Clickhouse数据类型和数据表类型

一、数据类型

Clickhouse数据类型可以划分为三种，分别是基础类型、复合类型和特殊类型。

1. 基础类型

1.1 数值类型
1）Int
有着无符号整数和有符号整数两种。

名称	大小（字节）	范围	普遍观念
Int8	1	-128 到 127	Tinyint
Int16	2	-32768 到 32767	Smallint
Int32	4	-2147483648 到 2147483647	Int
Int64	8	-9223372036854775808 到 9223372036854775807	Bigint
UInt8	1	0 到 255	Tinyint Unsigned
UInt16	2	0 到 65535	Smallint Unsigned
UInt32	4	0 到 4294967295	Int Unsigned
UInt64	8	0 到 18446744073709551615	Bigint Unsigned

2） Float
与整数相似，Clickhouse用Float32和Float64来分别表示单精度浮点数以及杀滚精度浮点数。但是这两种浮点数都是有精度限制的，当超出精度限制它会发生精度溢出。Clickhouse中的浮点数也可以用来表示正无穷和负无穷以及非数字。

名称	大小（字节）	精度范围（位数）	普遍概念
Float32	4	7	Float
Float64	8	16	Float

名称	表达方式	获取方式
正无穷	inf	0.1/0
负无穷	-inf	-0.1/0
非数字	nan	0/0

3） Decimal
Decimal的用法和Mysql中相同。方式为Decimal（P，S）

• P：总位数，范围1～38
• S：小数位数，范围0～P

Clickhouse提供了简写方式Decimal32(S)、Decimal64(S)、Decimal128(S)

名称	等效说明	范围
Decimal32(S)	Decimal(1~9,S)	-1 * 10^(9-S) 到 1 * 10^(9-S)
Decimal64(S)	Decimal(10~18,S)	-1 * 10^(18-S) 到 1 * 10^(18-S)
Decimal128(S)	Decimal(19~38,S)	-1 * 10^(38-S) 到 1 * 10^(38-S)

1.2 字符串类型
1） String
Clickhouse中String是没有长度限制的。它代替了传统数据库的varchar、Text、Clob和Blob。

2）FixedString
FixedString类似于Char，指定字符串度确定的字符串。定长字符串通过FixedString(N)来指定字符串的长度。

3） UUID
Clickhouse中UUID作为一种数据类型，长度为32。它有着固定的格式8-4-4-4-12。当UUID没有被插入数据的时候，会用0去填充，即00000000-0000-0000-0000-000000000000

1.3 时间类型
1） DateTime
DateTime包含时、分、秒，最大的精度为秒级，例如2000-12-01 00:00:00

2） DateTime64
DateTime64的精度在DateTime之上，最大精度为亚秒级，例如2000-12-01 00:00:00.00

3） Date
Date的精度只到于天，即2000-12-01

2. 复合类型

1） Array
数组类型，有着两种定义方式，array(T)和[T]。一个数组中的字段类型需要可以兼容，否则会报错。

定义方式	案例
array(T)	select array(1,2)
[T]	select [1,2]

2） Tuple
元组类型，有着两种定义方式，tuple(T)和(T)。元组中字段的数据类型可以不同。

定义方式	案例
tuple(T)	select tuple(1,‘a’)
(T)	select (1,‘a’)

3） Enum
枚举类型，一般用于定义常量。Clickhouse中有Enum8和Enum16两种枚举类型，他们只有取值范围之差。枚举使用(String:Int)Key/Value键值对的形式定义。

• Enum8对应（String：Int8）
• Enum16对应（String：int16）

Key和Value都不能重复，且都不能为Null。但是Key可以是空字符串。

4） Nested
嵌套类型，也就是嵌套表结构。举个🌰

# 创建表
CREATE TABLE nested_test(
	name String,
	parent Nested(
		name String
	)
) ENGINE = Memory;

# 插入数据的时候
INSERT INTO nested_test VALUES('zhangsan',['lisi','wangwu']);

3. 特殊类型

1） Nullable
Nullable需要和基础类型搭配使用。不能用于修饰特殊类型和复杂类型。举个🌰

CREATE TABLE nullable_test(
	name Nullable(String)
) ENGINE = Memory;

注意：使用Nullable要特别注意，正常情况下，一个列会被存储在对应的[Column].bin文件下，如果一个列被Nullable修饰，则会多生成一个[Column].null.bin文件用于保存它的Null值。在读取和写入操作时，相当于产生了额外的IO开销。

2） Domain
域名类型分为IPv4和IPv6两种。IPv4类型是基于UInt32封装的，IPv6则是根据FixedString(16)封装的。举个🌰

# 创建表
CREATE TABLE domain_test(
	ip_v4 IPv4,
	ip_v6 IPv6
) ENGINE = Memory;

# 插入数据
INSERT INTO domain_test VALUES('127.0.0.1','2a02:e980:1e::1');

3.3 LowCarditality
低基数类型，可以用于修饰出了Decimal外的基础类型。举个🌰

# 创建表
CREATE TABLE lowCarditality_test(
	name LowCarditality(String)
) ENGINE = Memory;

# 插入数据
INSERT INTO lowCarditality_test VALUES('zhangsan');

注意：LowCarditality适用于字段值的多样性不大的列。字典包含少于10000个不同的值，那么ClickHouse可以进行更高效的数据存储和处理。反之如果字典多于10000，效率会表现的更差。

3.4 AggregateFunction
聚合函数的中间状态，可以通过聚合函数名称加-State后缀的形式得到它。与此同时，若访问该类型的最终状态数据时，需要以相同的聚合函数名加-Merge后缀的形式来得到最终状态数据。举个🌰

# 创建表
CREATE TABLE aggregateFunction_test(
	id String,
	col1 AggregateFunction(uniq, String),
	col2 AggregateFunction(sum, UInt32)
) ENGINE = Memory;

# 插入数据
INSERT INTO aggregateFunction_test select '111',uniqState('xxx'), sumState(toUInt32(100));
INSERT INTO aggregateFunction_test select '111',uniqState('xxx'), sumState(toUInt32(100));

# 查询数据
select id,uniqMerge(col1),sumMerge(col2) from aggregateFunction_test group by id；

查询结果：

3.5 SimpleAggregateFunction
聚合函数的中间状态，但是SimpleAggregateFunction(name, types_of_arguments…) 数据类型存储聚合函数的当前值，而不将其完整状态存储为 AggregateFunction 有 此优化可应用于具有以下属性的函数：应用函数的结果 f 到行集 S1 UNION ALL S2 可以通过应用来获得 f 行的部分单独设置，然后再次应用 f 到结果: f(S1 UNION ALL S2) = f(f(S1) UNION ALL f(S2)). 此属性保证部分聚合结果足以计算组合结果，因此我们不必存储和处理任何额外的数据。相比较AggregateFunction而言，它拥有更好的性能。

# 创建表
CREATE TABLE simpleAggregateFunction_test(
	id String,
	col1 SimpleAggregateFunction(sum, UInt64),
    col2 SimpleAggregateFunction(any, String)
) ENGINE = Memory;

# 插入数据
INSERT INTO simpleAggregateFunction_test select '111',toUInt64(100), 'xxx1';
INSERT INTO simpleAggregateFunction_test select '111',toUInt64(200), 'xxx2';

# 查询数据
select id,uniqMerge(col1),sumMerge(col2) from aggregateFunction_test group by id；

查询结果：

---