引言：时序数据的存储挑战

在物联网、监控系统、金融交易等领域，时序数据的高效存储与分析成为关键。时序数据库（TSDB）专为此类数据设计，面对InfluxDB、Prometheus和OpenTSDB，如何做出明智选择？本文将从特性对比、实战代码示例出发，深入探讨。

1. InfluxDB实战入门

InfluxDB以其高性能、易用性和强大的查询语言脱颖而出。

Python

from influxdb_client import InfluxDBClient, Point, WritePrecision
from influxdb_client.client.write_api import SYNCHRONOUS

bucket = "my_bucket"
org = "my_org"
token = "your_token_here"

client = InfluxDBClient(url="http://localhost:8086", token=token)

write_api = client.write_api(write_options=SYNCHRONOUS)

point = Point("my_measurement").tag("location", "Prague").field("temperature", 25.3).time(time.time_ns(), WritePrecision.NS)
write_api.write(bucket, org, point)

query_api = client.query_api()
result = query_api.query('from(bucket:"my_bucket") |> range(start: -1h)')

for table in result:
    for record in table.records:
        print(record.values)

注释：此Python示例展示了如何使用InfluxDB Python客户端写入时序数据，并执行简单查询。InfluxQL与Flux查询语言为复杂数据分析提供了便利。

2. Prometheus的监控威力

Prometheus以其强大的指标抓取、多维度数据模型和灵活的PromQL著称。

Yaml

# prometheus.yml 配置示例
global:
  scrape_interval: 15s # 默认抓取间隔

scrape_configs:
  - job_name: 'node_exporter'
    static_configs:
      - targets: ['localhost:9100'] # 监控本地Node Exporter

Promql

# 查询CPU使用率
 - (avg by (instance) (irate(node_cpu_seconds_total{mode!="idle"}[5m])) * 100)

注释：配置文件展示了如何设置Prometheus抓取目标，而PromQL查询语句则用于计算过去5分钟内CPU非空闲时间的平均利用率。

3. OpenTSDB的轻量化选择

尽管OpenTSDB不如前两者在新特性和易用性上突出，但在大规模分布式监控场景下，以其高效存储和查询能力仍占一席之地。

Bash

# 向OpenTSDB写入数据
curl -i -X POST -H "Content-Type: application/json" \
    http://opentsdb_host:4242/api/put?details \
    -d '[{"metric":"sys.cpu.user","timestamp":1451695405,"value":0.65,"tags":{"host":"web01","dc":"lga"}}]'

注释：此curl命令展示了如何通过HTTP API向OpenTSDB写入一条时序数据记录，适用于快速测试和简单集成。

结论：如何选择？

• InfluxDB：适用于需要复杂查询和高可扩展性的场景，尤其是当SQL查询习惯和强一致性的需求存在时。
• Prometheus：在监控系统中表现卓越，特别是配合其生态系统工具（如Grafana）时，能够快速搭建强大的可视化监控平台。
• OpenTSDB：对于追求极致性能、已有Hadoop生态集成需求的大规模环境而言，是一个可靠选择。

每种数据库都有其适用场景，理解项目需求，权衡各数据库的优劣，是做出正确选择的关键。