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
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。
eg:
create table t_tinylog ( id String, name String) engine=TinyLog;
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。
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');
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。
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;
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:
![](https://i-blog.csdnimg.cn/blog_migrate/42684835b59c08cc119e3f9f7acab994.png)
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,然后再进行一点一点扫描。
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)
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。
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;
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。
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。
案例演示 :
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。
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');
执行第一次查询
手动合并:
OPTIMIZE TABLE t_order_rmt FINAL;
再执行一次查询:
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
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
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 );
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');
查看手动合并执行前后的结果:
select * from t_order_smt;
手动合并命令:
OPTIMIZE TABLE t_order_smt FINAL;
前:
后:
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
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。
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’