Clickhouse 表引擎

Clickhouse 表引擎

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。

create table t_tinylog ( id String, name String) engine=TinyLog;

2 Memory

1. 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）
2. 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（重点）

3.1 介绍

1. 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。

3.2 建表语句

create table tb_xxx(
 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);

3.3 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。

# 手动合并语句
optimize table tb_xxxx final;

3.4 primary key 主键(可选)

1. 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。
2. 主键的设定主要依据是查询语句中的 where 条件。
3. 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。
4. 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。
5. 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。

3.5 order by（必选）

1. 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。
2. 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）。
3. 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)）。

3.6 数据 TTL

1. 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。
2. 列级别 TTL
3. 表级 TTL

4 ReplacingMergeTree（重点）

4.1 介绍

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。

4.2 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。

4.3 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。

4.4 演示及结论

4.1.1 演示

# 1.创建表
create table t_order(
 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)
# 2. 插入数据
insert into t_order 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');
# 3. 手动合并 
optimize table t_order final;

4.2 结论

• ReplacingMergeTree(version_number)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。

• 通过测试得到结论

1. 实际上是使用 order by 字段作为唯一键
2. 去重不能跨分区
3. 只有同一批插入（新版本）或合并分区时才会进行去重
4. 认定重复的数据保留，版本字段值最大的
5. 如果版本字段相同则按插入顺序保留最后一笔

5 SummingMergeTree

5.1 介绍

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

5.2 演示

1. 操作

# 1. 创建表
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,'2020-06-01 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');
# 3. 合并
optimize table t_order_smt  final;

2. 结果
   

5.3 结论

1. 以 SummingMergeTree（）中指定的列作为汇总数据列
2. 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
3. 以 order by 的列为准，作为维度列
4. 其他的列按插入顺序保留第一行
5. 不在一个分区的数据不会被聚合
6. 只有在同一批次插入(新版本)或分片合并时才会进行聚合

• 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。

• 相关问题

1. 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’

解答：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’