本站支持搜索的镜像仓库：Docker Hub、gcr.io、ghcr.io、quay.io、k8s.gcr.io、registry.gcr.io、elastic.co、mcr.microsoft.com

reduct/store

ReductStore是高性能时序对象存储与流处理解决方案，专为机器人和工业物联网（IIoT）中基于ELT的数据采集（DAQ）系统设计，用于存储带时间索引和标签的非结构化数据（图像、传感器读数等），支持高效检索和数据缩减策略。

1 收藏0 次下载activereduct镜像

🚀轩辕镜像专业版更稳定💎一键安装 Docker 配置镜像源

中文简介版本下载

🚀轩辕镜像专业版更稳定💎一键安装 Docker 配置镜像源

ReductStore

高性能数据采集系统的存储与流处理解决方案

![GitHub release (latest SemVer)]([] ![GitHub Workflow Status]([] ![Docker Pulls]([] ![GitHub all releases]([] ![codecov]([] ![Community]([]

ReductStore是一款高性能时序对象存储与流处理解决方案，适用于机器人和工业物联网（IIoT）中基于ELT的数据采集（DAQ）系统。它旨在处理大量非结构化数据——图像、传感器读数、日志、文件、ROS bags等，这些数据以原始形式捕获，并带有精确的时间索引（时间戳）和可选标签（如设备状态、AI推理结果）。这使得基于数据采集时间和分类的快速高效检索成为可能，同时通过仅将选定数据从边缘流式传输到云端，实现对数据缩减策略的控制。

更多信息请访问 [***]

为何存在？

市场上有许多时序数据库，它们提供了卓越的功能和可扩展性。然而，所有这些数据库都专注于数值数据，对非结构化数据的支持有限（可能仅表示为字符串）。

另一方面，类S3对象存储是存储 blob 对象的理想选择，但它们不提供在时间域中处理数据的 API。

在许多应用中，我们需要收集非结构化数据（如图像、高频传感器数据、二进制包或大型文本文档）并提供对其历史记录的访问。许多公司基于时序数据库和 blob 存储的组合在内部构建存储解决方案。这可能是一个可行的方案，但要保持两个数据库中的数据完整性、实施保留策略并提供高性能的数据访问是一项具有挑战性的开发任务。

ReductStore 项目旨在为需要按特定时间间隔存储和访问非结构化数据的应用提供完整解决方案。它确保数据不会占满硬盘，并通过批处理记录减少高延迟网络中关键 HTTP 请求的数量。

所有这些特性使该数据库成为边缘计算和物联网应用的理想选择，助您避免内部解决方案的开发成本。

核心功能

HTTP(S) API 接口
存储和访问时序非结构化数据
无对象最大大小限制
数据标签标注与过滤功能
基于 JSON 的数据过滤查询语言
追加式数据复制（流处理）
读写操作中支持记录批处理
基于大小的实时 FIFO 桶配额，避免磁盘空间不足
嵌入式 Web 控制台
令牌授权管理数据访问

快速开始

最快的启动方式是使用 Docker 镜像：

docker run -p 8383:8383 -v ${PWD}/data:/data reduct/store:latest

或者，您也可以使用 Cargo 安装：

curl --proto '=https' --tlsv1.2 -sSf [***] | sh  # 安装最新 Rust
apt install protobuf-compiler
cargo install reductstore
RS_DATA_PATH=./data reductstore

如需更深入的指南，请访问 快速开始 和下载部分。

初始化实例后，可使用 客户端 SDK 写入或检索数据。以下是 Python 示例：

from reduct import Client, BucketSettings, QuotaType

async def main():
    # 1. 创建 ReductStore 客户端
    async with Client("http://localhost:8383", api_token="my-token") as client:
        # 2. 获取或创建一个 1Gb 配额的桶
        bucket = await client.create_bucket(
            "my-bucket",
            BucketSettings(quota_type=QuotaType.FIFO, quota_size=1_000_000_000),
            exist_ok=True,
        )

        # 3. 向 'sensor-1' 条目写入带时间戳和标签的数据
        await bucket.write("sensor-1", b"<Blob 数据>", timestamp="2024-01-01T10:00:00Z",
                           labels={"score": 10})
        await bucket.write("sensor-1", b"<Blob 数据>", timestamp="2024-01-01T10:00:01Z",
                           labels={"score": 20})

        # 4. 按时间范围和条件查询数据
        async for record in bucket.query("sensor-1",
                                         start="2024-01-01T10:00:00Z",
                                         stop="2024-01-01T10:00:02Z",
                                         when={"&score": {"$gt": 20}}):
            print(f"记录时间戳: {record.timestamp}")
            print(f"记录大小: {record.size}")
            print(await record.read_all())


# 5. 运行主函数
if __name__ == "__main__":
    import asyncio
    asyncio.run(main())