02-ClickHouse基础入门

一、ClickHouse初级

1.1 简介

什么是ClickHouse？

这里引用官网的一段话：

ClickHouse is a column-oriented database management system (DBMS) for online analytical processing of queries (OLAP).

上面这段话我划重点如下：

• ClickHouse是一个数据库管理系统(DBMS)

• 它是列式的

• 它为联机处理分析而生(OLAP)

官网：ClickHouse - fast open-source OLAP DBMS

下载地址：Index of /clickhouse/rpm/stable/x86_64/

中文文档：什么是ClickHouse？ | ClickHouse文档

中文社区：ClickHouse中文社区

1.2 特点

1.2.1 列式存储

以下面的表为例：

Id	Name	Age
1	张三	22
2	李四	23
3	王五	18

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。

1.2.2 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。

1.2.3 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。

1.2.4 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。

1.2.5 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。
    ➢ 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。

1.2.6 性能对比

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，单表查询速度优于关联查询，而且 ClickHouse 的两者差距更为明显。

1.3 ClickHouse 的安装

1.3.1 单机安装

略

1.3.2 集群安装

略

1.3.3 分片集群安装

略

1.4 数据类型

1.4.1 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    -2^n ~ (1~2^n-1)-1：
    ➢ Int8 - [-128 : 127]
    ➢ Int16 - [-32768 : 32767]
    ➢ Int32 - [-2147483648 : 2147483647]
    ➢ Int64 - [-9223372036854775808 : 9223372036854775807]
无符号整型范围（0 ~ 2^n-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 

1.4.2 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。
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。

1.4.3 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。

1.4.4 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。

1.4.5 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。

1.4.6 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');
3） 如果尝试保存任何其他值，ClickHouse 抛出异常
	 insert into t_enum values('a')
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;

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。

1.4.7 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/

1.4.8 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。
（1）创建数组方式 1，使用 array 函数
	array(T)
		SELECT array(1, 2) AS x, toTypeName(x) ;
（2）创建数组方式 2：使用方括号[]
	SELECT [1, 2] AS x, toTypeName(x);

1.5 表引擎

1.5.1 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

1.5.2 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;

1.5.3 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。

1.5.3 MergeTree(重点)

	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。

MergeTree 其实还有很多参数(绝大多数用默认值即可)，但是下面几个参数非常重要，涉及了关于 MergeTree 的很多概念。

1.5.3.1 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。

1.5.3.2 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： 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。

1.5.3.3 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)

1.5.3.4 二级索引

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。

1.5.3.5 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。

➢ 列级别 TTL

➢ 表级 TTL

1.5.4 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。

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。

1.5.5 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

1.6 SQL 操作

1.6.1 Insert

基本与标准SQL语法（类比MySQL语法）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];

1.6.2 Update 和 Delete

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。所以尽量做批量的变更，不要进行频繁小数据的操作。

例如：

（1）删除操作 alter table t_order_smt delete where sku_id ='sku_001'; （2）修改操作 alter table t_order_smt update total_amount=toDecimal32(2000.00,2) where id=102;

结果：

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时候，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。

1.6.3 Select

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，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。

1.6.4 alter

同 MySQL 的修改字段基本一致

（1） 新增字段 alter table tableName add column newcolname String after col1;

（2） 修改字段类型 alter table tableName modify column newcolname String;

（3） 删除字段 alter table tableName drop column newcolname;

1.6.5 导出数据

clickhouse-client --query "select * from t_order_mt where create_time='2020-06-01 12:00:00'" --format filename > /opt/module/data/rs1.csv 更多支持格式参照：Input and Output Formats | ClickHouse Documentation

二、ClickHouse高级

2.1 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。

2.1.1 副本写入流程

2.1.2 配置步骤

略

2.2 集群写入流程（3 分片 2 副本共 6 个节点）

2.3 集群读取流程（3 分片 2 副本共 6 个节点）

2.4 分片 2 副本共 6 个节点 集群 配置 （ 供参考）

略

2.5 配置三节点版本集群及副本

2.5.1 集群及副本规划（2 个分片，只有第一个分片有副本）

略

2.5.2 配置步骤

略

三、场景实践

场景1、BI-经营管理分析平台-销售流向日报,数据及时性搜索

• 数据4000W+

• 搜索条件20+

• 聚合维度30+

• 响应时间要求平均2s内

场景2、小例子演示

参看实操

场景3、Mysql数据同步到ClickHouse-读写分离场景

参看实操