ClickHouse初级 - 第四章表引擎的使用

我不是女神ヾ 2024-02-05 15:09 177阅读 0赞

#### 文章目录 ####

*   *  一、表引擎的使用
     *  二、TinyLog
     *  三、Memory
     *  四、MergeTree
     *   *  4.1 partition by 分区(可选)
         *  4.2 primary key 主键(可选)
         *  4.3 order by（必选）
         *  4.4 二级索引（跳数索引）
         *  4.5 数据TTL
         *   *  4.5.1 列级别 TTL
             *  4.5.2 表级 TTL
     *  五、ReplacingMergeTree
     *   *  5.1 去重时机
         *  5.2 去重范围
         *  5.3 案例演示
         *  5.4 通过测试得到结论
     *  六、SummingMergeTree
     *   *  6.1 案例演示
         *  6.2 通过结果可以得到以下结论
         *  6.3 开发建议
         *  6.4 问题

### 一、表引擎的使用 ###

> 表引擎是 ClickHouse 的一大特色。可以说， 表引擎决定了如何存储表的数据。包括:
> 
>  *  数据的存储方式和位置，写到哪里以及从哪里读取数据。
>  *  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。

> **特别注意:引擎的名称大小写敏感**

### 二、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。一般保存少量数据的小表， 生产环境上作用有限。可以用于平时练习测试用。如:

create table t_tinylog ( id String, name String) engine=TinyLog;

### 三、Memory ###

> 1、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)。  
> 2、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。

### 四、MergeTree ###

> ClickHouse 中**最强大的表引擎**当属 MergeTree(合并树)引擎及该系列(\*MergeTree) 中的其他引擎，**支持索引和分区**，地位可以相当于 innodb 之于 Mysql。而且基于 MergeTree， 还衍生除了很多小弟，也是非常有特色的引擎。

1)建表语句

create table t_order_mt(
       id UInt32,
       sku_id String,
       total_amount Decimal(16,2),
       create_time Datetime
    ) engine =MergeTree
    partition by toYYYYMMDD(create_time) primary key (id)
    order by (id,sku_id);

2）插入数据

insert into t_order_mt 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');

3）查询（因为设置分区，所以查询结果分开）  
![请添加图片描述][74d908ce41584a5685bd9cfb1d062f62.png]

> MergeTree 其实还有很多参数(绝大多数用默认值即可)，但是三个参数是更加重要的， 也涉及了关于 MergeTree 的很多概念。

#### 4.1 partition by 分区(可选) ####

> 1）作用  
> 学过 hive 的应该都不陌生，分区的目的主要是降低扫描的范围，优化查询速度；

> 2）如果不填  
> 只会使用一个分区；

> 3）分区目录  
> MergeTree 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。

> 4）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。

> 5）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 xxxx final;

> 6）例如 再次执行上面的插入操作

insert into t_order_mt 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');

> 查看数据并没有纳入任何分区  
> ![请添加图片描述][55dfa23384e543b5a0cd157a8085b7bd.png]

> 手动 optimize 之后，optimize table t\_order\_mt final; 再次查询  
> ![请添加图片描述][61fd397269594d5e8f0a60283f261708.png]

#### 4.2 primary key 主键(可选) ####

> 1）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。  
> 2）主键的设定主要依据是查询语句中的 where 条件。  
> 3）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:**  
> ![请添加图片描述][aeba4c0f6b9b49e4b823d4d4cd3a3854.png]  
> 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。

#### 4.3 order by（必选） ####

> 1）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。  
> 2）order by 是 MergeTree 中唯一一个必填项，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。

> **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)

#### 4.4 二级索引（跳数索引） ####

> 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。

> 1）老版本使用二级索引前需要增加设置  
> 是否允许使用实验性的二级索引(v20.1.2.4 开始，这个参数已被删除，默认开启)

set allow_experimental_data_skipping_indices=1;

> 2）创建测试表

create table t_order_mt2(
        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。
> 
>  *  eg:跳数索引类型为minmax时，假设一级索引分为【1，1】，【1，2】，【2，10】，【10，100】，【100，1000】，二级索引粒度若为2的话，则将【1，1】，【1，2】合并为【1，2】；将【2，10】，【10，100】合并为【2，100】等

> 3）插入数据

insert into t_order_mt2 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');

> 4）对比效果  
> 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)';

docker的话使用下面的命令

docker exec -it 8f090a35b04d clickhouse-client --send_logs_level=trace --query "select * from t_order_mt2 where total_amount > toDecimal32(900., 2)"

![在这里插入图片描述][dfdd3cdf389f40d9837c4a17737e785b.png]

#### 4.5 数据TTL ####

> TTL 即 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。

##### 4.5.1 列级别 TTL #####

> 1）创建测试表

create table t_order_mt3(
        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);

> 2）插入数据(注意:根据实际时间改变)

insert into t_order_mt3 values 
    (106,'sku_001',1000.00,'2020-06-12 22:52:30'), 
    (107,'sku_002',2000.00,'2020-06-12 22:52:30'), 
    (110,'sku_003',600.00,'2020-06-13 12:00:00');

> 3）手动合并(cpu性能一般的话才需要手动合并)，查看效果 到期后，指定的字段数据归0  
> ![请添加图片描述][72d4d8ccbd794b4fbb30e873f589df2e.png]

##### 4.5.2 表级 TTL #####

> 下面的这条语句是数据会在 create\_time 之后 10 秒丢失

alter table t_order_mt3 MODIFY TTL create_time + INTERVAL 10 SECOND;

> 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

### 五、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。如果你想处理掉重复的数据，可以借助这个 ReplacingMergeTree。

#### 5.1 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。

#### 5.2 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。

#### 5.3 案例演示 ####

> 1）创建表

create table t_order_rmt(
        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);

> **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，默认按照插入顺序保留最后一条。**

> 2）向表中插入数据

insert into t_order_rmt 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');

> 3）第一次查询  
> ![请添加图片描述][3bc541e023b34d82a42230b060f06574.png]

> 4）手动合并  
> `OPTIMIZE TABLE t_order_rmt FINAL;`

> 5）再执行一次查询  
> `select * from t_order_rmt;`  
> ![在这里插入图片描述][bd0cec138dd94fceb408739b8ecc3f64.png]

> ps:新版本在插入的时候就会直接进行合并

#### 5.4 通过测试得到结论 ####

>  *  实际上是使用 order by 字段作为唯一键
>  *  去重不能跨分区
>  *  只有同一批插入(新版本)或合并分区时才会进行去重
>  *  认定重复的数据保留，版本字段值最大的
>  *  如果版本字段相同则按插入顺序保留最后一次

### 六、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

#### 6.1 案例演示 ####

> 1）创建表

create table t_order_smt(
       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 );

> 2）插入数据

insert into t_order_smt 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');

3）执行第一次查询(新版会在插入的时候自动合并)

select * from t_order_smt;

> ![请添加图片描述][a9282b5069a540fa9aa0718fdf3db45c.png]

> 4）手动合并

OPTIMIZE TABLE t_order_smt FINAL;

> 5）再执行一次查询

select * from t_order_smt;

![请添加图片描述][b87650078930423d83a9dffe7585735a.png]

#### 6.2 通过结果可以得到以下结论 ####

>  *  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
>  *  不在一个分区的数据不会被聚合
>  *  只有在同一批次插入(新版本)或分片合并时才会进行聚合

#### 6.3 开发建议 ####

> 设计聚合表的话，唯一键值、流水号可以去掉，所有字段全部是维度、度量或者时间戳。

#### 6.4 问题 ####

> 能不能直接执行以下 SQL 得到汇总值  
> `select total_amount from XXX where province_name=’’ and create_date=’xxx’`

> 不行，**可能会包含一些还没来得及聚合的临时明细**

> 如果要是获取汇总值，还是需要使用 sum 进行聚合，这样效率会有一定的提高，但本 身 ClickHouse 是列式存储的，效率提升有限，不会特别明显。  
> `select sum(total_amount) from province_name=’’ and create_date=‘xxx’`

[74d908ce41584a5685bd9cfb1d062f62.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/05/9937fd0302534e57ba51163e81e52fd9.png
[55dfa23384e543b5a0cd157a8085b7bd.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/05/38f3d8b9cec74d12a9c561b5795bd23d.png
[61fd397269594d5e8f0a60283f261708.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/05/3054963daac54a6bae06cb33129aa0d4.png
[aeba4c0f6b9b49e4b823d4d4cd3a3854.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/05/cfd15ac71ab64ad7b8f1ab99b485d48f.png
[dfdd3cdf389f40d9837c4a17737e785b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/05/3a9de734ff7c4a4ebda682b2b709b1d7.png
[72d4d8ccbd794b4fbb30e873f589df2e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/05/b9362f0ec7f34751819350c52e3f3aca.png
[3bc541e023b34d82a42230b060f06574.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/05/0f8e4e79d4ae4d89a525449b7c690f6e.png
[bd0cec138dd94fceb408739b8ecc3f64.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/05/471e4f7e7ce2438fbef5a164e98c7be4.png
[a9282b5069a540fa9aa0718fdf3db45c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/05/793bf21f5ed04639ac2c4ac24b8576dc.png
[b87650078930423d83a9dffe7585735a.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/05/33c01f48b74c4752874fdb8af39176c4.png