博客
关于我
Apache IoTDB源码解析(0.11.2版本):基本的数据结构解析(iotdb的内存表、存放的值)
阅读量:346 次
发布时间:2019-03-04

本文共 628 字,大约阅读时间需要 2 分钟。

IoTDB内存表模型与源码分析

1. 声明

本文旨在分享学习IoTDB源码的经历和收获,重点探讨其内存表的数据结构设计。所有内容源自于GitHub直接拉取的IoTDB开源项目源码。

2. AbstractMemTable源码分析

IoTDB采用HashMap作为内存表的基础数据结构,key为devcId(表示某个时序的前缀),value为另一个Map,用于存储时序后缀、时间戳集合以及数值集合。这种设计使得数据能够按照特定规则组织和检索。

3. IWritableMemChunk及子类源码解读

IWritableMemChunk类是IoTDB内存写入功能的核心实现,包含两个主要属性:MeasurementSchema(用于存储测点定义)和TVList(用于存储时序数据)。该类提供两种写入方式:单个数据写入和数组批量写入,分别通过相应的方法实现。

4. TVList及其子类分析

TVList位于org.apache.iotdb.db.utils.datastructure包下,作为时间序列数据的基础存储和排序接口。其子类BinaryTVList通过特定算法实现数据存储和索引计算,确保高效的时序数据管理和快速访问。

5. 内存表设计总结

IoTDB采用 HashMap管理内存表,devcId作为键,存储时序后缀及相关数据的Map作为值。TVList及其子类负责时序数据的存储和排序,通过两份数组分别管理时序和数值索引,确保数据的高效性和完整性。

转载地址:http://zcrh.baihongyu.com/

你可能感兴趣的文章
opencv26-模板匹配
查看>>
opencv5-图像混合
查看>>
opencv9-膨胀和腐蚀
查看>>
OpenCV与AI深度学习 | YOLO11介绍及五大任务推理演示(目标检测,图像分割,图像分类,姿态检测,带方向目标检测)
查看>>
OpenCV与AI深度学习 | 使用Python和OpenCV实现火焰检测(附源码)
查看>>
OpenCV与AI深度学习 | 使用YOLO11实现区域内目标跟踪
查看>>
OpenCV与AI深度学习 | 使用YOLOv8做目标检测、实例分割和图像分类(包含实例操作代码)
查看>>
OpenCV与AI深度学习 | 基于GAN的零缺陷样本产品表面缺陷检测
查看>>
OpenCV与AI深度学习 | 基于OpenCV和深度学习预测年龄和性别
查看>>
OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
查看>>
OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
查看>>
OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
查看>>
OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
查看>>
Opencv中KNN背景分割器
查看>>
OpenCV中基于已知相机方向的透视变形
查看>>
opencv保存图片路径包含中文乱码解决方案
查看>>
opencv图像分割2-GMM
查看>>
OpenCV学习(13) 细化算法(1)(转)
查看>>
opencv笔记(1):图像缩放
查看>>