TDengine 数据订阅 — Topic 与 Consumer 基础

最新推荐文章于 2026-07-17 18:03:00 发布

原创最新推荐文章于 2026-07-17 18:03:00 发布 · 370 阅读

3 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

收录于

TDengine 案例分析

分类：6.数据订阅 TMQ | 篇章：01 Topic 与 Consumer

适用版本：TDengine v3.x（v3.3.x / v3.4.x）

TDengine 内置的 TMQ（Time-series Message Queue）让数据库既是存储，也是消息总线。应用通过 Topic 订阅数据变化，无需额外部署 Kafka 即可获得"数据库 + 消息队列"双重能力。

核心概念速查表

概念	说明
Topic	订阅主题（基于 SQL 查询定义）
Consumer	消费者实例
Consumer Group	消费组（同组共享分区）
Offset	消费位点（VGroup 内序号）
Subscribe	订阅一个或多个 Topic
Commit	提交位点（标记已消费）
Rebalance	消费组成员变化时重新分配分区

详细解析

1. Topic 的三种类型

① 列订阅（最常用）：
   CREATE TOPIC topic_meters AS 
   SELECT ts, current, voltage FROM meters;
   
   - 订阅指定列的所有写入
   - 可附加 WHERE 过滤
   - 可订阅子集


② 超级表订阅：
   CREATE TOPIC topic_all AS STABLE meters;
   
   - 订阅整张超级表所有列
   - 包含所有子表的变化


③ 数据库订阅：
   CREATE TOPIC topic_db AS DATABASE test;
   
   - 订阅数据库内所有表的变化
   - 用于全库同步场景

2. Consumer 模型

Consumer 抽象：

  Consumer Group: "etl_workers"
    Consumer-1 ─┐
    Consumer-2 ─┼─→ 共同消费 Topic
    Consumer-3 ─┘
    
  特点：
  - 同组消费者分摊 VGroup 分区
  - 每个 VGroup 同时只能被组内一个 Consumer 消费
  - 跨组互不影响（广播模式）
  
  
分区分配：
  Topic 在 N 个 VGroup 上有数据
  Consumer 组有 M 个成员
  分配：每个 Consumer 拿 N/M 个 VGroup
  
  如果 M > N：多余的 Consumer 空转
  如果 M < N：每个 Consumer 处理多个 VGroup

3. 订阅生命周期

Consumer 完整生命周期：

  ① 配置 Consumer 参数：
     - group.id（必须）
     - auto.offset.reset（earliest/latest）
     - enable.auto.commit
     - msg.with.table.name
     
  ② 创建 Consumer 实例
  
  ③ Subscribe 一个或多个 Topic
  
  ④ Poll 循环：
     - 拉取消息
     - 处理业务逻辑
     - Commit Offset
     
  ⑤ Unsubscribe（可选）
  
  ⑥ Close Consumer


关键参数：
  group.id           // 消费组 ID
  auto.offset.reset  // earliest / latest / none
  enable.auto.commit // true / false
  auto.commit.interval.ms
  msg.with.table.name  // 消息中包含表名

4. Offset 与位点管理

Offset 概念：

  每个 VGroup 维护一个递增序号
  Consumer 消费后 Commit Offset
  下次启动从 Committed Offset + 1 继续

  
位点策略：
  auto.offset.reset = "earliest"
    → 首次订阅从最早位置开始
    
  auto.offset.reset = "latest"
    → 首次订阅从最新位置开始（之前的数据跳过）
    
  auto.offset.reset = "none"
    → 没有位点则报错


自动 vs 手动 Commit：
  自动：定期自动 Commit（简单但可能丢/重复）
  手动：业务确认后 Commit（精确控制）

5. Rebalance 机制

Rebalance 触发场景：
  - 新 Consumer 加入组
  - 现有 Consumer 离开（崩溃/关闭）
  - Topic 分区变化（新增 VGroup）

  
Rebalance 过程：
  ① 协调者检测变化
  ② 通知所有 Consumer 暂停消费
  ③ 重新分配分区
  ④ 各 Consumer 获取新的 VGroup 列表
  ⑤ 从 Committed Offset 继续消费

  
对应用的影响：
  - 短暂停顿（毫秒~秒级）
  - 未 Commit 的消息可能被另一 Consumer 重新处理
  - 建议设计为幂等消费

6. 消息内容

消费到的消息结构：

  Message {
    topic: "topic_meters",
    vgroup_id: 3,
    offset: 12345,
    table_name: "d001",   // 若启用 msg.with.table.name
    columns: ["ts", "current", "voltage"],
    rows: [
      [T1, 25.3, 220],
      [T2, 25.5, 221],
      ...
    ]
  }

  
消息特点：
  - 一次 Poll 可返回多行（批量）
  - 同一消息内可能来自不同子表
  - 已写入 WAL 的数据才可订阅
  - 时间顺序按写入顺序（非业务 ts）

7. 与 Kafka 的对比

特性	TDengine TMQ	Kafka
数据来源	数据库写入直接产生	应用显式 produce
数据保留	与数据库共用存储	独立 Topic 文件
过滤能力	Topic SQL 内置过滤	应用层过滤
Schema	强类型	字节流
部署	数据库内置，无额外组件	独立集群
适用	时序数据 ETL/CDC	通用消息

8. 应用场景

① 数据 ETL：
   订阅原始数据 → 清洗 → 写入下游
   
② 实时计算：
   订阅指标数据 → 聚合 → 报警
   
③ 数据同步：
   订阅整库 → 同步到异地灾备
   
④ 数据归档：
   订阅冷数据 → 备份到对象存储
   
⑤ 流计算上游：
   流计算引擎订阅 Topic 作为输入源

代码示例

Python 消费者

from taos.tmq import Consumer

consumer = Consumer({
    "group.id": "etl_group",
    "auto.offset.reset": "earliest",
    "td.connect.user": "root",
    "td.connect.pass": "taosdata",
    "enable.auto.commit": "false",
})
consumer.subscribe(["topic_meters"])

try:
    while True:
        msg = consumer.poll(timeout=1.0)
        if msg is None:
            continue
        for block in msg:
            for row in block:
                print(row)
        consumer.commit()
finally:
    consumer.close()

Java 消费者

Properties props = new Properties();
props.setProperty(TMQConstants.BOOTSTRAP_SERVERS, "127.0.0.1:6030");
props.setProperty(TMQConstants.GROUP_ID, "etl_group");
props.setProperty(TMQConstants.ENABLE_AUTO_COMMIT, "false");

try (TaosConsumer<Meter> consumer = new TaosConsumer<>(props)) {
    consumer.subscribe(Collections.singletonList("topic_meters"));
    while (running) {
        ConsumerRecords<Meter> records = consumer.poll(Duration.ofMillis(1000));
        for (ConsumerRecord<Meter> r : records) {
            process(r.value());
        }
        consumer.commitSync();
    }
}

管理 Topic

-- 创建
CREATE TOPIC topic_meters AS SELECT ts, current FROM meters;

-- 查看
SHOW TOPICS;

-- 查看 Consumer Group 状态
SELECT * FROM information_schema.ins_subscriptions;

-- 删除
DROP TOPIC topic_meters;

性能考量

消费性能

因素	影响
单 Consumer 拉取批量	大批量提升吞吐
并发 Consumer 数	与 VGroup 数匹配最优
处理逻辑耗时	直接限制吞吐
Commit 频率	频繁 Commit 影响性能

配置建议

场景	配置
低延迟实时	poll 短间隔 + 频繁 commit
高吞吐 ETL	大批量 + 异步 commit
严格一次	手动 commit + 业务幂等

FAQ

Q1: 订阅历史数据吗？

可以。设置 auto.offset.reset=earliest 从 WAL 中可保留范围的最早数据开始消费。但 WAL 有保留期限。

Q2: 一个 Topic 能多少 Consumer 同时消费？

同组内最多 = VGroup 数。再多的 Consumer 会空闲。跨组（不同 group.id）则无限制。

Q3: 消费失败如何重试？

不 Commit Offset 即可。下次 Poll 仍能拿到该消息。注意：业务必须幂等。

Q4: Topic 删除后消费者会怎样？

Poll 返回错误。需要重新订阅其他 Topic 或关闭 Consumer。

Q5: TMQ 与流计算关系？

流计算本质上是"内置消费 + 计算 + 写入"。可以用 Topic 作为流计算的输入，实现外部应用可见的中间数据。

参考

系统构架篇

数据模型

存储引擎

查询引擎

数据写入

关于 TDengine

TDengine 专为物联网IoT平台、工业大数据平台设计。其中，TDengine TSDB 是一款高性能、分布式的时序数据库（Time Series Database），同时它还带有内建的缓存、流式计算、数据订阅等系统功能；TDengine IDMP 是一款AI原生工业数据管理平台，它通过树状层次结构建立数据目录，对数据进行标准化、情景化，并通过 AI 提供实时分析、可视化、事件管理与报警等功能。

标签

#tdengine #大数据 #时序数据库 #数据库 #涛思数据