clickhouse在建表时必须显示指定该表使用的引擎,以及引擎使用的相关参数。引擎的名称大小写敏感。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
1.MergeTree
适用于高负载任务的最通用和功能最强大的表引擎。这类引擎的特点是可以快速插入数据并进行后续的后台数据处理,MergeTree引擎支持数据复制(使用Replicated*的引擎版本),分区和一些其他引擎不支持的其他功能。该类型的引擎包括:
- MergeTree
- ReplacingMergeTree
- SummingMergeTree
- AggregatingMergeTree
- CollapsingMergeTree
- VersionedCollapsingMergeTree
- GraphiteMergeTree
1.1MergeTree
MergeTree系列的引擎设计用于插入极大量的数据到一张表中。数据可以以数据片段的形式一个接着一个的快速写入,数据片段在后台按照一定的规则进行合并。相比于在插入时不断修改(重写)已存储的数据,这种策略会很高效。
主要特点:
-
存储的数据按主键排序。使用户能够创建一个小型的稀疏索引来加快数据检索
-
若指定分区键的话,可以使用分区。在相同数据集和相同结果集的情况下clickhouse中某些带分区的操作比普通操作更快,查询中指定了分区键时clickhouse会自动截取分区数据,增加了查询性能。
-
支持数据副本
-
支持数据采样
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);
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');
1.1.2partition by 分区(可选)
- 作用:降低扫描的范围,优化查询速度
- 若不填:只会使用一个分区
- 分区目录:MergeTree以列文件+索引文件+表定义文件组成的,但如果设定了分区这些文件都会保存到不同的分区目录中
- 并行:分区后,设计跨分区的查询统计,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,clickhouse会自动执行合并操作(也可以手动通过optimizi执行),把临时分区的数据,合并到已有分区中。
optimize table table_name final;
手动合并分区示例:
再次执行插入操作
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');
查询后结果如下,并没有纳入任何分区
手动合并
optimize table t_order_mt final;
再次查询
1.1.2primary 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,却不是唯一约束,这意味着是可以存在相同的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。
primary key若没有显示指定主键,clickhouse会使用排序键作为主键。
index gramularity:索引粒度,指在稀疏索引中2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,如在一个分区几万行才有一个不同数据。
稀疏索引:
稀疏索引的好处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,然后再进行一点扫描。
1.1.3 order by 排序(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,比primary key还重要,当用户不设置主键的情况下,很多处理会按照order by的字段进行处理。
主键必选是order by字段的前缀字段。如order by 字段是(id,sku_id),主键必须是id,或(id, sku_id)。
1.1.5二级索引
目前在clickhouse的官网上二级索引的功能在v20.1.2.4之前被标注为实验性的,在整个版本之后默认是开启的。
建表
create table t_order_mt2(
id UInt32,
sku_id String,
total_amount Decimal(16,2), create_time Datetime,
INDEX a total_amount TYPE minmax GRANULARITY 5
) engine =MergeTree
partition by toYYYYMMDD(create_time)
primary key (id)
order by (id, sku_id);
插入数据
insert into t_order_mt2 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');
查询---查看二级索引对非主键索引查询时起的作用
clickhouse-client --database=learnck --send_logs_level=trace<<<'select * from t_order_mt2 where total_amount > toDecimal32(900., 2)';
1.16数据TTL
TTL即Time To Live,MergeTree提供了可以管理数据表或列的生命周期的功能。TTL表示数据的存活时间,时间到达时,若列字段级别的TTL则会删除这一列的数据;若表级别的TTL则会删除整张表的数据;若同时设置了列级别和表级别的TTL则以先到期的为准。
无论列级别还是表级别的TTL,都需要依托某个Datetime或Date类型的字段,通过对这个时间字段的INTERAL操作来表述TTL的过期时间
1)列级别TTL
第一步:建表
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);
第二步:插入数据--时间要根据实际时间改变
insert into t_order_mt3 values (106,'sku_001',1000.00,'2021-08-13 17:56:10'), (107,'sku_002',2000.00,'2021-08-13 17:56:20'),
(110,'sku_003',600.00,'2021-08-13 17:56:30');
第三步:手动合并分区
optimize table t_order_mt3 final;
第四步:查询--到期后total_amount字段值为0
select * from t_order_mt3;
2)表级TTL
使用下述语句,整张表的数据会在create_time之后10秒消失
alter table t_order_mt3 MODIFY TTL create_time + INTERVAL 10 SECOND;
INTERVAL后能够使用的时间周期有:
SECOND、MINUTE、HOUR、DAY、WEEK、MONTH、QUARTER、YEAR
2.ReplaceingMergeTree
replaceingMergeTree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。MergeTree可以设置主键,但是primary key并没有唯一约束的功能。如果处理重复的数据,可以使用ReplaceingMergeTree。
1)去重时机
数据的去重只会在合并的时候发生。合并会在位置的时间在后台进行,用户无法预先做出计划。尽管可以通过optimize语句手动合并,但尽量少用,因为optimize语句会引起对数据的大量读写。
2)去重范围
如果表经过了分区,去重只会在分区内部进行,不能跨区进行去重。所以replaceingMergeTree能力有限,适用于在后台清楚重复的数据以节省空间,但是不能保证没有重复的数据出现。
3)示例
建表
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);
插入数据
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');
查询
select *from t_order_rmt;
结论:
- 去重使用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
- ReplaceingMergeTree()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。
3.SummingMergeTree
对于不查询明细,只关心维度进行汇总聚合结果的场景,若使用普通的MergeTree,无论是存储空间的开销,还是查询时临时聚合的开销都很大。clickhouse提供了一种能够”预聚合“的引擎
示例如下:
1)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)查询
select * from t_order_smt;
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,以所有非维度列且未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
- 只有在同一批次插入或分片合并时才会进行聚合
- 设计聚合时,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