ClickHouse初级 - 第四章 表引擎的使用

最新推荐文章于 2024-07-06 21:00:08 发布
最新推荐文章于 2024-07-06 21:00:08 发布
阅读量1k 收藏 17
点赞数 21
分类专栏： 大数据 文章标签： clickhouse java 服务器
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45087487/article/details/134984153
版权

文章目录

一、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

二、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;

三、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、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。

四、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。

1)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);

2）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');

3）查询（因为设置分区，所以查询结果分开）
请添加图片描述

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)

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。

optimize table xxxx final;

6）例如 再次执行上面的插入操作

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');

查看数据并没有纳入任何分区
请添加图片描述

手动 optimize 之后，optimize table t_order_mt final; 再次查询
请添加图片描述

4.2 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。

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:
请添加图片描述
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）

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。

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 二级索引（跳数索引）

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）老版本使用二级索引前需要增加设置
是否允许使用实验性的二级索引(v20.1.2.4 开始，这个参数已被删除，默认开启)

set allow_experimental_data_skipping_indices=1;

2）创建测试表

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);

其中 GRANULARITY N 是设定二级索引对于一级索引粒度的粒度。

  • eg:跳数索引类型为minmax时，假设一级索引分为【1，1】，【1，2】，【2，10】，【10，100】，【100，1000】，二级索引粒度若为2的话，则将【1，1】，【1，2】合并为【1，2】；将【2，10】，【10，100】合并为【2，100】等

3）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');

4）对比效果
使用下面语句进行测试，可以看出二级索引能够为非主键字段的查询发挥作用。

clickhouse-client --send_logs_level=trace<<<'select * from t_order_mt2 where total_amount > toDecimal32(900., 2)';

docker的话使用下面的命令

docker exec -it 8f090a35b04d clickhouse-client --send_logs_level=trace --query "select * from t_order_mt2 where total_amount > toDecimal32(900., 2)"

在这里插入图片描述

4.5 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。

4.5.1 列级别 TTL

1）创建测试表

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);

2）插入数据(注意:根据实际时间改变)

insert into t_order_mt3 values 
(106,'sku_001',1000.00,'2020-06-12 22:52:30'), 
(107,'sku_002',2000.00,'2020-06-12 22:52:30'), 
(110,'sku_003',600.00,'2020-06-13 12:00:00');

3）手动合并(cpu性能一般的话才需要手动合并)，查看效果 到期后，指定的字段数据归0
请添加图片描述

4.5.2 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

五、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。

5.1 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。

5.2 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。

5.3 案例演示

1）创建表

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);

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，默认按照插入顺序保留最后一条。

2）向表中插入数据

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');

3）第一次查询
请添加图片描述

4）手动合并
OPTIMIZE TABLE t_order_rmt FINAL;

5）再执行一次查询
select * from t_order_rmt;
在这里插入图片描述

ps:新版本在插入的时候就会直接进行合并

5.4 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次

六、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

6.1 案例演示

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）执行第一次查询(新版会在插入的时候自动合并)

select * from t_order_smt;

请添加图片描述

4）手动合并

OPTIMIZE TABLE t_order_smt FINAL;

5）再执行一次查询

select * from t_order_smt;

请添加图片描述

6.2 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
  • 只有在同一批次插入(新版本)或分片合并时才会进行聚合

6.3 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。

6.4 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’

懒惰的小白521
关注
  • 21
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【Clickhouse】Clickhouse PRIMARY KEY, CONSTRAINT, identifier, column declaration, INDEX
九师兄
02-08 2385
1.背景 clickhouse建表报错，错误信息如下 1fe7c44838a1 :) create table ailpha_baas_flow (　id Int32,　fileName String,　@subCategory String　) engine=MergeTree()　 order by id; Syntax error: failed at position 70 ('@') (line 4, col 1): create table ailpha_baas_flo
clickhouse--kafka引擎接入同步表.docx
12-26
ClickHouse-Kafka引擎接入同步表是指使用ClickHouse和Kafka两种大数据处理技术来实现数据同步的解决方案。这种解决方案可以将Kafka中的数据实时同步到ClickHouse中，实现数据的实时同步和分析。 ClickHouse-Kafka...
ClickHouse 建表create table时primary by与order by
热门推荐
祁东握力的博客
05-21 2万+
参考文章：https://cloud.tencent.com/developer/article/1604965 一、 ORDER BY 决定了每个分区中数据的排序规则; PRIMARY KEY 决定了一级索引(primary.idx); ORDER BY 可以指代PRIMARY KEY, 通常只用声明ORDER BY 即可。 MergeTree的主键（PRIMARY KEY）只是用来生成一级索引（primary.idx）的，并没有唯一性约束这样的语义。 Replacin...
ClickHouse
Dragon_Z的博客
05-20 821
ClickHouse 是俄罗斯的 Yandex 于 2016 年开源的（DBMS），使用 C++ 语言编写，主要用于（OLAP），能够使用实时生成分析数据报告。OLAP（On-line Analytical Processing，联机分析处理）是在基于数据仓库多维模型的基础上实现的的各类操作的集合。可以比较下其与传统的OLTP（On-line Transaction Processing，
ClickHouse实战--ClickHouse的主键
zg_hover的专栏
02-28 1万+
在ClickHouse中，存储的数据会按主键进行排序。这其实是创建了一个稀疏索引，从而可以加快数据的查询。本文介绍ClickHouse主键的作用，和排序键的关系。
Clickhouse Partition Key,Order Key,Primary Key 测试调研
qq_42276876的博客
09-23 994
本文章其实是在调研测试分区键，排序健，主键过程中的一些总结和记录； 有助于了解到分区键排序健主键的区别，以及官方文档没有提及的东西
如何合理选择ClickHouse表主键
neweastsun的专栏
04-14 4116
基于ClickHouse优化结构和排序数据，正确利用主键索引能节约资源，极大提升查询性能。选择计划在大多数查询中使用的列选择大部分查询需要的列，如主键包含3列，查询包括1列或2列如果查询不确定，首先使用低基数列，然后再使用高基数列，从而获得更好的压缩和提高磁盘利用率参考资料：https://medium.com/datadenys/how-clickhouse-primary-key-works-and-how-to-choose-it-4aaf3bf4a8b9。
ClickHouse中PRIMARY KEY和ORDER BY关键字的关系
最新发布
云笔记
07-06 473
在ClickHouse中，和ORDER BY关键字在表的创建过程中扮演着重要的角色，它们共同决定了数据在物理存储上的排序方式，这对查询性能有着直接的影响。理解它们之间的关系对于设计高效的ClickHouse表结构至关重要。
ClickHouse-架构原理和表引擎详解
03-04
ClickHouse-架构原理和表引擎详解
ClickHouse--day01--架构原理和表引擎详解.pdf
11-15
ClickHouse 架构原理和表引擎详解 ClickHouse 是一个用于联机分析 (OLAP) 的列式数据库管理系统 (DBMS)，来自于 2011 年在纳斯达克上市的俄罗斯本土搜索引擎企业 Yandex 公司。ClickHouse 具有 ROLAP、在线实时查询...
clickhouse-jdbc-0.3.2
01-30
clickhouse-jdbc-0.3.2，Dinky，大数据
clickhouse-jdbc-0.2.4.jar 和 clickhouse-jdbc-0.2.4-jar-with-dependencies.jar
04-15
Clickhouse-JDBC是Java开发的一款用于连接Clickhouse数据库的驱动，它使得Java应用程序能够通过JDBC接口与Clickhouse进行交互。这两个文件`clickhouse-jdbc-0.2.4.jar`和`clickhouse-jdbc-0.2.4-jar-with-...
ClickHouse 快速入门
mengxianglong123的博客
05-10 1万+
文章目录一、ClickHouse入门1. ClickHouse的特点1.1 列式存储1.2 DBMS的功能1.3 多样化引擎1.4 高吞吐写入能力1.5 数据分区与线程级并行二、ClickHouse的安装1. 准备工作1. 1 确定防火墙处于关闭状态1.2 CentOS取消打开文件数限制1.3 安装依赖1.4 取消SELINUX2. 单机安装(在线)三、数据类型1. 整型2. 浮点型3. 布尔型4. Decimal 型5. 字符串6. 枚举类型7. 时间类型8. 数组四、表引擎1. 表引擎的使用2. Tin
clickhouse
m0_56923407的博客
08-08 1503
clickhouse安装clickHouse取消打开文件数和线程数的限制安装依赖取消selinux（内核安全系统）下载clickhouseClickHouse各文件目录修改配置文件启动命令连接server数据类型整型浮点型布尔型Decimal 型字符串枚举类型时间类型数组表引擎表引擎的使用TinyLogMemoryMergeTreepartition by 分区(可选)primary key 主键(可选)order by（必选）二级索引数据 TTLReplacingMergeTreeSummingMerge
ClickHouse-5（表引擎）
getBinary的博客
12-12 392
ClickHouse表引擎 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。 外部集成引擎(MySQL、MongoDB和HDFS等)、Log、MergeTree和其他引擎(Distribution
Clickhouse海量数据主键设计技巧
m0_37658349的博客
08-18 158
假设我们的查询参数为device，以及时间范围，这个时候我们设计主键则为如下方式device_2023-07-01。海量数据查询使用的场景，可能存在跨年的查询，这样会导致一个问题就是数据量过大，无法跨海量数据的搜索。在涉及分区和索引列的时候需要注意了。
ClickHouse主键索引最佳实践
大数据技术派
04-28 1425
在本文中，我们将深入研究ClickHouse索引。我们将对此进行详细说明和讨论：ClickHouse的索引与传统的关系数据库有何不同ClickHouse是怎样构建和使用主键稀疏索引的ClickHouse索引的最佳实践这篇文章主要关注稀疏索引，clickhouse主键使用的就是稀疏索引。数据集在本文中，我们将使用一个匿名的web流量数据集。我们将使用样本数据集中的887万行(事件)的子集。未压缩的数...
Clickhouse入门之语法
空城的博客
05-19 2508
ReplacingMergeTree是MergeTree的延伸，只是相比MergeTree多了一个去重的功能，因为MergeTree可以设置主键，但是主键并没有唯一约束，还是会重复，如果想去掉重复的数据就使用ReplacingMergeTree。建议尽可能以整数形式存储数据。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。主键，Clickhouse中的主键只提供了数据的一级索引，但是不是唯一索引，因此会存在主键相同的数据。
"深入了解ClickHouse表引擎-MergeTree引擎的使用
其中，MergeTree引擎是ClickHouse中最常用的表引擎之一。本文主要介绍了MergeTree引擎的几种使用情况，并提供了具体的示例。 MergeTree引擎主要用于有序数据的存储和查询。在MergeTree引擎下，数据按照某个字段的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值