对于大规模实时查询，这不是推荐的配置。为了查询和压缩优化、高速摄取和高可用性，您可能需要考虑 Modbus 和 InfluxDB。
50 亿+
Telegraf 下载量
#1
时间序列数据库
来源：DB Engines
10 亿+
InfluxDB 下载量
2,800+
贡献者
目录
强大的性能，无限的扩展能力
收集、组织和处理海量高速数据。当您将任何数据视为时间序列数据时，它都会变得更有价值。使用 InfluxDB，排名第一的时间序列平台，旨在与 Telegraf 一起扩展。
查看入门方法
输入和输出集成概述
Modbus 插件允许您使用各种通信方法从 Modbus 设备收集数据，从而增强您监控和控制工业流程的能力。
Google BigQuery 插件允许 Telegraf 将指标写入 Google Cloud BigQuery，从而为遥测数据实现强大的数据分析功能。
集成详情
Modbus
Modbus 插件通过 Modbus TCP 或 Modbus RTU/ASCII 收集离散输入、线圈、输入寄存器和保持寄存器。
Google BigQuery
Telegraf 的 Google BigQuery 插件实现了与 Google Cloud 的 BigQuery 服务的无缝集成，BigQuery 服务是一个流行的数据仓库和分析平台。此插件有助于将 Telegraf 收集的指标传输到 BigQuery 数据集中，从而使用户可以更轻松地执行分析并从其遥测数据中生成见解。它需要通过服务帐户或用户凭据进行身份验证，并且旨在处理各种数据类型，确保用户可以在指标存储在 BigQuery 表中时保持其指标的完整性和准确性。配置选项允许围绕数据集规范和处理指标进行自定义，包括管理指标名称中的连字符，BigQuery 的流式插入不支持连字符。此插件对于利用 BigQuery 的可扩展性和强大的查询功能来分析大量监控数据的组织尤其有用。
配置
Modbus
[[inputs.modbus]]
name = "Device"
slave_id = 1
timeout = "1s"
configuration_type = "register"
discrete_inputs = [
{ name = "start", address = [0]},
{ name = "stop", address = [1]},
{ name = "reset", address = [2]},
{ name = "emergency_stop", address = [3]},
]
coils = [
{ name = "motor1_run", address = [0]},
{ name = "motor1_jog", address = [1]},
{ name = "motor1_stop", address = [2]},
]
holding_registers = [
{ name = "power_factor", byte_order = "AB", data_type = "FIXED", scale=0.01, address = [8]},
{ name = "voltage", byte_order = "AB", data_type = "FIXED", scale=0.1, address = [0]},
{ name = "energy", byte_order = "ABCD", data_type = "FIXED", scale=0.001, address = [5,6]},
{ name = "current", byte_order = "ABCD", data_type = "FIXED", scale=0.001, address = [1,2]},
{ name = "frequency", byte_order = "AB", data_type = "UFIXED", scale=0.1, address = [7]},
{ name = "power", byte_order = "ABCD", data_type = "UFIXED", scale=0.1, address = [3,4]},
{ name = "firmware", byte_order = "AB", data_type = "STRING", address = [5, 6, 7, 8, 9, 10, 11, 12]},
]
input_registers = [
{ name = "tank_level", byte_order = "AB", data_type = "INT16", scale=1.0, address = [0]},
{ name = "tank_ph", byte_order = "AB", data_type = "INT16", scale=1.0, address = [1]},
{ name = "pump1_speed", byte_order = "ABCD", data_type = "INT32", scale=1.0, address = [3,4]},
]
Google BigQuery
# Configuration for Google Cloud BigQuery to send entries
[[outputs.bigquery]]
## Credentials File
credentials_file = "/path/to/service/account/key.json"
## Google Cloud Platform Project
# project = ""
## The namespace for the metric descriptor
dataset = "telegraf"
## Timeout for BigQuery operations.
# timeout = "5s"
## Character to replace hyphens on Metric name
# replace_hyphen_to = "_"
## Write all metrics in a single compact table
# compact_table = ""
输入和输出集成示例
Modbus
- 基本用法：要从单个设备读取数据，请使用设备名称和 IP 地址对其进行配置，指定从站 ID 和感兴趣的寄存器。
- 多个请求：您可以通过指定多个
[[inputs.modbus.request]]部分来定义多个请求，以从单个配置中的不同 Modbus 从站设备获取数据。 - 数据处理：利用缩放功能将原始 Modbus 读数转换为有用的指标，并根据需要调整单位转换。
Google BigQuery
-
实时分析仪表板：利用 Google BigQuery 插件将实时指标馈送到 Google Cloud 上托管的自定义分析仪表板。此设置将允许团队实时可视化性能数据，从而深入了解系统运行状况和使用模式。通过使用 BigQuery 的查询功能，用户可以轻松创建量身定制的报告和仪表板以满足其特定需求，从而增强决策过程。
-
成本管理和优化分析：利用该插件自动将来自各种服务的成本相关指标发送到 BigQuery。分析这些数据可以帮助企业识别不必要的费用并优化资源使用。通过在 BigQuery 中执行聚合和转换查询，组织可以创建准确的预测并有效地管理其云支出。
-
跨团队协作处理监控数据：使组织内不同的团队能够使用 BigQuery 共享其监控数据。借助此 Telegraf 插件，团队可以将其指标推送到中央 BigQuery 实例，从而促进协作。这种数据共享方法鼓励最佳实践和跨职能意识，从而共同改进系统性能和可靠性。
-
容量规划的历史分析：通过使用 BigQuery 插件，公司可以收集和存储对容量规划至关重要的历史指标数据。分析随时间变化的趋势可以帮助预测系统需求并主动扩展基础设施。组织可以创建时间序列分析并识别模式，从而为他们的长期战略决策提供信息。
反馈
感谢您成为我们社区的一份子！如果您有任何一般性反馈或在这些页面上发现了任何错误，我们欢迎并鼓励您提供意见。请在 InfluxDB 社区 Slack 中提交您的反馈。
强大的性能，无限的扩展能力
收集、组织和处理海量高速数据。当您将任何数据视为时间序列数据时，它都会变得更有价值。使用 InfluxDB，排名第一的时间序列平台，旨在与 Telegraf 一起扩展。
查看入门方法
