beijing          |
 2017-07-14 10:40:00.002 |       46560 |       16696 |       57671 |       52867 |        9999 | beijing          |
 2017-07-14 10:40:00.003 |       24451 |       41162 |       19182 |       17327 |        9999 | beijing          |
 2017-07-14 10:40:00.004 |        2421 |       10378 |       18471 |       24160 |        9999 | beijing          |
 2017-07-14 10:40:00.005 |       11240 |       39221 |       16868 |       53291 |        9999 | beijing          |
 2017-07-14 10:40:00.006 |       49797 |       61202 |       47328 |       17810 |        9999 | beijing          |
 2017-07-14 10:40:00.007 |       41747 |       61545 |       10914 |       21212 |        9999 | beijing          |
 2017-07-14 10:40:00.008 |       53202 |       18229 |       57033 |        7533 |        9999 | beijing          |
 2017-07-14 10:40:00.009 |       55927 |       64343 |       46090 |       30498 |        9999 | beijing          |
Query OK, 10 row(s) in set (0.003072s)
  • 查询
# 查询1亿条记录的平均值、最大值、最小值等,第一次查询比较耗时
taos> select max(col0), avg(col1), max(col2), min(col3) from test.meters;
  max(col0)  |         avg(col1)         |  max(col2)  |  min(col3)  |
======================================================================
       65534 |           32746.001712370 |       65534 |           0 |
Query OK, 1 row(s) in set (16.479990s)
# 查询1亿条记录的平均值、最大值、最小值等,第二次查询,非常快
taos> select max(col0), avg(col1), max(col2), min(col3) from test.meters;
  max(col0)  |         avg(col1)         |  max(col2)  |  min(col3)  |
======================================================================
       65534 |           32746.001712370 |       65534 |           0 |
Query OK, 1 row(s) in set (0.063418s)
# 查询t1="beijing"的记录总条数
taos> select count(*) from test.meters where t1="beijing";
       count(*)        |
========================
              50000000 |
Query OK, 1 row(s) in set (0.016695s)
# 查询t1="shanghai"的记录总条数
taos> select count(*) from test.meters where t1="shanghai";
       count(*)        |
========================
              50000000 |
Query OK, 1 row(s) in set (0.017321s)
# 查询t1="shanghai"、"beijing"的记录总条数
taos> select count(*) from test.meters where t1="beijing" or t1="shanghai";
       count(*)        |
========================
             100000000 |
# 查询t0=100的记录总条数
taos> select count(*) from test.meters where t0=100;
       count(*)        |
========================
                 10000 |
Query OK, 1 row(s) in set (0.002740s)
# 查询1亿条记录的前10条
taos> select * from test.meters limit 10;
           ts            |    col0     |    col1     |    col2     |    col3     |     t0      |        t1        |
===================================================================================================================
 2017-07-14 10:40:00.000 |       20738 |       17079 |       28835 |       20955 |           0 | shanghai         |
 2017-07-14 10:40:00.001 |        9521 |        9092 |       16912 |       18897 |           0 | shanghai         |
 2017-07-14 10:40:00.002 |       63838 |       42129 |       52379 |       50840 |           0 | shanghai         |
 2017-07-14 10:40:00.003 |       36661 |       52292 |        5025 |       15506 |           0 | shanghai         |
 2017-07-14 10:40:00.004 |         988 |       47682 |       56909 |       12187 |           0 | shanghai         |
 2017-07-14 10:40:00.005 |       44303 |       50954 |       56846 |       11266 |           0 | shanghai         |
 2017-07-14 10:40:00.006 |       32445 |       39137 |       16212 |       40621 |           0 | shanghai         |
 2017-07-14 10:40:00.007 |       54210 |       50140 |       54717 |       56829 |           0 | shanghai         |
 2017-07-14 10:40:00.008 |       53177 |       40921 |       15058 |       10413 |           0 | shanghai         |
 2017-07-14 10:40:00.009 |       39718 |       14091 |       47696 |       51869 |           0 | shanghai         |
Query OK, 10 row(s) in set (0.033425s)
# 利用缓存机制,查询t1='beijing'的最新一条数据值
taos> select last_row(col3) from meters where t1='beijing';
 last_row(col3) |
=================
          30630 |
Query OK, 1 row(s) in set (0.037200s)
# 聚合查询:查询col3平均值,按照t1分组
taos> select avg(col3) from meters group by t1;
         avg(col3)         |        t1        |
===============================================
           32744.678155980 | beijing          |
           32752.362831000 | shanghai         |
Query OK, 2 row(s) in set (0.049459s)
# 降采样:对表t1110按10s进行平均值、最大值和最小值聚合统计
taos> select avg(col1), max(col2), min(col3) from test.t1110 interval(10s);
           ts            |         avg(col1)         |  max(col2)  |  min(col3)  |
==================================================================================
 2017-07-14 10:40:00.000 |           32770.574900000 |       65527 |           3 |
Query OK, 1 row(s) in set (0.002239s)
# 查询t1="shanghai"且指定时间范围内记录总数
taos> select count(*) from test.meters where t1="shanghai" and ts > '2017-07-14 10:40:00 000' and ts < '2017-07-14 10:40:01 000';
       count(*)        |
========================
               4995000 |
Query OK, 1 row(s) in set (0.562990s)
# 降采样:查询t1="shanghai"且在指定时间范围内col1的平均值,1s一个点
taos> select avg(col1) from test.meters where t1="shanghai" and ts > '2017-07-14 10:40:00 000' and ts < '2017-07-14 10:40:05 000' interval(1s);
           ts            |         avg(col1)         |
======================================================
 2017-07-14 10:40:00.000 |           32755.165719520 |
 2017-07-14 10:40:01.000 |           32737.603441200 |
 2017-07-14 10:40:02.000 |           32739.861599200 |
 2017-07-14 10:40:03.000 |           32747.347343800 |
 2017-07-14 10:40:04.000 |           32747.446260600 |
Query OK, 5 row(s) in set (0.382299s)
# 降采样、插值:查询t1="shanghai"且在指定时间范围内col1的值,1s一个点;实际需求:假设要获取每分钟内该设备上报的最后一次压力值为这一分钟的压力,如果某一分钟内,设备没有上报,则取上一分钟的压力值
taos> select last(col1) from test.meters where t1="shanghai" and ts > '2017-07-14 10:40:00 000' and ts < '2017-07-14 10:40:05 000' interval(1s) fill(value, 0);
           ts            | last(col1)  |
========================================
 2017-07-14 10:40:00.000 |       24615 |
 2017-07-14 10:40:01.000 |       44670 |
 2017-07-14 10:40:02.000 |       38200 |
 2017-07-14 10:40:03.000 |       51491 |
 2017-07-14 10:40:04.000 |       58636 |
Query OK, 5 row(s) in set (0.507627s)

从这里的快速体验中,我们可以看到除了首次查询1亿条记录的平均值、最大值、最小值时耗时超过10s外,其他的查询(按标签过滤、联表查询、按时间范围、聚合查询等)均在毫秒级给出结果,查询效果很赞~


Reference



相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps&nbsp;
目录
相关文章
|
6月前
|
存储 安全 Linux
TiDB安装准备工作与基础环境搭建
【2月更文挑战第28天】TiDB安装前需满足硬件(足够CPU、内存、存储)和软件(Linux,推荐CentOS 7+)要求,确保网络稳定性。配置包括设置唯一主机名,关闭防火墙和SELinux,同步NTP,创建TiDB用户和目录。下载官方安装包并验证后,解压,配置环境变量,初始化集群,启动服务并验证运行状态。稳定的环境对发挥TiDB性能至关重要。
|
6月前
|
NoSQL 关系型数据库 MySQL
《MySQL 简易速速上手小册》第10章:未来趋势和进阶资源(2024 最新版)
《MySQL 简易速速上手小册》第10章:未来趋势和进阶资源(2024 最新版)
55 0
|
6月前
|
Java Linux DataX
DataX入门指南:快速部署和安装指南
DataX入门指南:快速部署和安装指南
1714 2
DataX入门指南:快速部署和安装指南
|
6月前
|
搜索推荐 API 数据库
开源电子邮件营销平台 listmonk 使用教程
电子邮件营销是海外产品推广的关键,而ESP(电子邮件服务提供商)如Mailchimp和SendCloud等常被用于管理邮件列表和跟踪效果。然而,成本和定制化限制成为问题。为解决这些问题,开源平台如listmonk提供了一种灵活且可定制的解决方案。listmonk用Go语言编写,具备订阅者管理、邮件创建发送、跟踪分析和API集成等功能,特别适合中小企业和大型组织。它还支持一键部署,例如通过Sealos应用商店,使得部署过程变得简单。
233 1
|
6月前
|
SQL Java 数据库连接
如何使用TDengine?
【5月更文挑战第13天】如何使用TDengine?
130 0
|
SQL Oracle 关系型数据库
DataGrip初体验
DataGrip总体来说是一款非常好的数据库管理软件,整体风格和Idea一样,智能代码补写非常好用。
1485 1
|
资源调度 前端开发
主流脚手架工具介绍
主流脚手架工具介绍
424 0
|
存储 网络安全 文件存储
UNRAID系统初体验
UNRAID系统初体验
564 0
UNRAID系统初体验
|
存储 自然语言处理 前端开发
我用这些开源项目轻松搭建了一个在线文档平台
我用这些开源项目轻松搭建了一个在线文档平台
2230 0
我用这些开源项目轻松搭建了一个在线文档平台
|
存储 监控 前端开发
APM开源方案-SigNoz初体验
最近在调研APM相关的开源方案,发现ATA上这类的文章比较少,准备搞一系列APM的“初体验”文章,那么先从最近github势头较热的SigNoz开始SigNoz简介SigNoz是一套开源APM方案,用于监控应用指标和链路,可以看到调用情况、异常、trace上下链路,也可以自己定义Dashboard。官方对于SigNoz介绍很全面了,不赘述啦。值得注意的是,SigNoz支持OpenTelemetry
6380 2
APM开源方案-SigNoz初体验