Clickhouse数据库五：表引擎
目录
5.1 表引擎的作用
表引擎是clickhouse的一大特色。可以说， 表引擎决定了如何存储数据。
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。
5.2 如何使用表引擎
表引擎的使用方式就是必须显示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。
如：
create table t_tinylog ( id String, name String) engine=TinyLog;
注意: 引擎的名称大小写敏感
5.3常用引擎
5.3.1 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。
5.3.2 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。
create table t_memory(id Int16, name String) engine=Memory;
insert into t_memory values(1, 'lisi');
重启服务器查询数据已经没有了.
5.3.3 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。
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。
- 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)
MergeTree其实还有很多参数(绝大多数用默认值即可)，但是上面的partition by、 primary key、order by 3个参数是更加重要的，也涉及了关于MergeTree的很多概念。
- 插入多条数据
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')
5.3.3.1 Partition by 分区
-
作用：
学过hive的应该都不陌生，分区的目的主要是减少扫描的范围，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]
5.3.3.2 primary key主键
-
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,避免了全包扫描。 -
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
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。
由于稀疏索引比较少, 所以理论上可以完全加载到内存中, 从提高查询速度
5.3.3.3 order by
-
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（比如后面会说的去重和汇总）。
-
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)
5.3.3.4 数据TTL
TTL即Time To Live，MergeTree提供了可以管理数据或者列的生命周期的功能
- 列级别的TTL
针对某列数据过期
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)
insert into t_order_mt3
values(106,'sku_001',1000.00,'2021-01-16 10:58:30') ,
(107,'sku_002',2000.00,'2020-06-12 22:52:30'),
(110,'sku_003',600.00,'2021-01-17 12:00:00')
- 表级别的TTL
针对整张表数据过期
alter table t_order_mt3 MODIFY TTL create_time + INTERVAL 20 SECOND;
- 判断时间
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
5.3.4 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。
-
什么样的数据是重复
sort by字段相同认为重复 -
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。即使使用optimize 也不能保证一定会去重 -
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。
- 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')
- 执行合并
optimize table t_order_rmt final;
该引擎使用场景:
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。
5.3.5 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.
- 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')
- optimize: 会自动进行预聚合
结论:
- 以SummingMergeTree(字段)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(group by …)
- 其他的列保留第一行。
- 不在一个分区的数据不会被预聚合。
- 聚合发生的时机不确定
- 查询的时候仍然需要sql聚合语句
扫一扫
2126
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
