在构建任何软件应用程序时，选择合适的数据库至关重要。所有数据库在性能方面都有不同的优势和劣势，因此，针对您的特定用例和数据模型，决定哪个数据库的优势最多，缺点最少，是一个重要的决定。下面您将找到 Google BigQuery 和 TDengine 的关键概念、架构、功能、用例和定价模型的概述，以便您可以快速了解它们之间的比较。
本文的主要目的是比较 Google BigQuery 和 TDengine 在涉及时间序列数据的工作负载中的性能，而不是针对所有可能的用例。时间序列数据通常在数据库性能方面提出了独特的挑战。这是由于写入的数据量很大以及访问该数据的查询模式。本文并非旨在说明哪个数据库更好；它只是提供了每个数据库的概述，以便您可以做出明智的决定。
Google BigQuery 与 TDengine 对比分析
 |
 |
|
| 数据库模型 | 数据仓库 |
时间序列数据库 |
| 架构 | BigQuery 是由 Google Cloud Platform 提供的完全托管的无服务器数据仓库。它专为高性能分析而设计，并利用 Google 的基础设施进行数据处理。BigQuery 使用列式存储格式以实现快速查询，并支持标准 SQL。数据在 Google Cloud 区域内的多个可用区之间自动分片和复制。 |
TDengine 可以部署在本地、云端或作为混合解决方案，从而在部署和管理方面具有灵活性。 |
| 许可证 | 封闭源 |
AGPL 3.0 |
| 用例 | 业务分析、大规模数据处理、数据集成 |
物联网数据存储、工业监控、智能能源、智能家居、监控和可观测性 |
| 可扩展性 | 无服务器、PB 级数据仓库，可以处理海量数据，无需预先进行容量规划 |
水平可扩展，具有集群和内置负载均衡。TDengine 还提供了解耦的计算和存储，以及在某些版本中为数据分层提供的对象存储支持。 |
正在寻找最有效的入门方式？
无论您是寻求成本节约、更低的管理开销还是开源，InfluxDB 都能帮到您。
Google BigQuery 概述
Google BigQuery 是由 Google Cloud 开发的完全托管的无服务器数据仓库和分析平台。BigQuery 于 2011 年推出，旨在处理大规模数据处理和查询，使用户能够实时分析海量数据集。凭借对性能、可扩展性和易用性的关注，BigQuery 适用于广泛的数据分析用例，包括商业智能、日志分析和机器学习。
TDengine 概述
TDengine 是一款高性能开源时间序列数据库，旨在高效处理海量时间序列数据。它由涛思数据 (TAOS Data) 于 2017 年创建，专为物联网 (IoT)、工业物联网和 IT 基础设施监控用例而设计。TDengine 具有独特的混合架构，结合了关系数据库（支持 SQL 查询）和 NoSQL 数据库（可扩展性和灵活性）的优点，提供高性能、易于使用的 SQL 查询以及灵活的数据建模功能。
适用于时间序列数据的 Google BigQuery
BigQuery 可用于存储和分析时间序列数据，尽管它更侧重于传统数据仓库用例。对于需要低延迟响应时间的用例，BigQuery 可能会显得力不从心。
适用于时间序列数据的 TDengine
TDengine 从一开始就被设计为时间序列数据库，因此它非常适合大多数大量涉及存储和分析时间序列数据的用例。
Google BigQuery 关键概念
与 Google BigQuery 相关的一些重要概念包括
- 项目 (Projects)：BigQuery 中的项目表示数据集、表和视图等资源的顶层容器。
- 数据集 (Datasets)：数据集是 BigQuery 中表、视图和其他数据资源的容器。
- 表 (Tables)：表是 BigQuery 中的主要数据存储结构，由行和列组成。
- 架构 (Schema)：架构定义表的结构，包括列名、数据类型和约束。
TDengine 关键概念
- 超级表 (Super Table)：用于创建具有相同架构的多个表的模板。它类似于其他一些数据库中的表继承概念。
- 子表 (Sub Table)：基于超级表创建的表，继承其架构。子表可以有额外的标签，用于分类和查询。
- 标签 (Tag)：一种元数据属性，用于对超级表中的子表进行分类和过滤。标签已索引并针对高效查询进行了优化。
Google BigQuery 架构
Google BigQuery 的架构构建于 Google 的分布式基础设施之上，专为高性能和可扩展性而设计。BigQuery 的核心是使用名为 Capacitor 的列式存储格式，这实现了高效的数据压缩和快速的查询性能。数据自动分区并分布在多个存储节点上，从而提供高可用性和容错能力。BigQuery 的无服务器架构自动为查询和数据存储分配资源，无需用户管理基础设施或容量规划。
TDengine 架构
TDengine 使用云原生架构，该架构结合了关系数据库（支持 SQL 查询）和 NoSQL 数据库（可扩展性和灵活性）的优点。
免费时间序列数据库指南
获取对替代方案和选择数据库的关键要求的全面评估。
Google BigQuery 功能
列式存储
BigQuery 的列式存储格式 Capacitor 实现了高效的数据压缩和快速的查询性能，使其适用于大规模数据分析。
与 Google Cloud 集成
BigQuery 与其他 Google Cloud 服务（例如 Cloud Storage、Dataflow 和 Pub/Sub）无缝集成，从而可以轻松地从各种来源摄取、处理和分析数据。
机器学习集成
BigQuery ML 使用户可以直接在 BigQuery 中创建和部署机器学习模型，从而简化了构建和部署机器学习应用程序的过程。
TDengine 功能
数据摄取
TDengine 支持高速数据摄取，能够每秒处理数百万个数据点。它支持批量和单个数据插入。
数据查询
TDengine 提供 ANSI SQL 支持，并附加功能，使用户可以使用熟悉的 SQL 语法轻松查询时间序列数据。它支持各种聚合函数、过滤和连接。
数据保留和压缩
TDengine 自动压缩数据以节省存储空间，并提供数据保留策略以自动删除旧数据。
Google BigQuery 用例
商业智能和报告
BigQuery 广泛用于商业智能和报告，使用户能够分析大量数据并生成洞察，为决策提供信息。其快速的查询性能以及与流行的 BI 工具（如 Google Data Studio 和 Tableau）的无缝集成，使其成为此用例的理想解决方案。
机器学习和预测分析
BigQuery ML 使用户可以直接在 BigQuery 中创建和部署机器学习模型，从而简化了构建和部署机器学习应用程序的过程。BigQuery 快速的查询性能和对大规模数据处理的支持使其适用于预测分析用例。
数据仓库和 ETL
BigQuery 的分布式架构和列式存储格式使其成为数据仓库和 ETL（提取、转换、加载）工作流的绝佳选择。它与其他 Google Cloud 服务（如 Cloud Storage 和 Dataflow）的无缝集成简化了从各种来源摄取和处理数据的过程。
TDengine 用例
物联网数据存储和分析
TDengine 旨在处理物联网设备生成的海量时间序列数据。其高性能的摄取、查询和存储能力使其成为物联网数据存储和分析的合适选择。
工业物联网监控
TDengine 可用于存储和分析来自工业物联网传感器和设备的数据，帮助组织监控设备性能、检测异常并优化运营。
基础设施监控
TDengine 可用于收集和分析来自 IT 基础设施组件（如服务器、网络和应用程序）的时间序列数据，从而促进实时监控、警报和性能优化。
Google BigQuery 定价模型
Google BigQuery 的定价基于按需付费模式，成本由数据存储、查询和流式传输决定。BigQuery 定价主要有两个组成部分
- 存储定价 (Storage Pricing)：存储成本基于 BigQuery 中存储的数据量。用户需要为活动存储和长期存储付费，长期存储对于不经常访问的数据提供折扣价。
- 查询定价 (Query Pricing)：查询成本基于查询期间处理的数据量。用户可以在按需定价（按每次查询处理的数据量付费）或包月定价（为一定查询容量提供固定月费）之间进行选择。
TDengine 定价模型
TDengine 是开源的，根据 AGPLv3 许可证免费使用。TDengine 还为需要额外功能、支持或符合特定许可要求的组织提供商业许可证和企业支持选项。
免费开始使用 InfluxDB
InfluxDB Cloud 是开始存储和分析时间序列数据的最快方法。
