原文链接：【KWDB 创作者计划】KWDB时序数据查询 - OSCHINA - 中文开源技术交流社区

作者：狼哥Army

前言

在数据驱动的时代，海量时序数据如潮水般涌现，高效地查询和分析这些数据成为众多领域的关键诉求。从工业设备的实时监测到金融市场的瞬息万变，从智能交通的流量调控到气象环境的长期预测，准确把握时序数据背后的规律与趋势，对优化决策、提升效率、保障安全至关重要。

KWDB 作为一款先进的时序数据库，为处理复杂的时序数据查询提供了强大的工具集。在这篇文档中，我们将深入探讨 KWDB 的时序数据查询功能，涵盖创建查询、插值查询等核心内容。无论是简单的数据检索，还是复杂的时间序列分析，KWDB 都能凭借其丰富的语法和灵活的参数设置，满足多样化的业务需求。通过详细的语法讲解、丰富的示例演示，带你深入理解并熟练运用 KWDB 的查询能力，挖掘时序数据的无限价值，开启高效数据洞察之旅 。

我相信大家对与基础的数据库 ｓｅｌｅｃｔ 语句是非常熟悉的，那么对于时序数据库可能有一些不了解，那么本篇文章就是为了更好的标准时序数据库查询。

时序数据库查询逻辑

时序数据查询的基础逻辑围绕数据的时间特性展开，通过对带有时间戳的数据进行筛选、聚合、处理，从而获取有价值的信息，具体如下：

1. 基于时间戳筛选数据：时序数据的核心标识是时间戳，最基本的查询逻辑就是依据时间戳进行数据筛选。用户可指定特定时间范围，比如查询某一天、某一小时内的数据。在 KWDB 中，通过 WHERE 子句结合时间戳列进行条件筛选，如 ｓｅｌｅｃｔ * FROM ts_db.t1 WHERE ts BETWEEN '2024-02-26 01:00:00' AND '2024-02-26 02:00:00';，精准定位所需数据，这在监控系统查看特定时段设备运行数据时极为常用。

   
   

2. 数据聚合与统计：为从大量时序数据中提取关键信息，常需进行聚合操作。像计算一段时间内数据的总和、平均值、最大值、最小值等。以 KWDB 为例，使用聚合函数 SUM、AVG、MAX、MIN 等配合 GROUP BY 子句，按时间间隔对数据分组后统计，如 ｓｅｌｅｃｔ time_bucket (ts, '1h') AS time_slot, AVG (a) FROM ts_db.t1 GROUP BY time_slot;，能分析每小时数据的平均水平，在分析服务器每小时负载变化趋势时发挥重要作用。

   
   

3. 处理数据缺失与异常：实际的时序数据常存在缺失值或异常值，影响分析准确性。为此，KWDB 提供专门的函数处理。如 time_bucket_gapfill () 函数，能插入缺失的时间戳行，结合 interpolate () 函数，依据不同补值模式（常量值、前值、后值、线性值等）对缺失数据补值。在电力监测系统中，可利用这些函数修复因故障导致的电力数据缺失，确保数据的完整性和连续性，为后续分析提供可靠数据。

   
   

4. 关联与联合查询：当涉及多个相关的时序数据表时，需通过关联和联合查询获取更全面的信息。关联查询可依据相同的时间戳或其他关联字段，将多个表的数据连接起来，比如设备信息表和设备运行数据表通过设备 ID 和时间戳关联，查询设备在特定时间的详细信息和运行状态。联合查询则用于合并多个查询结果，便于对比分析不同数据源的数据，帮助企业综合评估业务状况。

数据准备

我们当前的数据库仅有一条数据，肯定不够测试的，可以运行后面我给出的 SQL 语句来增加一些数据，用来测试我们的查询效果。

创建函数测试

这是函数语句：

-- 生成随机年龄（18 - 60岁之间）CREATE OR ｒｅｐｌａｃｅ FUNCTION random_age() RETURNS INT AS $$BEGIN
    RETURN floor(random() * (60 - 18 + 1) + 18)::INT;END;
$$ LANGUAGE plpgsql;-- 生成随机身高（150.0 - 200.0之间）CREATE OR ｒｅｐｌａｃｅ FUNCTION random_height() RETURNS FLOAT AS $$BEGIN
    RETURN (random() * (200.0 - 150.0) + 150.0)::FLOAT;END;
$$ LANGUAGE plpgsql;-- 生成随机体重（50.0 - 100.0之间）CREATE OR ｒｅｐｌａｃｅ FUNCTION random_weight() RETURNS FLOAT AS $$BEGIN
    RETURN (random() * (100.0 - 50.0) + 50.0)::FLOAT;END;
$$ LANGUAGE plpgsql;-- 生成随机用户角色（假设几种常见角色）CREATE OR ｒｅｐｌａｃｅ FUNCTION random_user_role() RETURNS VARCHAR(30) AS $$ｄｅｃｌａｒｅ
    roles VARCHAR(30)[] := ARRAY['admin', 'user', 'editor', 'viewer'];BEGIN
    RETURN roles[ceil(random() * array_length(roles, 1))::INT];END;
$$ LANGUAGE plpgsql;-- 批量插入50条数据DO $$ｄｅｃｌａｒｅ
    i INT := 1;
    start_time TIMESTAMP := current_timestamp;BEGIN
    WHILE i <= 50 LOOP
        ｉｎｓｅｒｔ INTO users (
            k_timestamp,
            user_age,
            user_height,
            user_weight,
            user_id,
            user_role
        ) VALUES (
            start_time + INTERVAL '1 minute' * (i - 1),
            random_age(),
            random_height(),
            random_weight(),
            i,
            random_user_role()
        );
        i := i + 1;    END LOOP;END $$;

我们发现不支持函数。

那么，我们就只能通过 ｉｎｓｅｒｔ 语句来插入了。

-- 插入第1条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:34:54.779+00:00', 25, 170.5, 65.0, 1, 'user');
-- 插入第2条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:34:57.779+00:00', 30, 165.0, 70.0, 2, '张三');
-- 插入第3条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:00.779+00:00', 22, 175.0, 75.0, 3, '李四');
-- 插入第4条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:03.779+00:00', 28, 180.0, 80.0, 4, '王五');-
- 插入第5条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:06.779+00:00', 32, 160.0, 60.0, 5, '赵六');
-- 插入第6条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:09.779+00:00', 24, 172.0, 68.0, 6, '孙七');
-- 插入第7条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:12.779+00:00', 27, 168.0, 72.0, 7, '周八');
-- 插入第8条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:15.779+00:00', 35, 185.0, 90.0, 8, '吴九');
-- 插入第9条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:18.779+00:00', 21, 158.0, 55.0, 9, '郑十');
-- 插入第10条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:21.779+00:00', 29, 178.0, 85.0, 10, '陈十一');
-- 插入第11条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:24.779+00:00', 23, 163.0, 62.0, 11, '杨十二');
-- 插入第12条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:27.779+00:00', 31, 176.0, 78.0, 12, '刘十三');
-- 插入第13条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:30.779+00:00', 26, 166.0, 74.0, 13, '张十四');
-- 插入第14条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:33.779+00:00', 20, 155.0, 50.0, 14, '李十五');-
- 插入第15条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:36.779+00:00', 33, 182.0, 88.0, 15, '王十六');
-- 插入第16条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:39.779+00:00', 27, 171.0, 66.0, 16, '赵十七');
-- 插入第17条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:42.779+00:00', 30, 169.0, 73.0, 17, '孙十八');
-- 插入第18条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:45.779+00:00', 24, 174.0, 76.0, 18, '周十九');
-- 插入第19条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:48.779+00:00', 28, 164.0, 64.0, 19, '吴二十');
-- 插入第20条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:51.779+00:00', 34, 183.0, 92.0, 20, '郑二十一');
-- 插入第21条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:54.779+00:00', 22, 159.0, 58.0, 21, '陈二十二');
-- 插入第22条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:35:57.779+00:00', 29, 177.0, 86.0, 22, '杨二十三');
-- 插入第23条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:36:00.779+00:00', 23, 162.0, 60.0, 23, '刘二十四');
-- 插入第24条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:36:03.779+00:00', 31, 173.0, 77.0, 24, '张二十五');
-- 插入第25条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:36:06.779+00:00', 26, 167.0, 71.0, 25, '李二十六');
-- 插入第26条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:36:09.779+00:00', 20, 156.0, 52.0, 26, '王二十七');-
- 插入第27条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:36:12.779+00:00', 33, 181.0, 87.0, 27, '赵二十八');
-- 插入第28条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:36:15.779+00:00', 27, 170.0, 67.0, 28, '孙二十九');
-- 插入第29条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:36:18.779+00:00', 30, 168.0, 75.0, 29, '周三十');
-- 插入第30条数据ｉｎｓｅｒｔ INTO users (k_timestamp, user_age, user_height, user_weight, user_id, user_role)VALUES ('2025-04-16 10:36:21.779+00:00', 24, 173.0, 78.0, 30, '吴三十一');

我们插入了 30 条数据：

查询测试

1、根据时间范围查询数据

查询 k_timestamp 在 '2025-04-16 10:35:00.779+00:00' 到 '2025-04-16 10:36:00.779+00:00' 之间的记录

ｓｅｌｅｃｔ * FROM users 
WHERE k_timestamp BETWEEN '2025-04-16 10:35:00.779+00:00' AND '2025-04-16 10:36:00.779+00:00';

2、使用时间函数提取时间的小时部分并分组统计

提取 k_timestamp 的小时部分，按 10 秒分组统计每个小时内的记录数量。

ｓｅｌｅｃｔ EXTRACT(HOUR FROM k_timestamp) AS hour_part, COUNT(*) AS record_count 
FROM users GROUP BY EXTRACT(HOUR FROM k_timestamp);

3、按时间间隔查询数据

按每 10 秒一组统计记录数量，这里根据 KWDB 的时间函数来获取时间分组的标识，假设使用 time_bucket 函数。

ｓｅｌｅｃｔ 
    date_trunc('second', k_timestamp - (EXTRACT(EPOCH FROM k_timestamp) % 10) * INTERVAL '1 second') AS time_group, 
    COUNT(*) AS record_count 
FROM 
    users GROUP BY 
    date_trunc('second', k_timestamp - (EXTRACT(EPOCH FROM k_timestamp) % 10) * INTERVAL '1 second');

SQL 语句解释说明：

1. EXTRACT (EPOCH FROM k_timestamp) 获取时间戳的秒数。
2. (EXTRACT (EPOCH FROM k_timestamp) % 10) 计算当前秒数对 10 取余，得到当前时间距离上一个 10 秒间隔的偏移秒数。
3. k_timestamp - (EXTRACT (EPOCH FROM k_timestamp) % 10) * INTERVAL '1 second' 将时间戳减去偏移秒数，使其对齐到最近的 10 秒间隔的起始时间。
4. date_trunc ('second',...) 对调整后的时间进行截断，只保留到秒级别，从而实现每 10 秒分组的效果。

KWDB_时序数据函数 EXTRACT 函数详解

为了兼容 SQL 标准，KWDB 支持以下函数，这些函数与常规的内置函数具有等效功能。

避免在 SUBSTRING 函数中使用转义字符 +。

KWDB VS 传统 SQL 形式对照表

条件和类函数运算符

具有特殊评估规则的运算符如下：

日期和时间函数

总结

利用 time_bucket_gapfill () 和 interpolate () 函数保证数据完整性和连续性；关联与联合查询，通过关联字段连接多表数据或合并多个查询结果，获取全面信息和进行对比分析。

在数据准备方面，原计划创建函数批量插入 50 条数据，但因不支持函数，最终采用 ｉｎｓｅｒｔ 语句逐条插入 30 条数据用于测试。随后进行查询测试，包括根据时间范围查询、使用时间函数提取时间小时部分并分组统计、按每 10 秒间隔分组统计记录数量，同时对按 10 秒分组的 SQL 语句进行详细解释。最后，介绍了 KWDB 为兼容 SQL 标准支持的函数，给出 KWDB 与传统 SQL 形式对照表，还列举了条件和类函数运算符以及日期和时间函数的相关信息。

时序数据库有很多函数是与关系型数据库通用的，特有的函数的对照可以在【KWDB VS 传统 SQL 形式对照表】中看到，使用过程中可能会有很多的不习惯，这个放心，用多了自然就熟悉了，内容很多，需要慢慢的尝试。

KWDB 开源库地址：https://gitee.com/kwdb/kwdb

KWDB 学习地址：https://www.kaiwudb.com/learning/

KWDB 活动地址：https://mp.weixin.qq.com/s/ZKQo7eQj_AtwamONCSl07A