ClickHouse学习

一.概述

1.特点

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

OLAP适合一次写入，多次读取
OLTP可以增删改查，因为有事务支持

1.列式存储

2.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

3.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

4.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

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。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

2.安装

2.1 安装前准备

（1）确定防火墙处于关闭状态

（2）CentOS 取消打开文件数限制

在 hadoop102 的 /etc/security/limits.conf 文件的末尾加入以下内容

sudo vim /etc/security/limits.conf

* soft nofile 65536
* hard nofile 65536
* soft nproc 131072
* hard nproc 131072

在 hadoop102 的/etc/security/limits.d/20-nproc.conf 文件的末尾加入以下内容

sudo vim /etc/security/limits.d/20-nproc.conf

* soft nofile 65536
* hard nofile 65536
* soft nproc 131072
* hard nproc 131072

分发到另外两天机器

sudo /home/gzhu/bin/xsync /etc/security/limits.conf
sudo /home/gzhu/bin/xsync /etc/security/limits.d/20-nproc.conf

（3）三台机器安装依赖

sudo yum install -y libtool

sudo yum install -y *unixODBC*

（4）CentOS 取消 SELINUX（三台机器都要）

SELINUX=disabled

（5）重启三台服务器

2.2 正式安装

安装资料

链接：https://pan.baidu.com/s/10UxBTen44ALCLo0kOKIiZA
提取码：sgo0

上传到hadoop102

分发

xsync /opt/software/clickhouse

分别在三台机子上安装这 4 个 rpm 文件

[gzhu@hadoop102 clickhouse]$ sudo rpm -ivh *.rpm
[gzhu@hadoop103 clickhouse]$ sudo rpm -ivh *.rpm
[gzhu@hadoop104 clickhouse]$ sudo rpm -ivh *.rpm

修改配置文件并分发

sudo vim /etc/clickhouse-server/config.xml

把 <listen_host>::</listen_host> 的注释打开，这样的话才能让 ClickHouse 被除本机以外的服务器访问

sudo /home/gzhu/bin/xsync /etc/clickhouse-server/config.xml

在这个文件中，有 ClickHouse 的一些默认路径配置，比较重要的
数据文件路径： /var/lib/clickhouse/
日志文件路径：/var/log/clickhouse-server/clickhouse-server.log

启动 Server

[gzhu@hadoop102 clickhouse]$ sudo systemctl start clickhouse-server

查看状态

三台机器上关闭开机自启

[gzhu@hadoop102 clickhouse]$sudo systemctl disable clickhouse-server

使用 client 连接 server

clickhouse-client -m

-m :可以在命令窗口输入多行命令

3.数据类型

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]
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]

使用场景： 个数、数量、也可以存储型 id

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

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

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

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

字符串

➢ 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

➢ 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

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

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

➢ 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; 

➢ 这个 x 列只能存储类型定义中列出的值：‘hello’或’world’

只能插入hello和world

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

hadoop102 :) SELECT CAST(x, 'Int8') FROM t_enum;

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’

4.引擎

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

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。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;

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.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

➢ 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);

我们根据时间分区，toYYYYMMDD是函数，按照年月日分区。按照order by排序（分区内生效），特别，clickhouse主键是不唯一的，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

➢ 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

partition by 分区(可选)

➢ 作用

分区的目的主要是降低扫描的范围，优化查询速度

➢ 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

➢ 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，我们看到，不同分区实际上是不同的文件

➢ 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

再插入一批数据

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');

可以看到，并没有进行分区合并

手动合并

optimize table t_order_mt final;

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(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，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)，主键的作用是建立索引，必须有序，对于id和sku_id而言，id一定是有序的，而sku_id受id的影响，不一定是有序的，所以我们不能跳过id选择sku_id建立索引

数据 TTL

TTL create_time+interval 10 SECOND，10秒后过期，要根据实际时间做测试

create table t_order_mt2(
 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);

insert into t_order_mt2 values
(106,'sku_001',1000.00,'2022-08-01 15:55:30'),
(107,'sku_002',2000.00,'2022-08-01 15:55:30'),
(110,'sku_003',600.00,'2022-08-01 15:55:30');

手动合并，可以看到，数据变成了对应类型的默认值，但列并没有删除

optimize table t_order_mt2 final;

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。如果你想处理掉重复的数据，可以借助这个 ReplacingMergeTree，注意，是根据order_by的字段去重

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);

上面的建表语句引擎用了ReplacingMergeTree，去重根据order by的字段id和sku_id，也就是不允许存在两个id和sku_id相同的行，那有相同的保留哪个呢？ReplacingMergeTree(arg) 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，如果order_by字段相同，并且参数也相同，则保留最后插入的数据

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');

手动合并

OPTIMIZE TABLE t_order_rmt FINAL;

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

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 );

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');

手动合并

OPTIMIZE TABLE t_order_smt FINAL;

➢ 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

一个问题

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’

二.SQL操作

1.insert

➢ 标准

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

➢ 从表到表的插入

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

2.update 和 delete

➢ 删除操作

alter table t_order_smt delete where sku_id ='sku_001';

➢ 修改操作

alter table t_order_smt update total_amount=toDecimal32(2000.00,2) where id =102;

➢ 新增字段

alter table tableName add column newcolname String after col1; 

➢ 修改字段类型

alter table tableName modify column newcolname String; 

➢ 删除字段

alter table tableName drop column newcolname;

3.select

➢ 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 rollup\with cube\with total 用来计算小计和总计

with rollup：从右至左去掉维度进行小计

如图，由下表，我们group by id和sku_id，所以id和sku_id是维度

select id,sku_id,sum(total_amount) from t_order_mt group by id,sku_id;

select id,sku_id,sum(total_amount) from t_order_mt group by id,sku_id with rollup;

可以看到，结果分为了三部分，第一部分是全维度，也就是根据id和sku_id进行求和，第二部分就只剩了id维度，根据id求和，第三部分就没有维度了，全体求和

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，也就是所有维度组合都来一遍

select id , sku_id,sum(total_amount) from t_order_mt group by id,sku_id with cube;

2个维度，共4种组合

with totals: 只计算合计

select id,sku_id,sum(total_amount) from t_order_mt group by id,sku_id with totals;

三.副本

副本的目的主要是保障数据的高可用性，即使一台 ClickHouse 节点宕机，那么也可以从其他服务器获得相同的数据

1.配置步骤

➢ 启动 zookeeper 集群
➢ 在hadoop102的/etc/clickhouse-server/config.d目录下创建一个名为metrika.xml的配置文件,内容如下：

<?xml version="1.0"?>
<yandex>
<zookeeper-servers>
  <node index="1">
   <host>hadoop102</host>
   <port>2181</port>
  </node>
  <node index="2">
   <host>hadoop103</host>
   <port>2181</port>
  </node>
  <node index="3">
   <host>hadoop104</host>
   <port>2181</port>
  </node>
</zookeeper-servers>
</yandex>

同步到另外两台机器

在 hadoop102 的/etc/clickhouse-server/config.xml 中增加

<include_from>/etc/clickhouse-server/config.d/metrika.xml</include_from>

同步到另外两台机器

重启clickhouse服务，起码两台服务器

2.副本测试

注意，副本只能同步数据，但是表结构不可以同步，想要副本的话必须要在服务器手动创建表

hadoop102

create table t_order_test (
 id UInt32,
 sku_id String,
 total_amount Decimal(16,2),
 create_time Datetime
) engine =ReplicatedMergeTree('/clickhouse/table/01/t_order_test','rep_102')
 partition by toYYYYMMDD(create_time)
 primary key (id)
 order by (id,sku_id);

hadoop103

create table t_order_test(
 id UInt32,
 sku_id String,
 total_amount Decimal(16,2),
 create_time Datetime
) engine =ReplicatedMergeTree('/clickhouse/table/01/t_order_test','rep_103')
 partition by toYYYYMMDD(create_time)
 primary key (id)
 order by (id,sku_id);

我们使用副本引擎 —— ReplicatedMergeTree ，第一个参数是分片的 zk_path 一般按照： /clickhouse/table/{shard}/{table_name} 的格式写，如果只有一个分片就写 01 即可。第二个参数是副本名称，相同的分片副本名称不能相同

在 hadoop102 上执行 insert 语句

insert into t_order_test values
(101,'sku_001',1000.00,'2020-06-01 12:00:00'),
(102,'sku_002',2000.00,'2020-06-01 12:00:00'),
(103,'sku_004',2500.00,'2020-06-01 12:00:00'),
(104,'sku_002',2000.00,'2020-06-01 12:00:00'),
(105,'sku_003',600.00,'2020-06-02 12:00:00');

可以在103查到数据

四.Java API

<dependency>
	<groupId>ru.yandex.clickhouse</groupId>
		<artifactId>clickhouse-jdbc</artifactId>
		<version>0.2.4</version>
		<exclusions>
			<exclusion>
				<groupId>com.fasterxml.jackson.core</groupId>
				<artifactId>jackson-databind</artifactId>
			</exclusion>
			<exclusion>
				<groupId>com.fasterxml.jackson.core</groupId>
				<artifactId>jackson-core</artifactId>
			</exclusion>
	</exclusions>
</dependency>