Skip to content

Latest commit

 

History

History
120 lines (84 loc) · 6.91 KB

tasks.md

File metadata and controls

120 lines (84 loc) · 6.91 KB

Get started with InfluxDB tasks

https://docs.influxdata.com/influxdb/cloud/process-data/get-started/

Завдання InfluxDB - це запланований сценарій Flux, який бере потік вхідних даних, певним чином їх модифікує або аналізує, потім зберігає змінені дані в новому bucket або виконує інші дії.

У цій статті описано основне завдання InfluxDB, яке зменшує вибірку даних і зберігає їх у новому bucket .

Components of a task

Кожне завдання InfluxDB потребує наступних чотирьох компонентів. Їх форма та порядок можуть відрізнятися, але всі вони є важливими частинами завдання.

  • Task options
  • A data source
  • Data processing or transformation
  • A destination

Define task options

Параметри завдання означують конкретну інформацію про завдання. Наведений нижче приклад ілюструє, як параметри завдань означуються у вашому сценарії Flux:

option task = {
    name: "cqinterval15m",
    every: 1h,
    offset: 0m,
    concurrency: 1,
}

ДивTask configuration options для детальної інформації про кожну опцію.

При створенні завдання в інтерфейсі користувача InfluxDB (UI) параметри завдань визначаються у полях форми.

Define a data source

Визначте джерело даних, використовуючи функцію Flux’s from() function або будь-яку іншу Flux input functions.

Для зручності розгляньте можливість створення змінної, яка включає дані джерела з необхідним діапазоном часу та усі відповідні фільтри.

data = from(bucket: "example-bucket")
  |> range(start: -task.every)
  |> filter(fn: (r) =>
    r._measurement == "mem" and
    r.host == "myHost"
  )

Using task options in your Flux script

Параметри завдання передаються як частина запису опції task , на них можна посилатися у вашому сценарії Flux. У наведеному вище прикладі діапазон часу визначається як -task.every.

task.every - це крапкове позначення, яке посилається на властивість every запису опції task. every визначається як 1h, тому -task.every дорівнює -1h.

Використання параметрів завдання для визначення значень у вашому сценарії Flux може спростити повторне використання вашого завдання.

Process or transform your data

Метою завдань є обробка чи перетворення даних якимось чином. Що саме відбудеться і в якій формі прийматимуться вихідні дані, залежить від вас та вашого конкретного випадку використання.

Account for latent data with an offset

Щоб врахувати латентність даних (наприклад, передачу даних із ваших крайніх пристроїв), використовуйте зсув у своєму завданні. Наприклад, якщо ви встановите інтервал завдання на годину з параметрами every: 1h і offset: 5m, завдання виконується через 5 хвилин після інтервалу завдання, але запит now() буде вказувати час вказаний за точною годиною.

Наведений нижче приклад ілюструє завдання, яке зменшує вибірку даних шляхом обчислення середнього значення встановлених інтервалів. В якості джерела даних використовується змінна data, визначена вище. Потім він переглядає дані з інтервалом у 5 хвилин і обчислює середнє значення кожного вікна, використовуючи функцію aggregateWindow() function.

data
  |> aggregateWindow(
    every: 5m,
    fn: mean
  )

See Common tasks for examples of tasks commonly used with InfluxDB.

Define a destination

У переважній більшості випадків використання завдань, як тільки дані трансформуються, їх потрібно кудись відправити та зберегти. Це може бути окреме bucket або інший measurement.

У наведеному нижче прикладі використовується функція to() function для передачі перетворених даних в інший сегмент :

// ...
|> to(bucket: "example-downsampled", org: "my-org")

Для того, щоб записати дані в InfluxDB, ви повинні мати стовпці _time, _measurement, _field і _value.

Full example task script

Нижче наведено сценарій завдання, який поєднує всі компоненти, описані вище:

// Task options
option task = {
    name: "cqinterval15m",
    every: 1h,
    offset: 0m,
    concurrency: 1,
}

// Data source
data = from(bucket: "example-bucket")
  |> range(start: -task.every)
  |> filter(fn: (r) =>
    r._measurement == "mem" and
    r.host == "myHost"
  )

data
  // Data transformation
  |> aggregateWindow(
    every: 5m,
    fn: mean
  )
  // Data destination
  |> to(bucket: "example-downsampled")