Hedon

# 4. ClickHouse 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。

WARNING

特别注意：引擎的名称大小写敏感。

# 4.1 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;

# 4.2 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。

# 4.3 MergeTree

ClickHouse 中最强大的表引擎当属 MergeTree 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。

# 4.3.1 基本使用

  • 建表

    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');

  • 查询数据

    SELECT * FROM t_order_mt;

    输出：

    SELECT *
FROM t_order_mt

Query id: 2a5e5ca0-9597-4f57-acb9-1b9dbb0ffaa8

┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │      1000.00 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │      2000.00 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │      2000.00 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │     12000.00 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │      2500.00 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │       600.00 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘

6 rows in set. Elapsed: 0.331 sec.

# 4.3.2 分区 partition by（可选项）

  • 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。

  • 默认

    如果不填分区，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 xxx final;

  • 示例

    在上述例子的基础上，再插入数据：

    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');

    查看数据，会发现它们并没有被纳入任何分区：

    SELECT *
FROM t_order_mt

Query id: dbec28cb-0ca0-4fd8-adc1-99ea4d8fe1ff

┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │      1000.00 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │      2000.00 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │      2000.00 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │     12000.00 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │      2500.00 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │      1000.00 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │      2000.00 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │      2000.00 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │     12000.00 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │      2500.00 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │       600.00 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │       600.00 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘

12 rows in set. Elapsed: 0.008 sec.

    手动合并：

    OPTIMIZE TABLE t_order_mt FINAL;

    再次查询：

    SELECT *
FROM t_order_mt

Query id: 2386e7a2-f2c4-41b2-b96d-06dfb3d202cd

┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │      1000.00 │ 2020-06-01 12:00:00 │
│ 101 │ sku_001 │      1000.00 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │      2000.00 │ 2020-06-01 11:00:00 │
│ 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 │      2000.00 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │      2000.00 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │     12000.00 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │      2500.00 │ 2020-06-01 12:00:00 │
│ 102 │ sku_004 │      2500.00 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │       600.00 │ 2020-06-02 12:00:00 │
│ 102 │ sku_002 │       600.00 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘

12 rows in set. Elapsed: 0.004 sec.

补充：分区的存储

[root@localhost t_order_mt]# pwd
/var/lib/clickhouse/data/default/t_order_mt
[root@localhost t_order_mt]# ll
total 4
drwxr-x--- 2 clickhouse clickhouse 203 Mar  1 06:52 20200601_1_3_1
drwxr-x--- 2 clickhouse clickhouse 203 Mar  1 06:52 20200602_2_4_1
drwxr-x--- 2 clickhouse clickhouse   6 Mar  1 06:39 detached
-rw-r----- 1 clickhouse clickhouse   1 Mar  1 06:39 format_version.txt
[root@localhost t_order_mt]# cd 20200601_1_3_1/
[root@localhost 20200601_1_3_1]# ll
total 36
-rw-r----- 1 clickhouse clickhouse 260 Mar  1 06:52 checksums.txt
-rw-r----- 1 clickhouse clickhouse 118 Mar  1 06:52 columns.txt
-rw-r----- 1 clickhouse clickhouse   2 Mar  1 06:52 count.txt
-rw-r----- 1 clickhouse clickhouse 217 Mar  1 06:52 data.bin
-rw-r----- 1 clickhouse clickhouse 144 Mar  1 06:52 data.mrk3
-rw-r----- 1 clickhouse clickhouse  10 Mar  1 06:52 default_compression_codec.txt
-rw-r----- 1 clickhouse clickhouse   8 Mar  1 06:52 minmax_create_time.idx
-rw-r----- 1 clickhouse clickhouse   4 Mar  1 06:52 partition.dat
-rw-r----- 1 clickhouse clickhouse   8 Mar  1 06:52 primary.idx

分区的文件夹名称：PartitionId_MinBlockNum_MaxBlockNum_Level（分区值_最小分区块编号_最大分区块编号_合并层级）

  • PartitionId

    数据分区 ID，数据分区规则由分区 ID 决定，分区 ID 由 PARTITION BY 分区键决定。根据分区键字段类型，ID生成规则可分为：

    • 未定义分区键

      没有定义 PARTITION BY，默认生成一个目录名为 all 的数据分区，所有数据均存放在 all 目录下。

    • 整型分区键

      分区键为整型，那么直接用该整型值的字符串形式做为分区 ID。

    • 日期类分区键

      分区键为日期类型，或者可以转化成日期类型。

    • 其他类型分区键

      String、Float 类型等，通过 128 位的 Hash 算法取其 Hash 值作为分区 ID。

  • MinBlockNum

    最小分区块编号，自增类型，从 1 开始向上递增。每产生一个新的目录分区就向上递增一个数字。

  • MaxBlockNum

    最大分区块编号，新创建的分区 MinBlockNum 等于 MaxBlockNum 的编号。

  • Level

    合并的层级，被合并的次数。合并次数越多，层级值越大。

分区目录下的各个文件：

  • bin 文件：数据文件

  • mrk 文件：标记文件

    标记文件在 idx 索引文件和 bin 数据文件之间起到了桥梁作用。

    以 mrk2 结尾的文件，表示该表启用了自适应索引间隔。

  • primary.idx 文件：主键索引文件，用于加快查询效率。

  • minmax_create_time.idx：分区键的最大最小值。

  • checksums.txt：校验文件，用于校验各个文件的正确性。存放各个文件的 size 以及 hash 值。

# 4.3.3 主键 primary key（可选项）

ClickHouse 中的主键，只提供数据的一级索引，没有提供唯一约束。这意味着是可以存在相同的 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。

ClickHouse 中的索引粒度采用的是：稀疏索引：

image-20220302161405388

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，然后再进行进行扫描。

# 4.3.4 排序 order by（必选项）

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（比如去重和汇总）。

注意

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)。

# 4.3.5 二级索引

二级索引就是对一级索引再次建索引。

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);
  • INDEX a total_amount TYPE minmax GRANULARITY 5
    • INDEX：关键字
    • a：索引名称
    • total_amount：字段名
    • TYPE：关键字
    • minmax：二级索引类型
    • GRANULARITY：设定二级索引对于一级索引粒度的粒度
    • 5：每 5 个建一个索引

# 4.3.6 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

    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);

  • 表级

    ALTER TABLE t_order_mt3 MODIFY TTL create_time + INTERVAL 10 SECOND;

# 4.4 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。

# 4.4.1 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。

# 4.4.2 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。

# 4.4.3 案例演示

  1. 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。

  2. 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');

  3. 执行第一次查询

    SELECT *
FROM t_order_rmt

Query id: e6dbee31-0efe-4f71-895a-37b0ffadc351

┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │      1000.00 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │      2000.00 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │      2000.00 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │     12000.00 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │      2500.00 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │       600.00 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘

6 rows in set. Elapsed: 0.009 sec.

  4. 手动合并

    OPTIMIZE TABLE t_order_rmt FINAL;

  5. 再执行一次查询

    SELECT *
FROM t_order_rmt

Query id: 095b8af2-2db9-48b7-b4ed-84d2a0827d96

┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │      1000.00 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │     12000.00 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │      2500.00 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │       600.00 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘

4 rows in set. Elapsed: 0.003 sec.

  6. 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；

# 4.5 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。

  1. 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)

  2. 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');

  3. 执行第一次查询

    SELECT * FROM t_order_smt FINAL;

    输出：

    SELECT *
FROM t_order_smt

Query id: ea1c76ba-33ce-4f91-8aa2-08042f0d2fad

┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │      1000.00 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │      2000.00 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │      2000.00 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │     12000.00 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │      2500.00 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │       600.00 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘

4 rows in set. Elapsed: 0.003 sec.

  4. 手动合并

    OPTIMIZE TABLE t_order_smt FINAL;

  5. 再执行一次查询

    SELECT *
FROM t_order_smt

Query id: ea1c76ba-33ce-4f91-8aa2-08042f0d2fad

┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │      1000.00 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │     16000.00 │ 2020-06-01 11:00:00 │
│ 102 │ sku_004 │      2500.00 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │       600.00 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘

4 rows in set. Elapsed: 0.003 sec.

  6. 结论

    • 以 SummingMergeTree() 中指定的列作为汇总数据列；
    • 可以填写多列，必须是数字列，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；

  7. 使用场景

    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。

  8. 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’
上次更新: 3/2/2022, 10:39:21 PM

← 5. ClickHouse SQL 操作 →