{"id":2119,"date":"2023-02-05T10:22:59","date_gmt":"2023-02-05T09:22:59","guid":{"rendered":"https:\/\/www.rustimation.eu\/?p=2119"},"modified":"2025-09-22T09:30:20","modified_gmt":"2025-09-22T07:30:20","slug":"viessmann-api-und-node-red-teil-6b","status":"publish","type":"post","link":"https:\/\/www.rustimation.eu\/index.php\/viessmann-api-und-node-red-teil-6b\/","title":{"rendered":"Viessmann API und Node-Red – Teil 6b – Influx Diagramme"},"content":{"rendered":"

Um es vorweg zu sagen, ich besch\u00e4ftige mich in diesem Artikel mit Influx zur Erzeugung von Diagrammen ausschlie\u00dflich in Node-Red<\/strong>. Es gibt auch andere, leistungsf\u00e4higere Diagramml\u00f6sungen wie Grafana. Die dabei zu durchlaufende Lernkurve ist allerdings sehr steil und au\u00dferdem haben wir anschlie\u00dfend ein weiteres System an der Hand, so dass wir zwischen Diagrammen und Einstellungen immer hin- und herspringen m\u00fcssen. Ich finde, Analysen und Befehle auf einer einzigen User-Interfaceschicht besser. Auch wenn Node-Red, was Diagramme angeht, nicht so viel kann, f\u00fcr den Hausgebrauch reicht es.\u00a0 Ein weiterer Vorteil von Node-Red ist, dass die Darstellung auf mobilen Endger\u00e4ten besser ist.<\/p>\n

<\/p>\n

Nachteil ist, dass wir die in Influx seriell abgespeicherten Daten erst mit etwas Aufwand in JSON umwandeln m\u00fcssen. Aber das ist ein lehrreicher Einmalaufwand – siehe weiter unten.<\/p>\n

Wie schon im vorigen Kapitel<\/a> geschrieben, konzentriere ich mich auf Influx Version 1.8 mit dem Command Line Interface.<\/p>\n

Das Influx Command Line Interface (CLI) ist richtig Old School; Look and Feel erinnern an das selige dBase von vor 40 Jahren. Die Befehle sind auch sehr \u00e4hnlich, wer schon einmal SQL Abfragen gebaut hat, wird sich sehr schnell zu Hause f\u00fchlen. Alle anderen m\u00fcssen sich jedoch keine Sorgen machen, ich erk\u00e4re das im Folgenden.<\/p>\n

Erste Schritte<\/h2>\n

Influx CLI<\/h3>\n

Der Aufruf erfolgt im RaspbianTerminal ganz einfach mit influx<\/span> . Falls das nicht klappt, bitte bei meinem Artikel Viessmann API und Node-Red \u2013 Teil 6a<\/a> nachsehen. Da steht, wie man Influx installiert.<\/p>\n

Wir legen als n\u00e4chstes eine Datenbank na<\/span>mens apidata an: create database apidata <\/span>. Der Name ist nat\u00fcrlich wahlfrei.<\/p>\n

In einer einzelnen Datenbank k\u00f6nnen mehrere verschiedene Tabellen mit Messwerten stecken. z.B. Temperatur, Betriebsdauer, Verbrauch. Diese Tabellen hei\u00dfen Buckets (Eimer), die dort hineingeschriebenen Messwerte nennt man Measurements (Messungen).<\/span><\/p>\n

Fake Daten generieren mit Node-Red<\/h3>\n

Bauen wir uns erst einmal einen kleinen Datenzoo aus Fake-Werten: Dazu brauchen wir einen Inject<\/em>-, Funktions<\/em>– und\u00a0 einen Influx Out-Node<\/em>. Eventuell sind die Influx Nodes noch nicht vorhanden. Dann m\u00fcssen wir sie \u00fcber die Node-Red Palettenverwaltung nachinstallieren.<\/p>\n

Der Inject Node<\/em> sollte so eingestellt werden, dass er alle paar Minuten ein Timestamp losschickt.<\/p>\n

\"\"<\/p>\n

Der function node<\/em> sieht so aus:<\/p>\n

\/\/Insert Query mit Zufallswerten f\u00fcr Temperatur\r\nvar twert = Math.floor(Math.random() * 20);\r\nmsg.payload = twert;\r\nreturn msg;<\/pre>\n
Der Influx out<\/em> Node wird wie folgt eingestellt:<\/p>\n
\"\"<\/p>\n
Node-Red nennt hier den (oder die?) Bucket \"Measurement\", was meines Erachtens etwas doppeldeutig ist.<\/p>\n
Will man Temperaturen von mehreren Messstationen in demselben Bucket abspeichern, (z.B. f\u00fcr Nordseite oder Terrasse) dann brauchen wir noch ein so genanntes Tag<\/em> (Etikett), das dem Wert in der Payload mitgegeben wird. Wird die Payload wie oben dargestellt so mir nichts dir nichts \u00fcbergeben, bekommt der Wert die \u00dcberschrift \"value\", was bei komlexeren Datenstrukturen nicht gerade aussagekr\u00e4ftig ist. Deshalb sollten wir noch entsprechenden \u00dcberschriften f\u00fcr das Tag und den Wert mitliefern. Der Funktionsnode sieht dann so aus:<\/p>\n
\/\/Insert Query mit Zufallswerten\r\nvar twert = Math.floor(Math.random() * 20);\r\nmsg.payload = {ort: \"Nordseite\", gradc: twert};\r\nreturn msg;<\/pre>\n
Die Payload wird hiermit zu einem Objekt.\u00a0 Das Tag f\u00fcr den Ort ist hier \"Nordseite\" und die Temperaturwerte bekommen die \u00dcberschrift \"gradc\".<\/p>\n
Arbeiten mit echten Daten<\/h4>\n
Im \"echten Leben\", also ohne Fake Daten wird der influx in<\/em> Node direkt mit dem Datenoutput aus unserer API verkabelt.<\/p>\n
\"\"<\/p>\n
Fragt man nun die Viessmann Daten alle 90 Sekunden ab, werden \u00fcber den Tag 960 Werte weggespeichert. Viele davon sind gleich, da sich die Lufttemperatur nicht andauernd \u00e4ndert sondern \u00fcber Stunden gleich bleibt. Daher ist es besser, einen Filter einzubauen, damit unsere Datenbank sparsam bef\u00fcllt wird:<\/p>\n
\"\"<\/p>\n
Der Filter Node schickt empfangene Daten nur weiter, wenn sie sich gegen\u00fcber dem vorherigen Datum ge\u00e4ndert haben. Sehr praktisch!<\/p>\n
Daten mit Influx ansehen<\/h3>\n
Springen wir zur\u00fcck zu unserer Tabelle mit den gefaketen Werten und lassen den Flow ein paar Minuten oder l\u00e4nger laufen – oder klicken mehrmals auf den Inject Node. Ansehen k\u00f6nnen wir uns die Rohdaten wieder im Influx CLI mit select * from temperatur<\/span><\/p>\n
Das wird\u00a0 allerdings einen Fehler ERR: database name required<\/span>\u00a0 produzieren. Wir m\u00fcssen zuerst die zu verwendende Datenbank mit use apidata<\/span>\u00a0 setzen – dann funktioniert's.<\/p>\n
Das Ergebnis mit unseren Phantasiewerten sieht ungef\u00e4hr so aus:<\/p>\n
> select * from temperatur\r\nname: temperatur\r\ntime                gradc ort\r\n----                ----- ---\r\n1675529440180191561 11    Nordseite\r\n1675529740177792060 16    Nordseite\r\n1675530040178699621 19    Nordseite\r\n\r\n<\/pre>\n
Die Spalte time<\/em> enth\u00e4lt den Unix Timestamp<\/a> auf Nanosekunden genau. Eigentlich ein Overkill, aber es ist halt so.\u00a0 Die Website Unix time stamp<\/a> ist sehr hilfreich dabei, diese Daten hin oder her zu konvertieren.<\/p>\n
Der 19-stellige Nanosekunden genaue Timestamp ist f\u00fcr Node Red etwas zuviel. Damit Node Red mit diesen Timestamps rechnen kann,\u00a0 m\u00fcssen wir den Timestamp durch 1000 dividieren, d.h. auf Millisekunden k\u00fcrzen. Das macht man am einfachsten mit der <\/span>Number()<\/span>Methode.<\/a><\/span><\/p>\n
Will man die Daten der letzten 3 Stunden abfragen, lautet der Befehl:<\/p>\n
select time, gradc from temperatur where time > (now() – 3h)<\/span><\/p>\n
Influxdb 1.8 erlaubt folgende Literale f\u00fcr die Zeitdauer:<\/p>\n