目录
0、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。
ClickHouse的表引擎有很多,下面介绍常用几种,对其他引擎有兴趣的可以去查阅官方文档:表引擎 | ClickHouse文档
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。
// 创建一个TinyLog引擎的表并插入一条数据
:)create table t_tinylog (a UInt16, b String) ENGINE=TinyLog;
:)insert into t_tinylog (a, b) values (1, 'abc');
:)insert into t_tinylog (a, b) values (2, 'def');
// 此时我们到保存数据的目录/var/lib/clickhouse/data/default/t_tinylog中可以看到如下目录结构:
[root@hadoop102 t]# ls
a.bin b.bin sizes.json
a.bin 和 b.bin 是压缩过的对应的列的数据,sizes.json 中记录了每个 *.bin 文件的大小:
[root@hadoop102 t]# cat sizes.json
{"yandex":{"a%2Ebin":{"size":"28"},"b%2Ebin":{"size":"30"}}}
2、Memory
3、Merge
// 案例:先建t1,t2,t3三个表,然后用 Merge 引擎的 t 表再把它们链接起来。
:)create table t1_tinylog (id UInt16, name String) ENGINE=TinyLog;
:)create table t2_tinylog (id UInt16, name String) ENGINE=TinyLog;
:)create table t3_tinylog (id UInt16, name String) ENGINE=TinyLog;
:)insert into t1_tinylog(id, name) values (1, 'first');
:)insert into t2_tinylog(id, name) values (2, 'second');
:)insert into t3_tinylog(id, name) values (3, 'i am in t3');
:)create table t_merge (id UInt16, name String) ENGINE=Merge(currentDatabase(), '^t');
:) select * from t_merge;
┌─id─┬─name─┐
│ 2 │ second │
└────┴──────┘
┌─id─┬─name──┐
│ 1 │ first │
└────┴───────┘
┌─id─┬─name───────┐
│ 3 │ i am in t3 │
└────┴────────────┘
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。
// 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);
insert into t_order_mt values (101,'sku_001',1000.00,'2020-06-01 12:00:00');
insert into t_order_mt values (102,'sku_002',2000.00,'2020-06-01 11:00:00');
insert into t_order_mt values (102,'sku_004',2500.00,'2020-06-01 12:00:00');
insert into t_order_mt values (102,'sku_002',2000.00,'2020-06-01 13:00:00');
insert into t_order_mt values (102,'sku_002',12000.00,'2020-06-01 13:00:00');
insert into t_order_mt values (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。
4.1 partition by 分区(可选)
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。
如果不填: 只会使用一个分区。
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。
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];
4.2 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,避免了全包扫描。
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。
4.3 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,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)
4.4 数据TTL
TTL即Time To Live,MergeTree提供了可以管理数据或者列的生命周期的功能。
// 列级别TTL
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)
// 插入数据
insert into t_order_mt3 values(106,'sku_001',1000.00,'2020-08-11 22:17:55');
insert into t_order_mt3 values(107,'sku_002',2000.00,'2020-08-11 22:17:55');
insert into t_order_mt3 values(110,'sku_003',600.00,'2020-08-11 22:17:55');
// 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
5. 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。
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。
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。
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,默认保留最后一条。
insert into t_order_rmt values(101,'sku_001',1000.00,'2020-06-01 12:00:00');
insert into t_order_rmt values(102,'sku_002',2000.00,'2020-06-01 11:00:00');
insert into t_order_rmt values(102,'sku_002',12000.00,'2020-06-01 13:00:00');
insert into t_order_rmt values(102,'sku_002',2000.00,'2020-06-01 13:00:00');
insert into t_order_rmt values(102,'sku_004',2500.00,'2020-06-01 12:00:00');
insert into t_order_rmt values(102,'sku_002',600.00,'2020-06-02 12:00:00');
// 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
6、SummingMergeTree
6.1 案例演示
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,'2020-08-01 12:00:00');
insert into t_order_smt values(102,'sku_002',2000.00,'2020-08-01 11:00:00’);
insert into t_order_smt values(102,'sku_002',2000.00,'2020-08-01 13:00:00');
insert into t_order_smt values(102,'sku_002',12000.00,'2020-08-01 13:00:00');
insert into t_order_smt values(102,'sku_004',2500.00,'2020-08-01 12:00:00');
insert into t_order_smt values(102,'sku_002',600.00,’2020-08-02 12:00:00');
(3)执行第一次查询
![](https://i-blog.csdnimg.cn/blog_migrate/54c5832ad503462806b8ea460ed85913.png)
![](https://i-blog.csdnimg.cn/blog_migrate/332112a348adafa1dc55deb184de4d51.png)
6.2 通过结果可以得到以下结论
6.3 开发建议
6.4 问题
7.Distributed
分布式引擎,本身不存储数据, 但可以在多个服务器上进行分布式查询。 读是自动并行的。读取时,远程服务器表的索引会被使用。
Distributed(cluster_name, database, table [,sharding_key])
// 参数解析:
cluster_name - 服务器配置文件中的集群名,在/etc/metrika.xml中配置的
database – 数据库名
table – 表名
sharding_key – 数据分片键
// 案例演示:
1)在hadoop102,hadoop103,hadoop104上分别创建一个表t
:)create table t_distributed(id UInt16, name String) ENGINE=TinyLog;
2)在三台机器的t表中插入一些数据
insert into t_distributed(id, name) values (1, 'zhangsan');
insert into t_distributed(id, name) values (2, 'lisi');
3)在hadoop102上创建分布式表
:) create table dis_table(id UInt16, name String) ENGINE=Distributed(perftest_3shards_1replicas, default, t_distributed, id);
4)往dis_table中插入数据
:) insert into dis_table select * from t_distributed;
5)查看数据量
:) select count() from dis_table;
┌─count()─┐
│ 8 │
└─────────┘
:) select count() from t_distributed
6) 删除多个节点同一张表
hadoop102 :) drop table t_distributed on cluster perftest_3shards_1replicas;
DROP TABLE t_distributed ON CLUSTER perftest_3shards_1replicas
┌─host──────┬─port─┬─status─┬─error─┬─num_hosts_remaining─┬─num_hosts_active─┐
│ hadoop102 │ 9000 │ 0 │ │ 2 │ 0 │
│ hadoop104 │ 9000 │ 0 │ │ 1 │ 0 │
│ hadoop103 │ 9000 │ 0 │ │ 0 │ 0 │
└───────────┴──────┴────────┴───────┴─────────────────────┴──────────────────┘
3 rows in set. Elapsed: 0.145 sec.