ClickHouse 入门(一)【基本特点、数据类型与表引擎】

avatar
作者
猴君
阅读量:30

前言

        今天开始学习 ClickHouse ,一种 OLAP 数据库,实时数仓中用到的比较多;

1、ClickHouse 入门

        ClickHouse 是俄罗斯的 Yandex(搜索引擎公司)在 2016 年开源的列式存储数据库(HBase 也是列式存储,所以它俩经常放在一起比较 ),使用 C++ 语言编写,主要用于在线分析处理查询(OLAP,更适合一次写入多次读写,能够使用 SQL 查询实时生成分析数据报告。

  昨天已经安装好了,启停命令:

sudo clickhouse start sudo clickhouse status sudo clickhouse stop # 客户端连接(不需要sudo) clickhouse-client -m

 1.1、ClickHouse 的特点

首先,CK官网的这段话是非常值得理解品味的:

        在一个真正的列式数据库管理系统中,除了数据本身外不应该存在其他额外的数据。这意味着为了避免在值旁边存储它们的长度«number»(HBase 没有字段类型,都是字节数组的格式),你必须支持固定长度数值类型。例如,10亿个UInt8类型的数据在未压缩的情况下大约消耗1GB左右的空间,如果不是这样的话,这将对CPU的使用产生强烈影响。即使是在未压缩的情况下,紧凑的存储数据也是非常重要的,因为解压缩的速度主要取决于未压缩数据的大小。

        这是非常值得注意的,因为在一些其他系统中也可以将不同的列分别进行存储,但由于对其他场景进行的优化,使其无法有效的处理分析查询。例如: HBase,BigTable,Cassandra,HyperTable。在这些系统中,你可以得到每秒数十万的吞吐能力,但是无法得到每秒几亿行的吞吐能力。

1.1.1、列式存储

列式存储的特点我们很清楚(在数仓的 DW 层我们经常使用 ORC 格式存储):

列式数据库更适合 OLAP 数据库的原因

行式

列式:

 所以我们可以发现:

  • 针对分析类查询,通常只需要读取表的一小部分列。在列式数据库中你可以只读取你需要的数据。例如,如果只需要读取100列中的5列,这将帮助你最少减少20倍的I/O消耗。
  • 由于数据总是打包成批量读取的,所以压缩是非常容易的。同时数据按列分别存储这也更容易压缩。这进一步降低了I/O的体积。
  • 由于I/O的降低,这将帮助更多的数据被系统缓存。

1.1.2、DBMS 功能

        覆盖了标准 SQL 的大部分语法以及各种函数,用户管理、权限管理、数据的备份与恢复;

1.1.3、多样化的引擎

        和 MySQL 类似,ClickHouse 把表级的存储引擎插件化,根据表的不同需求可以设定不同的存储引擎。目前包括合并树(Merge Tree,常用)日志接口其他四大类 20 多种引擎。

1.1.4、高吞吐

        ClickHouse 采用类 LSM Tree 的结构,数据写入后定期在后台 Compaction。通过类 LSM tree 的结构,ClickHouse 在数据导入时全部是顺序 append 写(Kafka 高效的原因之一就是顺序写),写入后数据段不可更改(通过版本标记覆盖旧数据),在后台 compaction 时也是多个段 merge sort 后顺序写回磁盘。顺序写的特性,充分利用了磁盘的吞吐能力,即便在 HDD(普通磁盘)上也有着优异的写入性能。

         官方公开 benchmark 测试显示能够达到 50MB-200MB/s 的写入吞吐能力,按照每行 100Byte 估算,大约相当于 50W-200W 条/s 的写入速度。

1.1.5、数据分区与线程级并行

        ClickHouse 将数据划分为多个 partition,每个 partition 再进一步划分为多个 index granularity(索引粒度),然后通过多个 CPU核心分别处理其中的一部分来实现并行数据处理。 在这种设计下,单条 Query 就能利用整机所有 CPU(吃CPU,是瓶颈)。极致的并行处理能力,极大的降低了查 询延时。

        所以,ClickHouse 即使对于大量数据的查询也能够化整为零平行处理。但是有一个弊端 就是对于单条查询使用多 cpu,就不利于同时并发多条查询。所以对于高 qps (query per seconds)的查询业务, ClickHouse 并不是强项

        所以 CK 不适合做初始值的存储,它更适合对处理过的、字段特别多、数据量特别大的宽表;

1.1.6、查询性能

        相比较其它 OLAP 数据库,CK 的单表查询几乎是最快的;而关联查询性能要差一点(因为 CK 的 join 底层就是右表加载到内存,也不管大小表,有点像旧版的 Hive(不过 Hive 是左边是小表进内存,右表是大表);所以一般我们要尽量避免 join,非要做 join 的话需要专门优化),所以我们说 CK 更适合对宽表进行处理,毕竟宽表都是 join 完的;

2、数据类型

2.1、整型

固定长度的整型,包括有符号整型或无符号整型。

整型范围(-2n-1~2n-1-1):

  • Int8 - [-128 : 127](byte)
  • Int16 - [-32768 : 32767](short)
  • Int32 - [-2147483648 : 2147483647](int)
  • Int64 - [-9223372036854775808 : 9223372036854775807](long)

无符号整型范围(0~2n-1):

  • UInt8 - [0 : 255]
  • UInt16 - [0 : 65535]
  • UInt32 - [0 : 4294967295]
  • UInt64 - [0 : 18446744073709551615]

使用场景: 个数、数量、也可以存储型 id。

2.2、浮点型

  • Float32 - float
  • Float64 – double

建议尽可能以整数形式存储数据。例如,将固定精度的数字转换为整数值,如时间用毫秒为单位表示,因为浮点型进行计算时可能引起四舍五入的误差(所以企业不会用 double 去存和钱相关的数据)。

2.3、布尔型

        ck 没有单独的类型来存储布尔值。可以使用 UInt8 类型,取值限制为 0 或 1。

2.4、Decimal 型

有符号的浮点数,可在加、减和乘法运算过程中保持精度。对于除法,最低有效数字会 被丢弃(不舍入)。

有三种声明:

  • Decimal32(s),相当于 Decimal(9-s,s),有效位数为 1~9
  • Decimal64(s),相当于 Decimal(18-s,s),有效位数为 1~18
  • Decimal128(s),相当于 Decimal(38-s,s),有效位数为 1~38

s 表示小数位 

使用场景: 一般金额字段、汇率、利率等字段为了保证小数点精度,都使用 Decimal 进行存储。

2.5、字符串

  1. String 字符串可以任意长度的。它可以包含任意的字节集,包含空字节。
  2. FixedString(N) 固定长度 N 的字符串,N 必须是严格的正自然数。当服务端读取长度小于 N 的字符串时候,通过在字符串末尾添加空字符来达到 N 字节长度。 当服务端读取长度大于 N 的 字符串时候,将返回错误消息。

与 String 相比,极少会使用 FixedString,因为使用起来不是很方便。

2.6、枚举类型

包括 Enum8 和 Enum16 类型。Enum 保存 'string'= integer 的对应关系

  • Enum8 用 'String'= Int8 对描述。
  • Enum16 用 'String'= Int16 对描述

测试-创建表(只有 season 一个枚举类型字段的表):

插入并查询:

查询结果对应的枚举值(Int8):

使用场景:对一些状态、类型的字段算是一种空间优化(毕竟只存了数字,不用存那么长的字符串),也算是一种数据约束。但是实 际使用中往往因为一些数据内容的变化增加一定的维护成本,甚至是数据丢失问题。所以谨 慎使用。

2.7、时间类型

之前我们学的 Hive 直接用 string 表示日期(尽管 Hive 有 Date 类型),但是在 ck 中不建议这么做,目前 ClickHouse 有三种时间类型:

  1. Date 接受年-月-日的字符串比如 ‘2019-12-16’
  2. Datetime 接受年-月-日 时:分:秒的字符串比如 ‘2019-12-16 20:50:10’
  3. Datetime64 接受年-月-日 时:分:秒.亚秒的字符串比如‘2019-12-16 20:50:10.66’ 日期类型,用两个字节存储,表示从 1970-01-01 (无符号) 到当前的日期值。 

2.8、数组类型

        Array(T):由 T 类型元素组成的数组。

        T 可以是任意类型,包含数组类型。 但不推荐使用多维数组,ClickHouse 对多维数组的支持有限。例如,不能在 MergeTree 表中存储多维数组。

2.9、其它类型

ck 还支持特别多的类型:ClickHouse中文帮助文档

3、表引擎

表引擎(即表的类型)决定了:

  • 数据的存储方式和位置,写到哪里以及从哪里读取数据(比如 /var/lib/clickhouse/metadata,/var/lib/clickhouse/data)
  • 支持哪些查询以及如何支持。
  • 并发数据访问。
  • 索引的使用(如果存在)。
  • 是否可以执行多线程请求。
  • 数据复制参数。

表引擎的使用方式就是必须显式在创建表时定义该表使用的引擎,以及引擎使用的相关参数

此外,需要注意表引擎在建表时都是大小写敏感的; 

3.1、TinyLog

        以列文件的形式保存在磁盘上,不支持索引,没有并发控制。适合小数据量(最多100w行),不适合生产情况;

3.2、Memory

        内存引擎,数据以未压缩的原始形式直接保存在内存当中,服务器重启数据就会消失。 读写操作不会相互阻塞,不支持索引。简单查询下有非常非常高的性能表现(超过 10G/s)。

         一般用到它的地方不多,除了用来测试,就是在需要非常高的性能,同时数据量又不太大(上限大概 1 亿行)的场景。

3.3、Merge Tree

        适用于高负载任务的最通用和功能最强大的表引擎支持索引和分区,地位相当于 MySQL 中的 InnoDB;

注意:在 Merge Tree 表引擎中的主键会建索引,但是并没有唯一约束(也就是说,主键可以重复

创建测试表(Merge 引擎):

插入测试数据:

3.3.1、分区

作用:表数据分区我们在 Hive 中就很熟悉了,主要是为了降低扫描的范围,优化查询速度;(在 Kafka 这种消息队列中分区主要是为了提高数据处理的并行度,让下游消费者可以快速处理)

Hive 和 CK 的分区实现都是是用目录来实现的,区别在于 Hive 是存在 hdfs,而 ck 是存在本地磁盘;

分区目录:Merge Tree 是以列文件 + 索引文件 + 表定义文件组成的,但是如果设定了分区那么这些文 件就会保存到不同的分区目录中。

并行:分区后,面对涉及跨分区的查询统计,ClickHouse 会以分区为单位并行处理。

这里,我更改了默认的数据存储路径(/var/lib/clickhouse):

这里的 metadata 目录下存放的是各个数据库下面的建表 sql:

data 目录下存储的是表数据:

目录命名规则 分区id_最小分区块编号_最大分区块编号_合并层级

  • 分区id
    • 分区 id 由分区键决定,我们这里是 toYYYYMMDD(create_time),是日期类型;根据分区键的类型,可以分为: 
      • 未定义分区键:默认生成一个目录名为 all 的数据分区
      • 整型:使用整型值作为分区id
      • 日期:可以用日期字符串,ck会自动转为日期类;我们也可以自己转为日期类;Hive 中我们日期也一般都用字符串;但 ck 中,我们尽量自己手动转为日期类比较好一点;
      • 其它类型:String、Float等类型,通过128位的hash算法取hash值作为分区 id
  • 最小分区块编号
    • 自增类型,从 1 开始递增。每产生一个新目录分区就递增;
  • 最大分区块编号
    • 新建分区的最小分区块编号 = 最大分区块编号(分区合并的时候才会发生变化);
  • 合并层级
    • 被合并次数越多,层级值越大;

我们再看看具体的分区目录下面有什么?

  • checksums.txt:校验文件
  • columns.txt:存储了列的信息(字段名和字段类型)
  • data.bin:每一列的数据(旧版本的 ck 为每个列创建一个 .bin 文件 和 .mrk3 文件)
  • data.mrk3:每一列的偏移量(旧版本的 ck 为每个列创建一个 .bin 文件 和 .mrk3 文件)
  • default_compression_codec.txt:压缩信息
  • minmax_ceate_time.idx:分区键的最大值和最小值(查询时可以用来加速查询)
  • count.txt:当前表的总列数

这里的 count.txt 存储了当前表中的行数,所以 ck 可以 O(1)时间返回当前表的总行数;

这让我联想到了上一篇 SQL 优化博客中,我们知道,MySIM 的 select count(*) 的性能特别高就是因为它把行数也持久化到磁盘文件中了;而 InnoDB 并没有,所以它只能全表扫描;

数据写入与分区合并:任何一个批次的数据写入都会产生一个临时分区,不会纳入任何一个已有的分区。写入 后的某个时刻(大概 10-15 分钟后),ClickHouse 会自动执行合并操作(等不及也可以手动 通过 optimize 执行),把临时分区的数据,合并到已有分区中:

optimize table xxx final;

 上面,我们已经插入过一次数据了,也看到数据目录下产生了分区目录;我们再次插入相同的数据,看看会发生什么情况:

insert into order_info values  (101,'sku_001',1000.00,'2020-06-01 12:00:00') ,  (102,'sku_002',2000.00,'2020-06-01 11:00:00'),  (102,'sku_004',2500.00,'2020-06-01 12:00:00'),  (102,'sku_002',2000.00,'2020-06-01 13:00:00'),  (102,'sku_002',12000.00,'2020-06-01 13:00:00'),  (102,'sku_002',600.00,'2020-06-02 12:00:00');

执行成功后查看结果: 

可以看到,按道理我们在创建表的时候已经指定了分区的逻辑,但是上面的查询结果中一个分区的数据并没有被放在一起展示(只有客户端CLI窗口可以看出来);

我们通过查看数据目录也可以发现,一个分区的数据并没有被放到一个目录下面。下面我们执行手动合并:

s

重新查看数据目录:

现在我们可以理解这个分区目录真正的含义了(拿分区1:20200601 举例):

  • 最小分区块编号:min(1,3) = 1
  • 最大分区块编号:max(1,3) = 3
  • 合并层级:合并次数 = 1

所以合并后的分区目录就是 20200601_1_3_1,而合并前的两个目录会在一定时间后自动被清理;

上面我们合并将两个分区都合并了,那我们能不能只合并一个分区呢?比如只对上面的 20200602 分区进行合并:

optimize table order_info partition '20200602' final;

3.3.2、primary key(可选)

        ClickHouse 中的主键,和其他数据库不太一样,它只提供了数据的一级索引,但是却不是唯一约束。这就意味着是可以存在相同 primary key 的数据的。

        主键的设定主要依据是查询语句中的 where 条件。

         根据条件通过对主键进行某种形式的二分查找,能够定位到对应的 index granularity,避免了全表扫描。

        index granularity: 直接翻译的话就是索引粒度,指在稀疏索引中两个相邻索引对应数据的间隔。ClickHouse 中的 MergeTree 默认间隔是 8192。官方不建议修改这个值,除非该列存在大量重复值,比如在一个分区中几万行才有一个不同数据。

        稀疏索引

        对于上面的表,第一列是主键。按照之前 MySQL 的惯例,会给每个主键添加一个聚集索引。 但稀疏索引并不会这样,它会隔几行建立一个索引;

        稀疏索引的好处就是可以用很少的索引数据,定位更多的数据,代价就是只能定位到索引粒度的第一行,然后再进行进行一点扫描

3.3.3、order by(必选)

        order by 设定了分区内的数据按照哪些字段顺序进行有序保存。

        order by 是 MergeTree 中唯一一个必填项(毕竟借助稀疏索引查询数据做二分搜索前提就是有序,甚至比 primary key 还重要,因为当用户不 设置主键的情况,很多处理会依照 order by 的字段进行处理(比如后面会讲的去重和汇总)。

         要求主键必须是 order by 字段的前缀字段。 比如 order by 字段是 (id,sku_id) 那么主键必须是 id 或者(id,sku_id)

3.3.4、二级索引

        二级索引也叫跳数索引,主要解决大量数据重复的问题,此时一级索引的粒度可能小于重复值,所以在查询数据时可能有大量匹配的索引区间,而二级索引的粒度更粗,它是在一级索引的基础上再进行一次索引:

        目前在 ClickHouse 的官网上二级索引的功能在 v20.1.2.4 之前是被标注为实验性的,在这个版本之后默认是开启的。

创建测试表:

create table order_info_2(      id UInt32,      sku_id String,      total_amount Decimal(16,2),      create_time DateTime,      INDEX a total_amount TYPE minmax GRANULARITY 5  ) engine = MergeTree     partition by toYYYYMMDD(create_time)     primary key (id)     order by (id, sku_id);

其中 GRANULARITY N 是设定二级索引对于一级索引粒度的粒度。

插入数据:

insert into order_info_2 values (101,'sku_001',1000.00,'2020-06-01 12:00:00') , (102,'sku_002',2000.00,'2020-06-01 11:00:00'), (102,'sku_004',2500.00,'2020-06-01 12:00:00'), (102,'sku_002',2000.00,'2020-06-01 13:00:00'), (102,'sku_002',12000.00,'2020-06-01 13:00:00'), (102,'sku_002',600.00,'2020-06-02 12:00:00');

使用下面语句进行测试,可以看出二级索引能够为非主键字段的查询发挥作用:

 clickhouse-client --send_logs_level=trace <<< 'select  * from t_order_mt2 where total_amount > toDecimal32(900., 2)'; 

在分区目录下,我们可以看到跳数索引(二级索引):

3.3.5、TTL

        也就是数据的存活时间(Time To Live),MergeTree 提供了可以管理数据表或者列的生命周期的功能。

1)列级别 TTL 

创建测试表:

注意TTL 中参与计算的字段不能是主键! (比如下面我们使用的 create_time 就不是主键)

create table order_info_3(   id UInt32,   sku_id String,   total_amount Decimal(16,2) TTL create_time+interval 10 SECOND,   create_time DateTime   ) engine =MergeTree   partition by toYYYYMMDD(create_time)   primary key (id)   order by (id, sku_id);

写入数据:

insert into t_order_mt3 values  (106,'sku_001',1000.00,'2024-07-16 10:52:55'),  (107,'sku_002',2000.00,'2020-07-16 10:52:59'),  (110,'sku_003',600.00,'2020-07-16 10:53:30');

注意数据的TTL淘汰是在主键合并阶段执行的,如果数据迟迟没有进行主键合并,那过期的数据就无法淘汰。

查询结果:

当我们在创建表之后发现忘记指定 TTL 时,也可以通过修改语句来添加 TTL 值:

ALTER TABLE order_info_3 MODIFY COLUMN total_amount Decimal32(16,2) TTL + INTERVAL 1 DAY;
2)表级 TTL 

 可以通过下面的雨具给表设置生命周期:

alter table order_info_3 MODIFY TTL create_time + INTERVAL 10 SECOND;

显然,每行数据的 create_time 字段都不一样,所以删表的时间取决于 create_time 最大的行记录。

同样,涉及判断的字段必须是 Date 或者 Datetime 类型,推荐使用分区的日期字段。 能够使用的时间周期:

  • SECOND
  • MINUTE
  • HOUR
  • DAY
  • WEEK
  • MONTH
  • QUARTER
  • YEAR  

3.4、ReplacingMergeTree

        ReplacingMergeTree 是 MergeTree 的一个变种,它存储特性完全继承 MergeTree,只是多了一个去重的功能。 尽管 MergeTree 可以设置主键,但是 primary key 其实没有唯一约束的功能(也就是说主键可以重复,但它是根据 order by 的字段进行去重)。如果你想处理掉重复的数据,可以借助这个 ReplacingMergeTree。

注意:这因为这个引擎可以最终做到去重(合并分区后),所以可以保证最终一致性,当上游数据处理节点故障重启把部分数据重复插入到 ck 之后,ck 在一定时间会进行 optimize 合并分区并去重;而 SummingMergeTree 并不能保证数据的一致性,因为它可以接受重复数据,并对聚合字段(建表时指定的,否则所有非维度列的数值类型字段)的进行聚合;

1)去重时机

        数据的去重只会在合并的过程中出现。合并会在未知的时间在后台进行,所以你无法预先作出计划。有一些数据可能仍未被处理。

2)去重范围

        如果表经过了分区,去重只会在分区内部进行去重,不能执行跨分区的去重。 所以 ReplacingMergeTree 能力有限, ReplacingMergeTree 适用于在后台清除重复的数 据以节省空间,但是它不保证没有重复的数据出现。

创建测试表:

-- 测试ReplacingMergeTree引擎 create table order_info_4(      id UInt32,      sku_id String,      total_amount Decimal(16,2) ,      create_time DateTime  ) engine =ReplacingMergeTree(create_time)      partition by toYYYYMMDD(create_time)      primary key (id)      order by (id, sku_id);

 注意ReplacingMergeTree() 填入的参数为版本字段,重复数据保留版本字段值最大的。 如果不填版本字段或者版本相同,默认按照插入顺序保留最后一条。

插入数据:

insert into order_info_4 values (101,'sku_001',1000.00,'2020-06-01 12:00:00') , (102,'sku_002',2000.00,'2020-06-01 11:00:00'), (102,'sku_004',2500.00,'2020-06-01 12:00:00'), (102,'sku_002',2000.00,'2020-06-01 13:00:00'), (102,'sku_002',12000.00,'2020-06-01 13:00:00'), (102,'sku_002',600.00,'2020-06-02 12:00:00');

查询结果:

可以看到插入 6 条数据,保留了 4 条数据,也就是删除了两条数据:

  • 如果 order by 字段相同则数据重复(注意:排序字段相同就算重复),比较 create_time,create_time 大的留下来,如果 create_time 相同,则保留后面插入的数据;

3.5、SummingMergeTree

        对于不查询明细,只关心以维度进行汇总聚合结果的场景。如果只使用普通的 MergeTree 的话,无论是存储空间的开销,还是查询时临时聚合的开销都比较大。

        ClickHouse 为了这种场景,提供了一种能够“预聚合”的引擎 SummingMergeTree;

  • 分区内聚合
  • 分区合并时才触发聚合

创建测试表:

create table order_info_5(      id UInt32,      sku_id String,      total_amount Decimal(16,2) ,      create_time DateTime  ) engine =SummingMergeTree(total_amount)      partition by toYYYYMMDD(create_time)      primary key (id)      order by (id,sku_id );

插入数据:

insert into order_info_5 values (101,'sku_001',1000.00,'2020-06-01 12:00:00'), (102,'sku_002',2000.00,'2020-06-01 11:00:00'), (102,'sku_004',2500.00,'2020-06-01 12:00:00'), (102,'sku_002',2000.00,'2020-06-01 13:00:00'), (102,'sku_002',12000.00,'2020-06-01 13:00:00'), (102,'sku_002',600.00,'2020-06-02 12:00:00');

查询结果:

 我们再次插入一条重复数据:

手动合并:

总结:

  • 以 SummingMergeTree()中指定的列作为汇总数据列
  • 可以填写多列必须数字列,如果不填,以所有非维度列(除了 order by 之外的字段)且为数字列的字段为汇总数据列
  • 以 order by 的列为准,作为维度列
  • 其他的列按插入顺序保留第一行
  • 同分区才会聚合
  • 只有在同一批次插入(新版本)或分片合并时才会进行聚合

正因为会数据聚合可能会有延迟,所以建议使用时仍然使用 sum 聚合函数返回结果;

广告一刻

为您即时展示最新活动产品广告消息,让您随时掌握产品活动新动态!