ClickHouse在大數據領域應用實踐

• 2022 年 2 月 25 日
• 筆記
• ClickHouse, JAVA, Java EE, 大數據查詢

一、序言

面向大數據量查詢數據庫，優點是在較大數據量（千萬級）的前提下具有較好的查詢性能。

1、應用場景

ClickHouse應用於OLAP（在線分析處理）領域，具體來說滿足如下特點使用此技術比較合適：

• 事務型數據庫表通過連表查詢轉換成寬表
• 聚合（統計）計算使用較多
• 對查詢效率要求較高，有限時間範圍內能夠容忍非冪等性查詢（最終一致性）

2、學習姿勢

大多數學習ClickHouse是從OLTP數據庫開始的，比如Mysql數據庫。對於千萬級別的數據，以InnoDB為存儲引擎的表，僅僅是統計錶行數這一需求，執行效率很低，對於一些聚合函數，相應延遲同樣無法接受。

提高數據庫硬件水平，一定程度上能夠改善查詢效率問題，但仍然不能徹底解決查詢效率問題。ClickHouse一推出就大火更加印證開發者在較大數據量的前提下希望有個合理查詢效率的需求是多麼的急切。

以典型的Mysql數據庫讀寫分離為例，橫向對比ClickHouse，對比Mysql為何查詢慢以及ClickHouse為何查詢要快，在此基礎上綜合考慮OLTP如何與OLAP協同工作。

二、知識儲備

（一）磁盤IO

1、數據量與查詢效率

數據量在超過一定邊界後，查詢效率急劇下降，造成查詢效率低下的主要原因是磁盤IO。比如Mysql數據庫，通過服務器優化（增加硬件資源消耗），能夠提高一定的性能，並不能從軟件層次有效提高查詢效率。

千萬級別的大表，查詢性能較低，主要涉及磁盤這塊，影響因素有兩條：一是數據索引定位；二是磁盤IO。

（二）性能對比

1、磁盤工作機制

操作系統從磁盤讀取數據到內存中，大體經過如下過程：索引到數據存儲位置；以頁為單位IO數據。其中數據索引完畢，IO過程相對較快（速度與內存IO不是一個數量級）。

磁盤頁IO表示在磁盤頁上命中一條記錄與全部命中，IO時間相同。實際使用過程中，查詢一條記錄與多條連續記錄有時候時間相似（底層邏輯都是從磁盤IO一個磁盤頁的數據）。

2、按行（列）存儲

通過簡單示例比較按行存儲與按列存儲對查詢的影響，主要以磁盤IO最為技術指標。測試數據量為千萬級別。

CREATE TABLE `human_name` (
  `id` bigint(20) NOT NULL COMMENT 'ID',
  `name` varchar(32) DEFAULT NULL COMMENT '名稱',
  `deleted` tinyint(1) NOT NULL DEFAULT '0' COMMENT '邏輯刪除',
  `create_time` datetime NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '創建時間',
  `update_time` datetime DEFAULT NULL ON UPDATE CURRENT_TIMESTAMP COMMENT '更新時間',
  `delete_time` datetime DEFAULT NULL COMMENT '刪除時間',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8 COMMENT='人名信息表';

通過不同的場景，對比不同存儲方式在磁盤IO上的消耗，進而比較查詢效率。

（1）通過id查詢name

行存儲在索引上節約時間；列存儲在磁盤IO上節約時間，數據量較小可以忽略差異，本回合二者持平。

（2）通過批id查詢name

批查詢是指有限區間查詢或者有限集合查詢，數據量百條以內。有限區間查詢與有限集合查詢，對應的數據量較小，性能表現差別不大。仔細分析過程，二者仍然存在明顯的差異。

區間查詢的效率比有限集合查詢效率要高，原因如下：區間查詢數據存儲是連續的，單次數據索引，單頁磁盤IO（數據量較小），緊湊的數據查詢，按行存儲略佔優勢，考慮到是查詢單個字段，因此磁盤數據索引次數均為一次（按列查詢多少列即索引多少次）。

集合查詢由於查詢條件非連續，需要單獨索引並完成磁盤IO，集合中有N個元素（隨機）需要索引N次，以頁為單位的磁盤IO

（3）通過id查詢整行數據

按列存儲通常比按行存儲的查詢效率要高，對於寬表（幾十列以上的聚合表），效果更加明顯。對於查詢，更多的需求是查詢某列數據或者某幾列數據，按列存儲的數據庫能夠大大減少磁盤數據的掃描範圍以及磁盤與內存之間的IO，從IO層面提高了查詢效率。

極端情況

數據庫存儲id和name數據，兩者都是非空的必選數據，這種情況下按行（列）存儲從IO層面來講是相似的，數據在磁盤上掃描範圍和讀寫IO差不多。通過id查詢name或者批量id查詢name，藉助於哈希索引，按行存儲可能具有O(1)的時間複雜度。

實際數據不可能這麼純粹，行記錄通常會有保存時間、修改時間、刪除時間、部分核心字段的修改時間，數據量較少時，附屬字段對查詢的影響較小，一旦數據量超過一定閥值，對查詢的影響逐步凸顯。按列存儲能夠忽略附屬字段的磁盤掃描與IO。

綜合來講，從查詢的角度來講，按列存儲要優於按行存儲。

三、基礎知識

（一）表結構

clickhouse使用的表結構與常見的關係數據庫有一定的區別。

1、排序

在合併樹家族引擎中，表排序屬性是必選項。通過ORDER BY關鍵字設置分區內數據的排序策略，數據在導入或者保存時按照排序策略有序存儲，有序數據直接存儲在磁盤中，查詢時具有較高的效率。

排序列也是索引列，高頻用作查詢條件的字段添加到排序列有利於提高查詢效率。

2、主鍵

主鍵的定義比較奇怪，僅僅是起到過濾查詢索引的作用，沒有唯一約束的效果。

當設置有主鍵時，主鍵字段必需包含在排序屬性中，且從左到右依次展開。

3、默認值

Null類型幾乎總是會拖累性能，原因如下：空值無法被索引；需要使用額外的特殊佔位符單獨處理。按列存儲每列數據個數一致有利於數據查詢。

數據在導入之前需要做空值處理，將空值替換成與業務無關的數據。

（二）表引擎

clickhouse表引擎非常豐富，其中最常用的是合併樹家族引擎。

1、MergeTree

MergeTree引擎能夠實現較大數據量的查詢需求，由於主鍵沒有唯一索引約束，存在重複行的情況。在數據遷移的過程中，不可避免會出現重複數據導入的情況，業務上能夠容忍部分重複數據，或者從應用端處理重複數據，可以選擇此引擎。

CREATE TABLE test_tbl (
  id UInt16,
  create_time Date,
  comment Nullable(String)
) ENGINE = MergeTree()
	 PARTITION BY toYYYYMMDD(create_time)
     ORDER BY  (create_time)
     PRIMARY KEY (id)
     TTL create_time + INTERVAL 1 MONTH
     SETTINGS index_granularity=8192;

MergeTree引擎必需指定排序字段。

MergeTree的主鍵的作用是加速查詢，不是類似MySQL保持記錄唯一。

2、ReplacingMergeTree

ReplacingMergeTree引擎用來去除重複行，此處的去重有三個層次的含義：在分區內去重；以主鍵字段為比較對象；數據去重實踐只會在合併時發生。

-- 強制後台合併，去重時所在錶停止服務
optimize table test_tbl_replacing final;

ReplacingMergeTree提供了主鍵去重的能力，但是仍舊有以下限制：

• optimize是後台動作，無法預測具體執行時間點；
• 在沒有徹底optimize之前，不能確定是否仍有重複數據；
• 手動執行optimize在海量數據場景下要消耗大量時間，無法滿足業務即時查詢的需求；
• 在分佈式場景下，相同primary key的數據可能被sharding到不同節點上，不同shard間可能無法去重；

ReplacingMergeTree更多用於確保數據最終被去重，無法保證查詢過程中主鍵不重複。

ReplacingMergeTree(create_time)填入參數為版本字段，重複記錄保留版本號最大最在行；允許為空，默認保留重複行最後插入的記錄。

去重深刻理解

這裡的去重並不能達到關係型數據庫嚴格意義去重的目的，使用時需要注意這個現象。另外不能以非黑即白的想法考慮這個問題，ClickHouse在提高查詢速度時做了一定的妥協。

3、SummingMergeTree

SummingMergeTree提供的是一種預聚合引擎，等效為以order by字段為單位分組，然後執行聚合求和操作，不過這些結果是提前計算好了的，查詢時不需要實時計算。

如果聚合的值不滿足要求，可以在查詢結果集上通過聚合函數再次聚合，此時屬於實時計算。

（三）內置函數

常見的內置函數需要特別指出，新建表模式、數據導入等方面會有應用。

1、格式化日期

格式化分區函數常用於表的分區設置，以天為單位的分區是常見的分區設置。

select toYYYYMMDD(now())

2、哈希函數

以name字段的哈希字符串作為分區策略。

CREATE TABLE default.test02 (
`id` UInt16,
`name` String,
`create_time` Date) ENGINE = MergeTree() 
PARTITION BY LOWER(hex(MD5(name))) 
PRIMARY KEY id
ORDER BY (id,create_time);

表可以不設置主鍵，一旦設置主鍵，那麼表必選排序屬性必需以主鍵的順序依次展開。

直接用原始字符串字段值作為分區策略也是可行的，考慮到字符串的值域範圍比較廣，用哈希函數處理會比較安全。

3、日期函數

獲取各種日期函數，如果不指定時區，默認讀取宿主機的時區信息。

SELECT toDateTime(now()) AS t1,
       toDate(now()) AS t2,
       toDate(now(), 'Asia/Shanghai') AS t3,
       toString(now()) AS t4

四、安裝與配置

版本選擇長期支持版本20.8，採用手動安裝的方式進行。

（一）安裝

rpm -ivh clickhouse-server-20.8.19.4-2.noarch.rpm
rpm -ivh clickhouse-client-20.8.19.4-2.noarch.rpm
rpm -ivh clickhouse-common-static-20.8.19.4-2.x86_64.rpm

（二）配置

1、正則替換注釋

使用模式<!-[\s\S]*?->$查詢配置XML配置文件中所有注釋。

# 格式化XML文件
xmllint --format config.xml 

2、服務端配置文件

服務端配置文件有兩個config.xml和users.xml，前者是只讀配置，後者可以在運行時動態修改。

五、小結

ClickHouse生態在快速迭代，很多亮眼的功能尚處於開發中或者測試中，這裡選取部分特性與大家分享。