ClickHouse 入门（一）【基本特点、数据类型与表引擎】

前言

今天开始学习 ClickHouse ，一种 OLAP 数据库，实时数仓中用到的比较多；

1、ClickHouse 入门

ClickHouse 是俄罗斯的 Yandex（搜索引擎公司）在 2016 年开源的列式存储数据库（HBase 也是列式存储，所以它俩经常放在一起比较），使用 C++ 语言编写，主要用于在线分析处理查询（OLAP，更适合一次写入多次读写），能够使用 SQL 查询实时生成分析数据报告。

昨天已经安装好了，启停命令：

sudo clickhouse start
sudo clickhouse status
sudo clickhouse stop
# 客户端连接(不需要sudo)
clickhouse-client -m

1.1、ClickHouse 的特点

首先，CK官网的这段话是非常值得理解品味的：

在一个真正的列式数据库管理系统中，除了数据本身外不应该存在其他额外的数据。这意味着为了避免在值旁边存储它们的长度«number»（HBase 没有字段类型，都是字节数组的格式），你必须支持固定长度数值类型。例如，10亿个UInt8类型的数据在未压缩的情况下大约消耗1GB左右的空间，如果不是这样的话，这将对CPU的使用产生强烈影响。即使是在未压缩的情况下，紧凑的存储数据也是非常重要的，因为解压缩的速度主要取决于未压缩数据的大小。

这是非常值得注意的，因为在一些其他系统中也可以将不同的列分别进行存储，但由于对其他场景进行的优化，使其无法有效的处理分析查询。例如： HBase，BigTable，Cassandra，HyperTable。在这些系统中，你可以得到每秒数十万的吞吐能力，但是无法得到每秒几亿行的吞吐能力。

1.1.1、列式存储

列式存储的特点我们很清楚（在数仓的 DW 层我们经常使用 ORC 格式存储）：

列式数据库更适合 OLAP 数据库的原因：

行式：

列式：

所以我们可以发现：

针对分析类查询，通常只需要读取表的一小部分列。在列式数据库中你可以只读取你需要的数据。例如，如果只需要读取100列中的5列，这将帮助你最少减少20倍的I/O消耗。
由于数据总是打包成批量读取的，所以压缩是非常容易的。同时数据按列分别存储这也更容易压缩。这进一步降低了I/O的体积。
由于I/O的降低，这将帮助更多的数据被系统缓存。

1.1.2、DBMS 功能

覆盖了标准 SQL 的大部分语法以及各种函数，用户管理、权限管理、数据的备份与恢复；

1.1.3、多样化的引擎

和 MySQL 类似，ClickHouse 把表级的存储引擎插件化，根据表的不同需求可以设定不同的存储引擎。目前包括合并树（Merge Tree，常用）、日志、接口和其他四大类 20 多种引擎。

1.1.4、高吞吐

ClickHouse 采用类 LSM Tree 的结构，数据写入后定期在后台 Compaction。通过类 LSM tree 的结构，ClickHouse 在数据导入时全部是顺序 append 写（Kafka 高效的原因之一就是顺序写），写入后数据段不可更改（通过版本标记覆盖旧数据），在后台 compaction 时也是多个段 merge sort 后顺序写回磁盘。顺序写的特性，充分利用了磁盘的吞吐能力，即便在 HDD（普通磁盘）上也有着优异的写入性能。

官方公开 benchmark 测试显示能够达到 50MB-200MB/s 的写入吞吐能力，按照每行 100Byte 估算，大约相当于 50W-200W 条/s 的写入速度。

1.1.5、数据分区与线程级并行

ClickHouse 将数据划分为多个 partition，每个 partition 再进一步划分为多个 index granularity(索引粒度)，然后通过多个 CPU核心分别处理其中的一部分来实现并行数据处理。在这种设计下，单条 Query 就能利用整机所有 CPU（吃CPU，是瓶颈）。极致的并行处理能力，极大的降低了查询延时。

所以，ClickHouse 即使对于大量数据的查询也能够化整为零平行处理。但是有一个弊端就是对于单条查询使用多 cpu，就不利于同时并发多条查询。所以对于高 qps （query per seconds）的查询业务， ClickHouse 并不是强项。

所以 CK 不适合做初始值的存储，它更适合对处理过的、字段特别多、数据量特别大的宽表；

1.1.6、查询性能

相比较其它 OLAP 数据库，CK 的单表查询几乎是最快的；而关联查询性能要差一点（因为 CK 的 join 底层就是右表加载到内存，也不管大小表，有点像旧版的 Hive（不过 Hive 是左边是小表进内存，右表是大表）；所以一般我们要尽量避免 join，非要做 join 的话需要专门优化），所以我们说 CK 更适合对宽表进行处理，毕竟宽表都是 join 完的；

2、数据类型

2.1、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（-2n-1~2n-1-1）：

Int8 - [-128 : 127]（byte）
Int16 - [-32768 : 32767]（short）
Int32 - [-2147483648 : 2147483647]（int）
Int64 - [-9223372036854775808 : 9223372036854775807]（long）

无符号整型范围（0~2n-1）：

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。

2.2、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（所以企业不会用 double 去存和钱相关的数据）。

2.3、布尔型

ck 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。

2.4、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 表示小数位

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。

2.5、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符来达到 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。

2.6、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

测试-创建表（只有 season 一个枚举类型字段的表）：

插入并查询：

查询结果对应的枚举值（Int8）：

使用场景：对一些状态、类型的字段算是一种空间优化（毕竟只存了数字，不用存那么长的字符串），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。

2.7、时间类型

之前我们学的 Hive 直接用 string 表示日期（尽管 Hive 有 Date 类型），但是在 ck 中不建议这么做，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。

2.8、数组类型

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。

2.9、其它类型

ck 还支持特别多的类型：ClickHouse中文帮助文档

3、表引擎

表引擎（即表的类型）决定了：

数据的存储方式和位置，写到哪里以及从哪里读取数据（比如 /var/lib/clickhouse/metadata，/var/lib/clickhouse/data）
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。

此外，需要注意表引擎在建表时都是大小写敏感的；

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。适合小数据量（最多100w行），不适合生产情况；

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。

3.3、Merge Tree

适用于高负载任务的最通用和功能最强大的表引擎，支持索引和分区，地位相当于 MySQL 中的 InnoDB；

注意：在 Merge Tree 表引擎中的主键会建索引，但是并没有唯一约束（也就是说，主键可以重复）

创建测试表（Merge 引擎）：

插入测试数据：

3.3.1、分区

作用：表数据分区我们在 Hive 中就很熟悉了，主要是为了降低扫描的范围，优化查询速度；（在 Kafka 这种消息队列中分区主要是为了提高数据处理的并行度，让下游消费者可以快速处理）

Hive 和 CK 的分区实现都是是用目录来实现的，区别在于 Hive 是存在 hdfs，而 ck 是存在本地磁盘；

分区目录：Merge Tree 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。

这里，我更改了默认的数据存储路径（/var/lib/clickhouse）：

这里的 metadata 目录下存放的是各个数据库下面的建表 sql：

data 目录下存储的是表数据：

目录命名规则 分区id_最小分区块编号_最大分区块编号_合并层级：

分区id
- 分区 id 由分区键决定，我们这里是 toYYYYMMDD(create_time)，是日期类型；根据分区键的类型，可以分为：
  - 未定义分区键：默认生成一个目录名为 all 的数据分区
  - 整型：使用整型值作为分区id
  - 日期：可以用日期字符串，ck会自动转为日期类；我们也可以自己转为日期类；Hive 中我们日期也一般都用字符串；但 ck 中，我们尽量自己手动转为日期类比较好一点；
  - 其它类型：String、Float等类型，通过128位的hash算法取hash值作为分区 id
最小分区块编号
- 自增类型，从 1 开始递增。每产生一个新目录分区就递增；
最大分区块编号
- 新建分区的最小分区块编号 = 最大分区块编号（分区合并的时候才会发生变化）；
合并层级
- 被合并次数越多，层级值越大；

我们再看看具体的分区目录下面有什么？

checksums.txt：校验文件
columns.txt：存储了列的信息（字段名和字段类型）
data.bin：每一列的数据（旧版本的 ck 为每个列创建一个 .bin 文件和 .mrk3 文件）
data.mrk3：每一列的偏移量（旧版本的 ck 为每个列创建一个 .bin 文件和 .mrk3 文件）
default_compression_codec.txt：压缩信息
minmax_ceate_time.idx：分区键的最大值和最小值（查询时可以用来加速查询）
count.txt：当前表的总列数

这里的 count.txt 存储了当前表中的行数，所以 ck 可以 O（1）时间返回当前表的总行数；

这让我联想到了上一篇 SQL 优化博客中，我们知道，MySIM 的 select count（*）的性能特别高就是因为它把行数也持久化到磁盘文件中了；而 InnoDB 并没有，所以它只能全表扫描；

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 xxx final;

上面，我们已经插入过一次数据了，也看到数据目录下产生了分区目录；我们再次插入相同的数据，看看会发生什么情况：

insert into order_info 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');

执行成功后查看结果：

可以看到，按道理我们在创建表的时候已经指定了分区的逻辑，但是上面的查询结果中一个分区的数据并没有被放在一起展示（只有客户端CLI窗口可以看出来）；

我们通过查看数据目录也可以发现，一个分区的数据并没有被放到一个目录下面。下面我们执行手动合并:

重新查看数据目录：

现在我们可以理解这个分区目录真正的含义了（拿分区1：20200601 举例）：

最小分区块编号：min(1,3) = 1
最大分区块编号：max(1,3) = 3
合并层级：合并次数 = 1

所以合并后的分区目录就是 20200601_1_3_1，而合并前的两个目录会在一定时间后自动被清理；

上面我们合并将两个分区都合并了，那我们能不能只合并一个分区呢？比如只对上面的 20200602 分区进行合并：

optimize table order_info partition '20200602' final;

3.3.2、primary key（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 默认间隔是 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：

对于上面的表，第一列是主键。按照之前 MySQL 的惯例，会给每个主键添加一个聚集索引。但稀疏索引并不会这样，它会隔几行建立一个索引；

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

3.3.3、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（毕竟借助稀疏索引查询数据做二分搜索前提就是有序），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)

3.3.4、二级索引

二级索引也叫跳数索引，主要解决大量数据重复的问题，此时一级索引的粒度可能小于重复值，所以在查询数据时可能有大量匹配的索引区间，而二级索引的粒度更粗，它是在一级索引的基础上再进行一次索引：

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。

创建测试表：

create table order_info_2(id UInt32,sku_id String,total_amount Decimal(16,2),create_time DateTime,INDEX a total_amount TYPE minmax GRANULARITY 5) engine = MergeTreepartition 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 order_info_2 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');

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)';

在分区目录下，我们可以看到跳数索引（二级索引）：

3.3.5、TTL

也就是数据的存活时间（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。

1）列级别 TTL

创建测试表：

注意：TTL 中参与计算的字段不能是主键！ （比如下面我们使用的 create_time 就不是主键）

create table order_info_3( 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);

写入数据：

insert into t_order_mt3 values 
(106,'sku_001',1000.00,'2024-07-16 10:52:55'), 
(107,'sku_002',2000.00,'2020-07-16 10:52:59'), 
(110,'sku_003',600.00,'2020-07-16 10:53:30');

注意：数据的TTL淘汰是在主键合并阶段执行的，如果数据迟迟没有进行主键合并，那过期的数据就无法淘汰。

查询结果：

当我们在创建表之后发现忘记指定 TTL 时，也可以通过修改语句来添加 TTL 值：

ALTER TABLE order_info_3 MODIFY COLUMN total_amount Decimal32(16,2) TTL + INTERVAL 1 DAY;

2）表级 TTL

可以通过下面的雨具给表设置生命周期：

alter table order_info_3 MODIFY TTL create_time + INTERVAL 10 SECOND;

显然，每行数据的 create_time 字段都不一样，所以删表的时间取决于 create_time 最大的行记录。

同样，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

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（也就是说主键可以重复，但它是根据 order by 的字段进行去重）。如果你想处理掉重复的数据，可以借助这个 ReplacingMergeTree。

注意：这因为这个引擎可以最终做到去重（合并分区后），所以可以保证最终一致性，当上游数据处理节点故障重启把部分数据重复插入到 ck 之后，ck 在一定时间会进行 optimize 合并分区并去重；而 SummingMergeTree 并不能保证数据的一致性，因为它可以接受重复数据，并对聚合字段（建表时指定的，否则所有非维度列的数值类型字段）的进行聚合；

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。

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。

创建测试表：

-- 测试ReplacingMergeTree引擎
create table order_info_4(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);

注意：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。如果不填版本字段或者版本相同，默认按照插入顺序保留最后一条。

插入数据：

insert into order_info_4 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');

查询结果：

可以看到插入 6 条数据，保留了 4 条数据，也就是删除了两条数据：

如果 order by 字段相同则数据重复（注意：排序字段相同就算重复），比较 create_time，create_time 大的留下来，如果 create_time 相同，则保留后面插入的数据；

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；

分区内聚合
分区合并时才触发聚合

创建测试表：

create table order_info_5(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 order_info_5 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');

查询结果：