ClickHouse快速入门

　　

　　ClickHouse 是俄罗斯的 Yandex 于 2016 年开源的列式存储数据库（DBMS），使用 C++语言编写，主要用于在线分析处理查询（OLAP），能够使用 SQL 查询实时生成分析数据报告

　　以下面的表为例：

　　IdNameAge1张三182李四223王五34 1）采用行式存储时，数据在磁盘上的组织结构为：

　　

　　好处是想查某个人所有的属性时，可以通过一次磁盘查找加顺序读取就可以。但是当想查所有人的年龄时，需要不停的查找，或者全表扫描才行，遍历的很多数据都是不需要的。

　　2）采用列式存储时，数据在磁盘上的组织结构为：

　　

　　这时想查所有人的年龄只需把年龄那一列拿出来就可以了

　　3）列式储存的好处：

　　对于列的聚合，计数，求和等统计操作原因优于行式存储由于某一列的数据类型都是相同的，针对于数据存储更容易进行数据压缩，每一列选择更优的数据压缩算法，大大提高了数据的压缩比重由于数据压缩比更好，一方面节省了磁盘空间，另一方面对于 cache 也有了更大的发挥空间

　　几乎覆盖了标准 SQL 的大部分语法，包括 DDL 和 DML，以及配套的各种函数，用户管理及权限管理，数据的备份与恢复

　　ClickHouse 和 MySQL 类似，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、日志、接口和其他四大类 20 多种引擎。

　　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，写入后数据段不可更改，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 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。

　　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。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 的查询业务，ClickHouse 并不是强项。

　　某网站精华帖，中对几款数据库做了性能对比。

　　1）单表查询

　　

　　2）关联查询

　　

　　结论: ClickHouse 像很多 OLAP 数据库一样，单表查询速度由于关联查询，而且 ClickHouse的两者差距更为明显

　　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]

　　Int16 - [-32768 : 32767]

　　Int32 - [-2147483648 : 2147483647]

　　Int64 - [-9223372036854775808 : 9223372036854775807]

　　无符号整型范围（0~2n-1）：

　　UInt8 - [0 : 255]

　　UInt16 - [0 : 65535]

　　UInt32 - [0 : 4294967295]

　　UInt64 - [0 : 18446744073709551615]

　　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。

　　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。

　　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）。

　　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

　　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节来达到 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。

　　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

　　1）用法演示

　　创建一个带有一个枚举 Enum8(‘hello’ = 1, ‘world’ = 2) 类型的列

　　2）这个 x 列只能存储类型定义中列出的值：‘hello’或’world’

　　

　　3）如果尝试保存任何其他值，ClickHouse 抛出异常

　　

　　4）如果需要看到对应行的数值，则必须将 Enum 值转换为整数类型

　　

　　目前 ClickHouse 有三种时间类型

　　? Date 接受年-月-日的字符串比如 ‘2019-12-16’

　　? Datetime 接受年-月-日 时:分:秒的字符串比如 ‘2019-12-16 20:50:10’

　　? 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。

　　还有很多数据结构，可以参考官方文档：https://clickhouse.yandex/docs/zh/data_types/

　　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。

　　（1）创建数组方式 1，使用 array 函数

　　array(T)

　　（2）创建数组方式 2：使用方括号[]

　　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。

　　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：

　　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。

　　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

　　2）插入数据

　　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。

　　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

　　查看数据并没有纳入任何分区

　　手动 optimize 之后

　　再次查询

　　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：

　　

　　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。

　　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，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)

　　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）

　　2）创建测试表

　　其中 GRANULARITY N 是设定二级索引对于一级索引粒度的粒度。

　　3）插入数据

　　4）对比效果

　　那么在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。

　　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。

　　1）列级别 TTL

　　（1）创建测试表

　　（2）插入数据（注意：根据实际时间改变）

　　（3）手动合并，查看效果 到期后，指定的字段数据归 0

　　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：

　　SECONDMINUTEHOURDAYWEEKMONTHQUARTERYEAR 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。

　　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

　　3）案例演示

　　（1）创建表

　　（2）向表中插入数据

　　（3）执行第一次查询

　　

　　（4）手动合并

　　（5）再执行一次查询

　　

　　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笔

　　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

　　1）案例演示

　　（1）创建表

　　（2）插入数据

　　（3）执行第一次查询

　　

　　（4）手动合并

　　（5）再执行一次查询

　　

　　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

　　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。

　　4）问题

　　能不能直接执行以下 SQL 得到汇总值

　　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。

　　基本上来说传统关系型数据库（以 MySQL 为例）的 SQL 语句，ClickHouse 基本都支持，这里不会从头讲解 SQL 语法只介绍 ClickHouse 与标准 SQL（MySQL）不一致的地方。

　　基本与标准 SQL（MySQL）基本一致

　　（1）标准

　　insert into [table_name] values(…),(….)

　　（2）从表到表的插入

　　insert into [table_name] select a,b,c from [table_name_2]

　　ClickHouse 提供了 Delete 和 Update 的能力，这类操作被称为 Mutation 查询，它可以看做 Alter 的一种。

　　虽然可以实现修改和删除，但是和一般的 OLTP 数据库不一样，Mutation 语句是一种很“重”的操作，而且不支持事务。

　　“重”的原因主要是每次修改或者删除都会导致放弃目标数据的原有分区，重建新分区。

　　（1）删除操作

　　（2）修改操作

　　由于操作比较“重”，所以 Mutation 语句分两步执行，同步执行的部分其实只是进行新增数据新增分区和并把旧分区打上逻辑上的失效标记。直到触发分区合并的候，才会删除旧数据释放磁盘空间，一般不会开放这样的功能给用户，由管理员完成

　　ClickHouse 基本上与标准 SQL 差别不大

　　? 支持子查询

　　? 支持 CTE(Common Table Expression 公用表表达式 with 子句)

　　? 支持各种 JOIN，但是 JOIN 操作无法使用缓存，所以即使是两次相同的 JOIN 语句，ClickHouse 也会视为两条新 SQL

　　? 窗口函数(官方正在测试中…) ? 不支持自定义函数

　　? GROUP BY 操作增加了 with rollupwith cubewith total 用来计算小计和总计。

　　（1）插入数据

　　（2）with rollup：从右至左去掉维度进行小计

　　

　　（3）with cube : 从右至左去掉维度进行小计，再从左至右去掉维度进行小计

　　（4）with totals: 只计算合计

　　同 MySQL 的修改字段基本一致

　　1）新增字段

　　2）修改字段类型

　　3）删除字段

　　ClickHouse Web 界面 Tabix.

　　主要功能：

　　浏览器直接连接 ClickHouse，不需要安装其他软件。高亮语法的编辑器。自动命令补全。查询命令执行的图形分析工具。配色方案选项。 Tabix 文档.

　　HouseOps 是一个交互式 UI/IDE 工具，可以运行在 OSX, Linux and Windows 平台中。

　　主要功能：

　　查询高亮语法提示，可以以表格或 JSON 格式查看数据。支持导出 CSV 或 JSON 格式数据。支持查看查询执行的详情，支持 KILL 查询。图形化显示，支持显示数据库中所有的表和列的详细信息。快速查看列占用的空间。服务配置。 以下功能正在计划开发：

　　- 数据库管理

　　- 用户管理

　　- 实时数据分析

　　- 集群监控

　　- 集群管理

　　- 监控副本情况以及 Kafka 引擎表

　　灯塔 是ClickHouse的轻量级Web界面。

　　特征：

　　包含过滤和元数据的表列表。带有过滤和排序的表格预览。只读查询执行。 DBeaver 具有ClickHouse支持的通用桌面数据库客户端。

　　特征：

　　使用语法高亮显示查询开发。表格预览。自动完成。 clickhouse-cli 是ClickHouse的替代命令行客户端，用Python 3编写。

　　特征：

　　自动完成。查询和数据输出的语法高亮显示。寻呼机支持数据输出。自定义PostgreSQL类命令。 DBM DBM是一款ClickHouse可视化管理工具!

　　特征：

　　支持查询历史（分页、全部清除等）支持选中的sql子句查询(多窗口等)支持终止查询支持表管理支持数据库管理支持自定义查询支持多数据源管理（连接测试、监控）支持监控（处理进程、连接、查询）支持迁移数据 Holistics 在2019年被Gartner FrontRunners列为可用性最高排名第二的商业智能工具之一。 Holistics是一个基于SQL的全栈数据平台和商业智能工具，用于设置您的分析流程。

　　特征：

　　-自动化的电子邮件，Slack和Google表格报告时间表。

　　-强大的SQL编辑器，具有版本控制，自动完成，可重用的查询组件和动态过滤器。

　　-通过iframe在自己的网站或页面中嵌入仪表板。

　　-数据准备和ETL功能。

　　-SQL数据建模支持数据的关系映射。

　　DataGrip 是JetBrains的数据库IDE，专门支持ClickHouse。 它还嵌入到其他基于IntelliJ的工具中：PyCharm，IntelliJ IDEA，GoLand，PhpStorm等。

　　特征：

　　非常快速的代码完成。ClickHouse语法高亮显示。支持ClickHouse特有的功能，例如嵌套列，表引擎。数据编辑器。重构。搜索和导航。