![](https://i-blog.csdnimg.cn/blog_migrate/e8e7b013648094b8ac3a1c307764c8fc.png)
1 概念
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。
1.1 特点
-
列式存储
![](https://i-blog.csdnimg.cn/blog_migrate/21c4a83c5fcb459b15afc42045faf39a.png)
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。
-
DBMS的功能
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。
-
多样化引擎
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。
-
高吞吐写入能力
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。
-
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indexgranularity(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。
-
性能对比
![](https://i-blog.csdnimg.cn/blog_migrate/9b38feb4f0e22e342e99f2fb9e720855.png)
结论:ClickHouse像很多OLAP数据库一样,单表查询速度优于关联查询,而且ClickHouse的两者差距更为明显。
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():
Int8 -[-128 : 127]
Int16 -[-32768 : 32767]
Int32 -[-2147483648 : 2147483647]
Int64 -[-9223372036854775808 : 9223372036854775807]
无符号整型范围():
UInt8 -[0 : 255]
UInt16 -[0 : 65535]
UInt32 -[0 : 4294967295]
UInt64 -[0 : 18446744073709551615]
使用场景:个数、数量、也可以存储整型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。
![](https://i-blog.csdnimg.cn/blog_migrate/19d934fdec242d34f95f0d4f8b9fb109.png)
使用场景:一般数据值比较小,不涉及大量的统计计算,精度要求不高的时候。比如保存商品的重量。
2.3 布尔型
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标识小数位
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。与String相比,极少会使用FixedString,因为使用起来不是很方便。
使用场景:名称、文字描述、字符型编码。固定长度的可以保存一些定长的内容,比如一些编码,性别等但是考虑到一定的变化风险,带来收益不够明显,所以定长字符串使用意义有限。
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。
1)用法演示
创建一个带有一个枚举Enum8('hello' = 1, 'world' = 2)类型的列
CREATE TABLE t_enum
(
x Enum8('hello' = 1, 'world' = 2)
)
ENGINE = TinyLog;
2)这个x列只能存储类型定义中列出的值:'hello'或'world'
INSERT INTO t_enum VALUES ('hello'),('world'),('hello');
![](https://i-blog.csdnimg.cn/blog_migrate/42ddac56eee93850deef359b7e169620.png)
3)如果尝试保存任何其他值,ClickHouse抛出异常
insert into t_enum values('a')
![](https://i-blog.csdnimg.cn/blog_migrate/cd6413501fd908aa8ab2a56453bc40ff.png)
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
SELECT CAST(x, 'Int8') FROM t_enum;
![](https://i-blog.csdnimg.cn/blog_migrate/91fb7023f5fbeb94ba95076d6f7c2c13.png)
使用场景:对一些状态、类型的字段算是一种空间优化,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
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/
2.8 数组
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。
创建数组方式:
-
使用array函数
array(T)
SELECT array(1, 2) AS x, toTypeName(x) ;
![](https://i-blog.csdnimg.cn/blog_migrate/da8e25aff5313824ddf607750cbd06a0.png)
-
使用方括号
[]
SELECT [1, 2] AS x, toTypeName(x);
![](https://i-blog.csdnimg.cn/blog_migrate/0fc9f7c3625d74b6bb494bdc167f7500.png)
3 表引擎
3.1 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
3.2 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;
3.3 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。
3.4 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');
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。
3.4.1 参数说明
3.4.1.1 partition by分区(可选)
1)作用
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
![](https://i-blog.csdnimg.cn/blog_migrate/687ea2e39571f21e716c16f150f33c1d.png)
手动optimize之后:optimize table t_order_mt final;
再次查询
![](https://i-blog.csdnimg.cn/blog_migrate/f061545edd66e994ec68d002dce1092c.png)
3.4.1.2 primary key主键(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:
![](https://i-blog.csdnimg.cn/blog_migrate/fe9a035a2e62e843940522becbb02a66.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,然后再进行进一步扫描。
3.4.1.3 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。
orderby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)
4 sql语句
4.1 查询某个数据库中的所有表名、某个表的字段名、字段类型、字段注释
查看 Test 数据库的所有表
-- 方法一
select name from system.tables where database = 'Test';
-- 方法二
select distinct table from system.columns where database = 'Test'
查看 Test_table 表的所有字段
select name from system.columns where database ='Test'andtable='Test_table';
查看 Test_table 表的字段名、字段类型、字段注释
select database,table,name,type,comment from system.columns where database ='Test'andtable='Test_table';
若想就看某个表的某一两个字段的字段类型的话,可直接 调用 toTypeName() 函数来查看
select top 1 toTypeName(`id`),toTypeName(`name`) from Test_table;
show create table db.tname;
## 下列将显示表的创建语句;