-- MySQL：所有住户住在一栋大厦里
-- 表结构：所有设备数据混杂
CREATE TABLE all_sensors (
    id BIGINT PRIMARY KEY,
    device_id VARCHAR(50),
    ts TIMESTAMP,
    value FLOAT,
    INDEX idx_device (device_id),
    INDEX idx_ts (ts)
);

-- TDengine：每个住户有自己的微型公寓
-- 超级表模板 + 子表实例
CREATE STABLE sensors (ts TIMESTAMP, value FLOAT)
TAGS (device_id BINARY(50), location BINARY(100));

-- 自动为每个设备创建子表
-- sensor_001, sensor_002, ... 各自独立

MySQL存储（混乱但有序）：
  时间戳1: [设备A数据, 设备B数据, 设备C数据...]
  时间戳2: [设备A数据, 设备B数据, 设备C数据...]
  → 按时间全局排序，不同设备数据交错

TDengine存储（分而治之）：
  设备A: [时间戳1数据, 时间戳2数据, 时间戳3数据...]
  设备B: [时间戳1数据, 时间戳2数据, 时间戳3数据...]
  → 按设备隔离，每个设备数据连续存储

-- 场景：查询单个设备24小时数据，每秒一个点（86400个点）

-- MySQL查询（使用索引）
SELECT * FROM all_sensors 
WHERE device_id = 'sensor_001' 
  AND ts BETWEEN '2024-01-01' AND '2024-01-02'
ORDER BY ts;
-- 耗时：500ms-2s（需要索引查找+回表）

-- TDengine查询
SELECT * FROM sensor_001 
WHERE ts BETWEEN '2024-01-01' AND '2024-01-02';
-- 耗时：10-50ms（直接顺序读取文件）

-- 场景：计算1000个设备过去24小时每5分钟的平均值

-- MySQL：灾难性的性能
SELECT 
    FROM_UNIXTIME(FLOOR(UNIX_TIMESTAMP(ts)/300)*300) as time_bucket,
    device_id,
    AVG(value)
FROM all_sensors
WHERE ts >= NOW() - INTERVAL 1 DAY
GROUP BY time_bucket, device_id;
-- 需要扫描整个时间范围的数据，性能极差

-- TDengine：专为这种查询优化
SELECT 
    AVG(value)
FROM sensors
WHERE ts >= NOW() - 1 DAY
GROUP BY device_id, INTERVAL(5m);
-- 利用预计算和列存优势，秒级返回

# 需要的组件堆栈：
- MySQL集群：主从复制
- Redis：缓存热数据
- Kafka：消息队列缓冲写入
- Flink/Spark：流式计算
- 监控系统：Prometheus + Grafana

# 运维任务：
1. 定期分区维护
2. 索引优化
3. 查询重写
4. 容量规划
5. 多组件协调

# 单一组件完成：
- 数据采集：内置taosAdapter
- 缓存：自动内存管理
- 消息队列：写入即缓冲
- 流计算：连续查询
- 存储：自动压缩分区

# 运维任务：
1. 配置保留策略
2. 监控基础指标
3. 定期备份（可选）

-- TDengine处理实时数据
INSERT INTO devices VALUES (NOW(), 'sensor_001', 23.5);

-- 定期同步聚合结果到MySQL
INSERT INTO mysql_daily_stats
SELECT 
    DATE(ts) as stat_date,
    device_id,
    AVG(value) as avg_value,
    MAX(value) as max_value
FROM devices
WHERE ts >= CURDATE() - INTERVAL 1 DAY
GROUP BY device_id;

旧系统：MySQL（继续服务）
新系统：TDengine（新数据写入）
            ↓
        数据双写
            ↓
      验证结果一致性

# 1. 导出MySQL历史数据
mysqldump --where="ts>'2023-01-01'" iot_db sensor_data > history.sql

# 2. 转换为TDengine格式
python convert_to_taos.py history.sql > taos_data.csv

# 3. 批量导入TDengine
taos -c /etc/taos/ -s "INSERT INTO sensors FILE 'taos_data.csv'"

# 配置查询路由
location /api/sensor-data {
    # 新数据查询走TDengine
    if ($timestamp > '2024-01-01') {
        proxy_pass http://tdengine-api;
    }
    # 历史数据查询走MySQL
    proxy_pass http://mysql-api;
}