ClickHouse
一、ClickHouse 的安装
1、准备工作
-
防火墙处于关闭状态
systemctl stop firewalld
-
CentOs取消打开文件数限制
#在 /etc/security/limits.conf 文件的末尾加入以下内容 [atguigu@hadoop102 ~]$ sudo vim /etc/security/limits.conf * soft nofile 65536 * hard nofile 65536 * soft nproc 131072 * hard nproc 131072 #在/etc/security/limits.d/20-nproc.conf 文件的末尾加入以下内容 [atguigu@hadoop102 ~]$ sudo vim /etc/security/limits.d/20-nproc.conf * soft nofile 65536 * hard nofile 65536 * soft nproc 131072 * hard nproc 131072
-
安装依赖
[atguigu@hadoop102 ~]$ sudo yum install -y libtool [atguigu@hadoop102 ~]$ sudo yum install -y *unixODBC*
-
Centos取消SELINUX
#修改/etc/selinux/config 中的 SELINUX=disabled [atguigu@hadoop102 ~]$ sudo vim /etc/selinux/config SELINUX=disabled
-
重启
reboot
2、单机安装
官网:https://clickhouse.tech/
下载地址:http://repo.red-soft.biz/repos/clickhouse/stable/el7/
#安装(注意顺序,如果在线安装慢的话可以科学上网下载下来本地安装)
yum install -y http://repo.red-soft.biz/repos/clickhouse/stable/el7/clickhouse-compressor-1.1.54236-4.el7.x86_64.rpm
yum install -y http://repo.red-soft.biz/repos/clickhouse/stable/el7/clickhouse-debuginfo-1.1.54236-4.el7.x86_64.rpm
yum install -y http://repo.red-soft.biz/repos/clickhouse/stable/el7/clickhouse-server-common-1.1.54236-4.el7.x86_64.rpm
yum install -y http://repo.red-soft.biz/repos/clickhouse/stable/el7/clickhouse-server-1.1.54236-4.el7.x86_64.rpm
yum install -y http://repo.red-soft.biz/repos/clickhouse/stable/el7/clickhouse-client-1.1.54236-4.el7.x86_64.rpm
#查看已经安装完成的包
rpm -qa |grep clickhouse
-
修改配置文件(把 <listen_host>::</listen_host> 的注释打开,这样的话才能让 ClickHouse 被除本机以外的服务器访问)
[atguigu@hadoop102 clickhouse]$ sudo vim /etc/clickhouse-server/config.xml
-
重要的目录文件
数据文件路径:<path>/var/lib/clickhouse/</path> 日志文件路径:<log>/var/log/clickhouse-server/clickhouse-server.log</log>
-
启动Server
[atguigu@hadoop102 clickhouse]$ sudo systemctl start clickhouse-server
-
关闭开机自启
[atguigu@hadoop102 clickhouse]$sudo systemctl disable clickhouse-server
-
使用client连接server
[atguigu@hadoop102 clickhouse]$ clickhouse-client -m
-
如果虚拟机不支持ipv6的话Server是起不来的通过查看日志报错(/etc/clickhouse-server/config.xml是用的ipv6的语法)
# vim /etc/clickhouse-server/config.xml 将<listen_host>::</listen_host>改为<listen_host>0:0:0:0</listen_host> 将<listen_host>::1</listen_host>注释或改为ipv4的语法
二、数据类型
1、整型
固定长度的整型,包括有符号整型或无符号整型
-
整型范围:-2的(n-1)次方~2的(n-1)次方-1
- Int8 - [-128 : 127]
- Int16 - [-32768 : 32767]
- Int32 - [-2147483648 : 2147483647]
- Int64 - [-9223372036854775808 : 9223372036854775807]
-
无符号整型范围:0~2的(n-1)次方
- UInt8 - [0 : 255]
- UInt16 - [0 : 65535]
- UInt32 - [0 : 4294967295]
- UInt64 - [0 : 18446744073709551615]
使用场景: 个数、数量、也可以存储型id
2、浮点型
-
Float32 - float
-
Float64 – double
建议尽可能以整数形式存储数据。例如,将固定精度的数字转换为整数值,如时间用毫秒为单位表示,因为浮点型进行计算时可能引起四舍五入的误差。
使用场景:一般数据值比较小,不涉及大量的统计计算,精度要求不高的时候。比如保存商品的重量
3、布尔型
没有单独的类型来存储布尔值。可以使用 UInt8 类型,取值限制为 0 或 1。
4、Decimal型
有符号的浮点数,可在加、减和乘法运算过程中保持精度。对于除法,最低有效数字会被丢弃(不舍入)。
有三种声明:
- Decimal32(s),相当于 Decimal(9-s,s),有效位数为 1~9
- Decimal64(s),相当于 Decimal(18-s,s),有效位数为 1~18
- Decimal128(s),相当于 Decimal(38-s,s),有效位数为 1~38
s 标识小数位
使用场景: 一般金额字段、汇率、利率等字段为了保证小数点精度,都使用 Decimal进行存储。
5、字符串
-
String
字符串可以任意长度的。它可以包含任意的字节集,包含空字节
-
FixedString(N)
- 固定长度 N 的字符串,N 必须是严格的正自然数。当服务端读取长度小于 N 的字符串时候,通过在字符串末尾添加空字节来达到 N 字节长度。 当服务端读取长度大于 N 的字符串时候,将返回错误消息。
- 与 String 相比,极少会使用 FixedString,因为使用起来不是很方便。
使用场景:名称、文字描述、字符型编码。 固定长度的可以保存一些定长的内容,比如一些编码,性别等但是考虑到一定的变化风险,带来收益不够明显,所以定长字符串使用意义有限。
6、枚举类型
包括 Enum8 和 Enum16 类型。Enum 保存 ‘string’= integer 的对应关系。
- Enum8 用 ‘String’= Int8 对描述。
- Enum16 用 ‘String’= Int16 对描述。
1)用法演示
创建一个带有一个枚举 Enum8(‘hello’ = 1, ‘world’ = 2) 类型的列
CREATE TABLE t_enum
(
x Enum8('hello' = 1, 'world' = 2)
)
ENGINE = TinyLog;
2)这个 x 列只能存储类型定义中列出的值:'hello’或’world’
hadoop102 :) INSERT INTO t_enum VALUES ('hello'), ('world'), ('hello');
3)如果尝试保存任何其他值,ClickHouse抛出异常
hadoop102 :) insert into t_enum values('a')
4)如果需要看到对应行的数值,则必须将 Enum 值转换为整数类型
hadoop102 :) SELECT CAST(x, 'Int8') FROM t_enum;
使用场景:对一些状态、类型的字段算是一种空间优化,也算是一种数据约束。但是实际使用中往往因为一些数据内容的变化增加一定的维护成本,甚至是数据丢失问题。所以谨慎使用。
7、时间类型
目前 ClickHouse 有三种时间类型:
- Date 接受年-月-日的字符串比如 ‘2019-12-16’
- Datetime 接受年-月-日 时:分:秒的字符串比如 ‘2019-12-16 20:50:10’
- Datetime64 接受年-月-日 时:分:秒.亚秒的字符串比如‘2019-12-16 20:50:10.66’
日期类型,用两个字节存储,表示从 1970-01-01 (无符号) 到当前的日期值。
还有很多数据结构,可以参考官方文档:https://clickhouse.yandex/docs/zh/data_types/
8、数组
**Array(T):**由 T 类型元素组成的数组。
T 可以是任意类型,包含数组类型。 但不推荐使用多维数组,ClickHouse 对多维数组的支持有限。例如,不能在 MergeTree 表中存储多维数组。
(1)创建数组方式 1,使用 array 函数
array(T)
hadoop102 :) SELECT array(1, 2) AS x, toTypeName(x) ;
(2)创建数组方式 2:使用方括号
[]
hadoop102 :) SELECT [1, 2] AS x, toTypeName(x);
三、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
【注】:引擎的名称大小写敏感
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
create table t_tinylog ( id String, name String) engine=TinyLog;
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
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,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。
-
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');
-
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:分区的主要目的是降低扫描的范围,优化查询速度
-
如果不填:默认只会使用一个分区
-
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(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;
-
-
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
手动 optimize 之后
hadoop102 :) optimize table t_order_mt final;
再次查询
-
-
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。
- 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。
-
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。
-
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');
-
对比效果
那么在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。
[atguigu@hadoop102 lib]$ clickhouse-client --send_logs_level=trace <<< 'select * from t_order_mt2 where total_amount > toDecimal32(900., 2)';
-
-
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。
-
列级别 TTL
-
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);
-
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');
-
手动合并,查看效果 到期后,指定的字段数据归 0
-
-
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
-
-
-
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。
-
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);
【注】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
hadoop102 :) select * from t_order_rmt;
-
手动合并
OPTIMIZE TABLE t_order_rmt FINAL;
-
再执行一次查询
hadoop102 :) select * from t_order_rmt;
-
-
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笔
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
-
案例演示
-
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');
-
第一次查询
hadoop102 :) select * from t_order_smt;
-
手动合并
OPTIMIZE TABLE t_order_smt FINAL;
-
再执行一次查询
hadoop102 :) select * from t_order_smt;
-
-
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
-
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’
-
四、SQL操作
基本上来说传统关系型数据库(以 MySQL 为例)的 SQL 语句,ClickHouse 基本都支持
1、Insert
基本与标准 SQL(MySQL)基本一致
-
标准
insert into [table_name] values(…),(….)
-
从表到表的插入
insert into [table_name] select a,b,c from [table_name_2]
2、Update和Delete
ClickHouse 提供了 Delete 和 Update 的能力,这类操作被称为 Mutation 查询,它可以看做 Alter 的一种。
虽然可以实现修改和删除,但是和一般的 OLTP 数据库不一样,Mutation 语句是一种很“重”的操作,而且不支持事务。
“重”的原因主要是每次修改或者删除都会导致放弃目标数据的原有分区,重建新分区。所以尽量做批量的变更,不要进行频繁小数据的操作。
-
删除操作
alter table t_order_smt delete where sku_id ='sku_001';
-
修改操作
alter table t_order_smt update total_amount=toDecimal32(2000.00,2) where id =102;
由于操作比较“重”,所以 Mutation 语句分两步执行,同步执行的部分其实只是进行新增数据新增分区和并把旧分区打上逻辑上的失效标记。直到触发分区合并的时候,才会删除旧数据释放磁盘空间,一般不会开放这样的功能给用户,由管理员完成。
3、查询操作
ClickHouse 基本上与标准 SQL 差别不大
-
支持子查询
-
支持 CTE(Common Table Expression 公用表表达式 with 子句)
-
支持各种 JOIN,但是 JOIN 操作无法使用缓存,所以即使是两次相同的 JOIN 语句,ClickHouse 也会视为两条新 SQL
-
窗口函数(官方正在测试中…)
-
不支持自定义函数
-
GROUP BY 操作增加了 with rollup、with cube、with total 用来计算小计和总计。
-
插入数据
hadoop102 :) alter table t_order_mt delete where 1=1; insert into t_order_mt values (101,'sku_001',1000.00,'2020-06-01 12:00:00'), (101,'sku_002',2000.00,'2020-06-01 12:00:00'), (103,'sku_004',2500.00,'2020-06-01 12:00:00'), (104,'sku_002',2000.00,'2020-06-01 12:00:00'), (105,'sku_003',600.00,'2020-06-02 12:00:00'), (106,'sku_001',1000.00,'2020-06-04 12:00:00'), (107,'sku_002',2000.00,'2020-06-04 12:00:00'), (108,'sku_004',2500.00,'2020-06-04 12:00:00'), (109,'sku_002',2000.00,'2020-06-04 12:00:00'), (110,'sku_003',600.00,'2020-06-01 12:00:00');
-
with rollup:从右至左去掉维度进行小计
hadoop102 :) select id , sku_id,sum(total_amount) from t_order_mt group by id,sku_id with rollup;
-
with cube : 从右至左去掉维度进行小计,再从左至右去掉维度进行小计
hadoop102 :) select id , sku_id,sum(total_amount) from t_order_mt group by id,sku_id with cube;
-
with totals: 只计算合计
hadoop102 :) select id , sku_id,sum(total_amount) from t_order_mt group by id,sku_id with totals;
4、alter操作
同 MySQL 的修改字段基本一致
-
新增字段
alter table "tableName" add column "newcolname" String after col1;
-
修改字段类型
alter table tableName modify column newcolname String;
-
删除字段
alter table tableName drop column newcolname;
5、导出数据
更多支持格式参照:https://clickhouse.tech/docs/en/interfaces/formats/
clickhouse-client --query "select * from t_order_mt where
create_time='2020-06-01 12:00:00'" --format CSVWithNames>
/opt/module/data/rs1.csv
五、java实现
1、JDBC驱动
clickhouse 有两种 JDBC 驱动实现
官方驱动:
<dependency>
<groupId>ru.yandex.clickhouse</groupId>
<artifactId>clickhouse-jdbc</artifactId>
<version>0.1.52</version>
</dependency>
三方提供的驱动:
<dependency>
<groupId>com.github.housepower</groupId>
<artifactId>clickhouse-native-jdbc</artifactId>
<version>1.6-stable</version>
</dependency>
区别:
- 驱动类加载路径不同,分别为 ru.yandex.clickhouse.ClickHouseDriver 和 com.github.housepower.jdbc.ClickHouseDriver
- 默认连接端口不同,分别为 8123 和 9000
- 连接协议不同,官方驱动使用 HTTP 协议,而三方驱动使用 TCP 协议
2、代码示例
public class ClickHouseTest {
public static Connection connection;
public static void main(String[] args) {
/* //1、建表
createTable("172.16.1.189","8123");
//2、批量插入数据
batchInsert("172.16.1.189","8123");*/
//3、查询
getResult("172.16.1.189","8123");
}
//1、建表
public static void createTable(String host,String port){
//初始化连接
initConnection(host,port);
try {
connection.createStatement().executeQuery("create table test.jdbc_example(day Date, name String, age UInt8) Engine=Log");
} catch (SQLException throwables) {
throwables.printStackTrace();
}
}
//2、批量插入
public static void batchInsert(String host,String port){
initConnection(host,port);
try {
PreparedStatement preparedStatement = connection.prepareStatement("insert into test.jdbc_example values(?, ?, ?)");
for (int i = 0; i < 10; i++) {
preparedStatement.setDate(1,new Date(System.currentTimeMillis()));
preparedStatement.setString(2,"panda_"+(i+1));
preparedStatement.setInt(3,i+18);
preparedStatement.addBatch();
}
preparedStatement.executeBatch();
} catch (SQLException throwables) {
throwables.printStackTrace();
}
}
//3、查询
public static void getResult(String host,String port){
initConnection(host,port);
try {
ResultSet resultSet = connection.createStatement().executeQuery("select * from test.jdbc_example");
while (resultSet.next()){
System.out.println(resultSet.getDate(1)+" "+resultSet.getString(2)+" "+resultSet.getInt(3));
}
} catch (SQLException throwables) {
throwables.printStackTrace();
}
}
public static void initConnection(String host, String port) {
try {
Class.forName("ru.yandex.clickhouse.ClickHouseDriver");
String url = String.format("jdbc:clickhouse://%s:%s", host, port);
connection = DriverManager.getConnection(url);
} catch (SQLException throwables) {
throwables.printStackTrace();
} catch (ClassNotFoundException e) {
e.printStackTrace();
}
}
}