Jast blog
Jast-zsh
2023-03-10
目录

Clickhouse基础知识

[toc]

# 数据类型

# 整数

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]

Int16 - [-32768 : 32767]

Int32 - [-2147483648 : 2147483647]

Int64 - [-9223372036854775808 : 9223372036854775807]

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。

# 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

# 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。

# 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。

# 字符串

# 1）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。

# 2）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。

# 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。

# 用法展示

  • 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;
1
2
3
4
5

这个x列只能存储类型定义中列出的值：'hello'或'world'

  • 插入数据
 :)  INSERT INTO t_enum VALUES ('hello'), ('world'), ('hello');

INSERT INTO t_enum VALUES

Query id: 86ca2bac-8fdf-49e5-b011-689351e7efdf

Ok.

3 rows in set. Elapsed: 0.005 sec. 

 :) select * from t_enum;

SELECT *
FROM t_enum

Query id: 2f09f71e-4f1b-4073-a0cd-c67e9568e16c

┌─x─────┐
│ hello │
│ world │
│ hello │
└───────┘

3 rows in set. Elapsed: 0.004 sec.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
  • 如果尝试保存任何其他值，ClickHouse抛出异常

插入枚举值也不行，比如插入上面定义的 1，2 也会报错，只能插入枚举对应的内容

 :) insert into t_enum values('a')　;

INSERT INTO t_enum VALUES

Query id: a987607f-a45b-4276-9670-a1a5dfb4183e


Exception on client:
Code: 36. DB::Exception: Unknown element 'a' for enum: data for INSERT was parsed from query

Connecting to localhost:9000 as user default.
Connected to ClickHouse server version 21.7.3 revision 54449.
1
2
3
4
5
6
7
8
9
10
11
12
  • 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
 :)  SELECT CAST(x, 'Int8') FROM t_enum;

SELECT CAST(x, 'Int8')
FROM t_enum

Query id: 0df32119-70d2-449e-a38e-926af52e78eb

┌─CAST(x, 'Int8')─┐
│               1 │
│               2 │
│               1 │
└─────────────────┘

3 rows in set. Elapsed: 0.009 sec.
1
2
3
4
5
6
7
8
9
10
11
12
13
14

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。

# 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/

建议

建表时能用数值型或日期时间型表示的字段就不要用字符串，全 String 类型在以 Hive为中心的数仓建设中常见，但 ClickHouse 环境不应受此影响。

虽然 ClickHouse 底层将 DateTime 存储为时间戳 Long 类型，但不建议存储 Long 类型，因为 DateTime 不需要经过函数转换处理，执行效率高、可读性好。

如使用Long(Int32)类型 partition by 需要额外转换

create table t_type2(
id UInt32,
sku_id String,
total_amount Decimal(16,2) ,
create_time Int32 
) engine =ReplacingMergeTree(create_time)
partition by toYYYYMMDD(toDate(create_time)) `–-需要转换一次，否则报错`
primary key (id)
order by (id, sku_id);
1
2
3
4
5
6
7
8
9

# 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。

SELECT array(1, 2) AS x, toTypeName(x) ;
或
SELECT [1, 2] AS x, toTypeName(x);
1
2
3

toTypeName(x) 获取x的类型

:) SELECT [1, 2] AS x, toTypeName(x);

SELECT
    [1, 2] AS x,
    toTypeName(x)

Query id: 0813d137-0e12-47ae-aca5-a7cc159c6640

┌─x─────┬─toTypeName([1, 2])─┐
│ [1,2] │ Array(UInt8)       │
└───────┴────────────────────┘

1 rows in set. Elapsed: 0.011 sec.
1
2
3
4
5
6
7
8
9
10
11
12
13

# 表引擎

# 表引擎的使用

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。

特别注意：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。

如：

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);
1
2
3
4
5
6
7
8
9

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');
1
2
3
4
5
6
7

查看数据

:) select * from t_order_mt;

SELECT *
FROM t_order_mt

Query id: 829653ad-6f4e-4c0f-948c-75fbc99bc2c7

┌──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: 0.011 sec.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

在查看数据中我们发现

1.数据已经根据时间分区（每一个框内数据是一个分区）

2.同一分区下数据根据了id,sku_id进行排序，先排序id，再排序sku_id；与创建表指定的排序顺序相同

# 存储目录结构

默认存储目录：/var/lib/clickhouse/

# 元数据存储目录

/var/lib/clickhouse/metadata

# ls -l
total 16
lrwxrwxrwx 1 clickhouse clickhouse 67 Nov 12 13:43 default -> /var/lib/clickhouse/store/29b/29b208fd-1de1-4e65-a9b2-08fd1de14e65/
-rw-r----- 1 clickhouse clickhouse 78 Nov 12 13:43 default.sql
lrwxrwxrwx 1 clickhouse clickhouse 67 Nov 12 13:43 system -> /var/lib/clickhouse/store/e3b/e3b609af-3b63-4c68-a3b6-09af3b637c68/
-rw-r----- 1 clickhouse clickhouse 78 Nov 12 13:43 system.sql
1
2
3
4
5
6

default deafult数据库存储目录

deafult.sql default结构

# cat default.sql 
ATTACH DATABASE _ UUID '29b208fd-1de1-4e65-a9b2-08fd1de14e65'
ENGINE = Atomic
1
2
3

default目录下存储表的结构信息

default # ll
total 8
-rw-r----- 1 clickhouse clickhouse 120 Nov 12 13:56 t_enum.sql
-rw-r----- 1 clickhouse clickhouse 290 Nov 12 14:34 t_order_mt.sql
1
2
3
4
# cat t_order_mt.sql
ATTACH TABLE _ UUID '8ca36e5d-7a57-413d-8ca3-6e5d7a57513d'
(
    `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)
SETTINGS index_granularity = 8192
1
2
3
4
5
6
7
8
9
10
11
12
13
# 数据目录

/var/lib/clickhouse/data

# ll
total 8
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 14:34 default
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 13:44 system
1
2
3
4

default、system 为数据库

default]# ll
total 8
lrwxrwxrwx 1 clickhouse clickhouse 67 Nov 12 13:56 t_enum -> /var/lib/clickhouse/store/5f0/5f039f46-e3b5-47ea-9f03-9f46e3b507ea/
lrwxrwxrwx 1 clickhouse clickhouse 67 Nov 12 14:34 t_order_mt -> /var/lib/clickhouse/store/8ca/8ca36e5d-7a57-413d-8ca3-6e5d7a57513d/
1
2
3
4
t_order_mt]# ll
total 16
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 14:34 20200601_1_1_0
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 14:34 20200602_2_2_0
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 14:34 detached
-rw-r----- 1 clickhouse clickhouse    1 Nov 12 14:34 format_version.txt
1
2
3
4
5
6
# 分区目录命名

分区目录20200601_1_1_0，对应含义

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

image-20221112150720188

image-20221112150909069

# partition by 分区（可选）

# 作用

分区的目的主要是降低扫描的范围，优化查询速度

# 如果不填

只会有一个分区

# 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。

# 合并表全部分区
optimize table xxxx final;
1
# 合并表指定partition分区
optimize table xxxx partition xxx final;
1

合并文件查看

当前目录如下

[root@dev-bigdata-24-174 t_order_mt]# ll
total 16
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 14:34 20200601_1_1_0
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 14:34 20200602_2_2_0
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 14:34 detached
-rw-r----- 1 clickhouse clickhouse    1 Nov 12 14:34 format_version.txt
1
2
3
4
5
6
:) select * from t_order_mt;

SELECT *
FROM t_order_mt

Query id: 41cdfabe-86a9-4255-a6c2-71e0ae117bf3

┌──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─┐
│ 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 │
└──��──┴─────────┴──────────────┴─────────────────────┘

6 rows in set. Elapsed: 0.006 sec.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

再次插入数据

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');
1
2
3
4
5
6
7

查看目录变化

[root@dev-bigdata-24-174 t_order_mt]# ll
total 24
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 14:34 20200601_1_1_0
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 15:22 20200601_3_3_0
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 14:34 20200602_2_2_0
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 15:22 20200602_4_4_0
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 14:34 detached
-rw-r----- 1 clickhouse clickhouse    1 Nov 12 14:34 format_version.txt
1
2
3
4
5
6
7
8
:) select * from t_order_mt;

SELECT *
FROM t_order_mt

Query id: dce4bc14-9f0a-4c79-8899-a288b1436c7e

┌──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─┐
│ 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 │
└─────┴─────────┴──────────────┴─────────────────────┘

12 rows in set. Elapsed: 0.011 sec.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

我们发现插入数据后新增的数据不是在之前的目录下直接增加数据，而是在临时的目录下。

手动执行optimize

optimize table t_order_mt final;
1

查看目录，发现生成了20200601_1_3_1与20200602_2_4_1，这两个为新的目录，之前的目录Clickhouse会自动删除。

[root@dev-bigdata-24-174 t_order_mt]# ll
total 32
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 14:34 20200601_1_1_0
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 15:24 20200601_1_3_1
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 15:22 20200601_3_3_0
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 14:34 20200602_2_2_0
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 15:24 20200602_2_4_1
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 15:22 20200602_4_4_0
drwxr-x--- 2 clickhouse clickhouse 4096 Nov 12 14:34 detached
-rw-r----- 1 clickhouse clickhouse    1 Nov 12 14:34 format_version.txt
1
2
3
4
5
6
7
8
9
10

查看SQL发现也合并到了一起

:) select * from t_order_mt;

SELECT *
FROM t_order_mt

Query id: 04d82b4a-236d-49b2-8a08-98532f3520d0

┌──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 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──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 │
└─────┴─────────┴──────────────┴─────────────────────┘

12 rows in set. Elapsed: 0.006 sec.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

# 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。

8192代表就是每隔8192条数据将这个值索引一次

# 稀疏索引

image-20221112153321436

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)；否则会创建失败。

# 二级索引/跳数索引

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。

1）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;
1

2）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);
1
2
3
4
5
6
7
8
9
10

其中 GRANULARITY N 是设定二级索引对于一级索引粒度的粒度。

INDEX a total_amount TYPE minmax GRANULARITY 5

索引名称命名为 a

索引字段 total_amount

GRANULARITY 索引粒度

注意：GRANULARITY 索引粒度是相对于一级索引primary key上做的再一次索引

# 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。

# 1）列级别 TTL
# 创建表时指定 TTL
CREATE TABLE example_table
(
    d DateTime,
    a Int TTL d + INTERVAL 1 MONTH,
    b Int TTL d + INTERVAL 1 MONTH,
    c String
)
ENGINE = MergeTree
PARTITION BY toYYYYMM(d)
ORDER BY d;
1
2
3
4
5
6
7
8
9
10
# 为表中已存在的列字段添加 TTL
ALTER TABLE example_table
    MODIFY COLUMN
    c String TTL d + INTERVAL 1 DAY;
1
2
3
# 修改列字段的 TTL
ALTER TABLE example_table
    MODIFY COLUMN
    c String TTL d + INTERVAL 1 MONTH;
1
2
3
# 测试

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);
1
2
3
4
5
6
7
8
9

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');
1
2
3
4

手动合并，查看效果 到期后，指定的字段数据归 0

optimize table t_order_mt3 final;
1
# 2）表级 TTL
# 创建时指定 TTL
CREATE TABLE example_table
(
    d DateTime,
    a Int
)
ENGINE = MergeTree
PARTITION BY toYYYYMM(d)
ORDER BY d
TTL d + INTERVAL 1 MONTH [DELETE],
    d + INTERVAL 1 WEEK TO VOLUME 'aaa',
    d + INTERVAL 2 WEEK TO DISK 'bbb';
1
2
3
4
5
6
7
8
9
10
11
# 修改表的 TTL
ALTER TABLE example_table
    MODIFY TTL d + INTERVAL 1 DAY;
1
2
# 创建一张表，设置一个月后数据过期，这些过期的行中日期为星期一的删除：
CREATE TABLE table_with_where
(
    d DateTime,
    a Int
)
ENGINE = MergeTree
PARTITION BY toYYYYMM(d)
ORDER BY d
TTL d + INTERVAL 1 MONTH DELETE WHERE toDayOfWeek(d) = 1;
1
2
3
4
5
6
7
8
9
# 测试

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;
1

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。

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。

3）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);
1
2
3
4
5
6
7
8
9

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。

如果版本字段相同，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');
1
2
3
4
5
6
7
  • 查询看结果
:) select * from t_order_rmt;

SELECT *
FROM t_order_rmt

Query id: 51809edd-1790-40a7-9d0c-081ff290c025

┌──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: 0.005 sec.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

发现：数据已经去重了

  • 再次插入数据
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');
1
2
3
4
5
6
7
  • 查询
:) select * from t_order_rmt;

SELECT *
FROM t_order_rmt

Query id: 824a8227-4a31-4724-b5f0-e8a8c633ef96

┌──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 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──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─┐
│ 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 │
└─────┴─────────┴──────────────┴─────────────────────┘

8 rows in set. Elapsed: 0.005 sec.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

这回发现数据没有去重

  • 手动执行合并
OPTIMIZE TABLE t_order_rmt FINAL;
1
  • 再次查询
:) select * from t_order_rmt;

SELECT *
FROM t_order_rmt

Query id: f1a11e3d-4107-4e5e-bdb8-75c98e7c7b2d

┌──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─┐
│ 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 │
└─────┴─────────┴──────────────┴─────────────────────┘

4 rows in set. Elapsed: 0.006 sec.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

发现：数据已经合并，并去重

# 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

1）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 );
1
2
3
4
5
6
7
8
9
  • 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');
1
2
3
4
5
6
7
  • 查询
:) select * from t_order_smt;

SELECT *
FROM t_order_smt

Query id: 2c1f8fb6-9a96-4c76-85bd-c56a902dea74

┌──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: 0.005 sec.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

发现：

1.total_amount已经聚合

2.聚合后create_time保留了最早进入的数据的时间

  • 再次插入数据
insert into t_order_smt values
(101,'sku_001',1000.00,'2020-06-01 22:00:00'),
(102,'sku_002',2000.00,'2020-06-01 21:00:00'),
(102,'sku_004',2500.00,'2020-06-01 22:00:00'),
(102,'sku_002',2000.00,'2020-06-01 23:00:00'),
(102,'sku_002',12000.00,'2020-06-01 23:00:00'),
(102,'sku_002',600.00,'2020-06-02 22:00:00');
1
2
3
4
5
6
7
  • 查询
:) select * from t_order_smt;

SELECT *
FROM t_order_smt

Query id: c872cf5e-3387-4040-ac59-a29c1f2f2126

┌──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 22:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──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─┐
│ 101 │ sku_001 │      1000.00 │ 2020-06-01 22:00:00 │
│ 102 │ sku_002 │     16000.00 │ 2020-06-01 21:00:00 │
│ 102 │ sku_004 │      2500.00 │ 2020-06-01 22:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘

8 rows in set. Elapsed: 0.006 sec.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
  • 手动执行合并
OPTIMIZE TABLE t_order_smt FINAL;
1
  • 查询
select * from t_order_smt;

SELECT *
FROM t_order_smt

Query id: 7cc82263-6e4b-44bc-8bfb-83c0eca5d949

┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │      2000.00 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │     32000.00 │ 2020-06-01 11:00:00 │
│ 102 │ sku_004 │      5000.00 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │      1200.00 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘

8 rows in set. Elapsed: 0.008 sec.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

# 通过测试得出结论

➢ 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’
1

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是列式储的，效率提升有限，不会特别明显。

selectsum(total_amount)fromprovince_name=’’andcreate_date=‘xxx’
1
上次更新: 2023/03/10, 17:30:33
安装Clickhouse集群
Clickhouse-SQL操作

← Clickhouse-SQL操作→

最近更新
01
users xml配置文件详解
07-12
02
Protobuf详细介绍
07-12
03
Java Maven中自动代码检查插件
07-12
更多文章>
Theme by Vdoing | Copyright © 2016-2024 Jast-zsh | MIT License