DataX的Clickhouse读写插件
- 2019 年 11 月 20 日
- 笔记
作者：一剑飘雪
ClickHouseReader 插件文档
1 快速介绍
ClickHouseReader插件实现了从ClickHouse读取数据。在底层实现上，ClickHouseReader通过JDBC连接远程ClickHouse数据库，并执行相应的sql语句将数据从ClickHouse库中SELECT出来。
不同于其他关系型数据库，ClickHouseReader不支持FetchSize.（截止ClickHouse-jdbc版本0.1.48为止）
2 实现原理
简而言之，ClickHouseReader通过JDBC连接器连接到远程的ClickHouse数据库，并根据用户配置的信息生成查询SELECT SQL语句，然后发送到远程ClickHouse数据库，并将该SQL执行返回结果使用DataX自定义的数据类型拼装为抽象的数据集，并传递给下游Writer处理。
对于用户配置Table、Column、Where的信息，ClickHouseReader将其拼接为SQL语句发送到ClickHouse数据库；对于用户配置querySql信息，ClickHouseReader直接将其发送到ClickHouse数据库。
3 功能说明
3.1 配置样例
- 配置一个从ClickHouse数据库同步抽取数据到本地的作业:
{ "job": { "setting": { "speed": { "channel": 3 }, "errorLimit": { "record": 0, "percentage": 0.02 } }, "content": [ { "reader": { "name": "clickhousereader", "parameter": { "username": "root", "password": "root", "column": [ "id", "name" ], "splitPk": "db_id", "connection": [ { "table": [ "table" ], "jdbcUrl": [ "jdbc:clickhouse://127.0.0.1:8123/default" ] } ] } }, "writer": { "name": "streamwriter", "parameter": { "print":true } } } ] } }
- 配置一个自定义SQL的数据库同步任务到本地内容的作业：
{ "job": { "setting": { "speed": { "channel":1 } }, "content": [ { "reader": { "name": "clickhousereader", "parameter": { "username": "root", "password": "root", "connection": [ { "querySql": [ "select db_id,on_line_flag from db_info where db_id < 10;" ], "jdbcUrl": [ "jdbc:clickhouse://127.0.0.1:8123/default" ] } ] } }, "writer": { "name": "streamwriter", "parameter": { "print": false, "encoding": "UTF-8" } } } ] } }
3.2 参数说明
- jdbcUrl
- 描述：描述的是到对端数据库的JDBC连接信息，使用JSON的数组描述，并支持一个库填写多个连接地址。之所以使用JSON数组描述连接信息，是因为阿里集团内部支持多个IP探测，如果配置了多个，ClickHouseReader可以依次探测ip的可连接性，直到选择一个合法的IP。如果全部连接失败，ClickHouseReader报错。 注意，jdbcUrl必须包含在connection配置单元中。对于阿里集团外部使用情况，JSON数组填写一个JDBC连接即可。 jdbcUrl按照ClickHouse官方规范，并可以填写连接附件控制信息。具体请参看ClickHouse官方文档。
- 必选：是
- 默认值：无
- username
- 描述：数据源的用户名
- 必选：是
- 默认值：无
- password
- 描述：数据源指定用户名的密码
- 必选：是
- 默认值：无
- table
- 描述：所选取的需要同步的表。使用JSON的数组描述，因此支持多张表同时抽取。当配置为多张表时，用户自己需保证多张表是同一schema结构，ClickHouseReader不予检查表是否同一逻辑表。注意，table必须包含在connection配置单元中。
- 必选：是
- 默认值：无
- column
- 描述：所配置的表中需要同步的列名集合，使用JSON的数组描述字段信息。用户使用*代表默认使用所有列配置，例如[’*’]。 支持列裁剪，即列可以挑选部分列进行导出。 支持列换序，即列可以不按照表schema信息进行导出。 支持常量配置，用户需要按照ClickHouse SQL语法格式: [“id”, “`table`”, “1”, “‘bazhen.csy’”, “null”, “toDate(trade_date) + 1”, “2.3” , “true”] id为普通列名，`table`为包含保留在的列名，1为整形数字常量，’bazhen.csy’为字符串常量，null为空指针，toDate(trade_date) + 1为表达式，2.3为浮点数，true为布尔值。
- 必选：是
- 默认值：无
- splitPk 目前splitPk仅支持整形、字符串数据切分，
不支持浮点、日期等其他类型。如果用户指定其他非支持类型，ClickHouseReader将报错！ 如果splitPk不填写，包括不提供splitPk或者splitPk值为空，DataX视作使用单通道同步该表数据。- 必选：否
- 默认值：空
- 描述：ClickHouseReader进行数据抽取时，如果指定splitPk，表示用户希望使用splitPk代表的字段进行数据分片，DataX因此会启动并发任务进行数据同步，这样可以大大提供数据同步的效能。 推荐splitPk用户使用表主键，因为表主键通常情况下比较均匀，因此切分出来的分片也不容易出现数据热点。
- where
- 描述：筛选条件，ClickHouseReader根据指定的column、table、where条件拼接SQL，并根据这个SQL进行数据抽取。在实际业务场景中，往往会选择当天的数据进行同步，可以将where条件指定为gmt_create > $bizdate 。注意：不可以将where条件指定为limit 10，limit不是SQL的合法where子句。 where条件可以有效地进行业务增量同步。如果不填写where语句，包括不提供where的key或者value，DataX均视作同步全量数据。
- 必选：否
- 默认值：无
- querySql
当用户配置querySql时，ClickHouseReader直接忽略table、column、where条件的配置，querySql优先级大于table、column、where选项。- 必选：否
- 默认值：无
- 描述：在有些业务场景下，where这一配置项不足以描述所筛选的条件，用户可以通过该配置型来自定义筛选SQL。当用户配置了这一项之后，DataX系统就会忽略table，column这些配置型，直接使用这个配置项的内容对数据进行筛选，例如需要进行多表join后同步数据，使用select a,b from table_a join table_b on table_a.id = table_b.id
3.3 类型转换
目前ClickHouseReader支持大部分ClickHouse类型，但也存在部分个别类型没有支持的情况，请注意检查你的类型。
下面列出ClickHouseReader针对ClickHouse类型转换列表:
|
DataX 内部类型 |
ClickHouse 数据类型 |
|---|---|
|
Long |
Uint8,Uint16,Uint32,Uint64,Int8,Int16,Int32,Int64,Enum8,Enum16 |
|
Double |
Float32,Float64,Decimal |
|
String |
String,FixedString(N) |
|
Date |
Date, Datetime |
|
Boolean |
UInt8 类型，取值限制为 0 或 1 |
|
Bytes |
String |
请注意:
除上述罗列字段类型外，其他类型均不支持，如Array、Nested等。
4 性能报告
4.1 环境准备
4.1.1 数据特征
建表语句：
CREATE TABLE `t_trade_record` ( `id` INT ( 11 ) NOT NULL AUTO_INCREMENT, `trade_no` BIGINT ( 20 ) NOT NULL, `order_no` BIGINT ( 20 ), `pair_id` VARCHAR ( 128 ), `belonger` VARCHAR ( 128 ), `login_name` VARCHAR ( 128 ), `belonger_type` VARCHAR ( 32 ), `trade_date` date, `trade_time` TIMESTAMP(0), `bs_flag` VARCHAR ( 8 ), `price` DECIMAL ( 16, 8 ), `quantity` INT ( 11 ), `income_asset_code` VARCHAR ( 128 ), `income_fee` DECIMAL ( 16, 8 ), `update_time` TIMESTAMP(0) NULL, `insert_time` TIMESTAMP(0) NULL, PRIMARY KEY ( `id` ) USING BTREE, UNIQUE INDEX `index_trade_no` ( `trade_no` ) USING BTREE ) ENGINE = INNODB CHARACTER SET = utf8;
插入记录类似于：
INSERT INTO `t_match_record`(`id`, `trade_no`, `order_no`, `pair_id`, `belonger`, `login_name`, `belonger_type`, `trade_date`, `trade_time`, `bs_flag`, `price`, `quantity`, `income_asset_code`, `income_fee`, `update_time`, `insert_time`) VALUES (141135300, 116615441, 115754819, 'ETH-USDT', '2357246974', '131****4807', '0', '2019-04-21', '2019-04-21 00:34:19', 'B', 113.02000000, 0, 'C10001', 0.00001110, '2018-12-21 00:35:00', '2018-12-21 00:35:00'); INSERT INTO `t_match_record`(`id`, `trade_no`, `order_no`, `pair_id`, `belonger`, `login_name`, `belonger_type`, `trade_date`, `trade_time`, `bs_flag`, `price`, `quantity`, `income_asset_code`, `income_fee`, `update_time`, `insert_time`) VALUES (141135299, 116615440, 115754793, 'ETH-USDT', '2357246974', '131****4807', '0', '2019-04-21', '2019-04-21 00:34:19', 'S', 113.02000000, 0, 'C10002', 0.00037297, '2018-12-21 00:35:00', '2018-12-21 00:35:00');
4.1.2 机器参数
- 执行DataX的机器参数为:
- cpu: 4核 Intel(R) Core(TM) i5-8600 CPU @ 3.10GHz
- mem: 4GB
- net: 千兆双网卡
- disc: DataX 数据不落磁盘，不统计此项
- ClickHouse数据库机器参数为: 虚拟机配置如下
- cpu: 2物理2逻辑 Intel(R) Core(TM) i5-8600 CPU @ 3.10GHz
- mem: 2G
- net: 千兆双网卡
4.1.3 DataX jvm 参数
-Xms1024m -Xmx1024m -XX:+HeapDumpOnOutOfMemoryError
4.2 测试报告
4.2.1 单表测试报告
|
通道数 |
是否按照主键切分 |
DataX速度(Rec/s) |
DataX流量(MB/s) |
DataX机器网卡进入流量(MB/s) |
DataX机器运行负载 |
DB网卡流出流量(MB/s) |
DB运行负载 |
|---|---|---|---|---|---|---|---|
|
1 |
是 |
192299 |
21.82 |
36 |
0.6 |
38 |
0.6 |
|
2 |
是 |
461519 |
52.37 |
92 |
0.75 |
94 |
0.72 |
|
4 |
是 |
480749 |
54.55 |
96 |
0.9 |
99 |
0.92 |
说明：
- 这里的单表，主键类型为 bigint(20),范围为：1231425-116615530，从主键范围划分看，数据分布均匀。
- 对单表如果没有安装主键切分，那么配置通道个数不会提升速度，效果与1个通道一样。
- 由于机器性能限制，达到2通道时，CPU已到100%，故4通道时，速度并没有增长
4.2.2 分表测试报告
应机器原因，暂时没有做测试
5 约束限制
5.1 一致性约束
ClickHouse在数据存储划分中属于RDBMS系统，对外可以提供强一致性数据查询接口。例如当一次同步任务启动运行过程中，当该库存在其他数据写入方写入数据时，ClickHouseReader完全不会获取到写入更新数据，这是由于数据库本身的快照特性决定的。关于数据库快照特性，请参看MVCC Wikipedia
上述是在ClickHouseReader单线程模型下数据同步一致性的特性，由于ClickHouseReader可以根据用户配置信息使用了并发数据抽取，因此不能严格保证数据一致性：当ClickHouseReader根据splitPk进行数据切分后，会先后启动多个并发任务完成数据同步。由于多个并发任务相互之间不属于同一个读事务，同时多个并发任务存在时间间隔。因此这份数据并不是完整的、一致的数据快照信息。
针对多线程的一致性快照需求，在技术上目前无法实现，只能从工程角度解决，工程化的方式存在取舍，我们提供几个解决思路给用户，用户可以自行选择：
- 使用单线程同步，即不再进行数据切片。缺点是速度比较慢，但是能够很好保证一致性。
- 关闭其他数据写入方，保证当前数据为静态数据，例如，锁表、关闭备库同步等等。缺点是可能影响在线业务。
5.2 增量数据同步
ClickHouseReader使用JDBC SELECT语句完成数据抽取工作，因此可以使用SELECT…WHERE…进行增量数据抽取，方式有多种：
- 数据库在线应用写入数据库时，填充modify字段为更改时间戳，包括新增、更新、删除(逻辑删)。对于这类应用，ClickHouseReader只需要WHERE条件跟上一同步阶段时间戳即可。
- 对于新增流水型数据，ClickHouseReader可以WHERE条件后跟上一阶段最大自增ID即可。
对于业务上无字段区分新增、修改数据情况，ClickHouseReader也无法进行增量数据同步，只能同步全量数据。
5.3 Sql安全性
ClickHouseReader提供querySql语句交给用户自己实现SELECT抽取语句，ClickHouseReader本身对querySql不做任何安全性校验。这块交由DataX用户方自己保证。
DataX ClickHouseWriter
1 快速介绍
数据导入clickhousewriter的插件
2 实现原理
使用clickhousewriter的官方jdbc接口， 批量把从reader读入的数据写入ClickHouse
3 功能说明
3.1 配置样例
job.json
{ "job": { "setting": { "speed": { "channel": 2 } }, "content": [ { "reader": { ... }, "writer": { "name": "clickhousewriter", "parameter": { "username": "default", "password": "zifei123", "column":["belonger","belonger_type","bs_flag","id","income_asset_code","income_fee","insert_time","logName","order_no","pair_id","price","quantity","trade_date","trade_no","trade_time","update_time"], "connection": [ { "jdbcUrl": "jdbc:clickhouse://127.0.0.1:8123/default", "table":["XXX"] } ] } } } ] } }
3.2 参数说明
- jdbcUrl
- 描述：ClickHouse的连接地址，目前支持多数据源并行导入，支持随机负载均衡,其格式为:jdbc:clickhouse://ip1:8123,ip2:8123/database
- 必选：是
- 默认值：无
- username
- 描述：导入数据源的用户名
- 必选：是
- 默认值：空
- password
- 描述：导入数据源的密码
- 必选：是
- 默认值：空
- batchSize
- 描述：每次批量数据的条数
- 必选：否
- 默认值：2048
- trySize
- 描述：失败后重试的次数
- 必选：否
- 默认值：30
- column
- 描述：elasticsearch所支持的字段类型，样例中包含了全部
- 必选：是
4 性能报告
4.1 环境准备
- 总数据量 1.2亿条数据, 每条1.2kb
- 1个replica,单机模式
4.1.1 数据特征
建表语句：
CREATE TABLE default.t_match_record ( id UInt32, trade_no UInt32, order_no UInt32, pair_id String, belonger String, login_name String, belonger_type String, trade_date Date, trade_time DateTime, bs_flag String, price Decimal64(8), quantity UInt32, income_asset_code String, income_fee Decimal64(8), insert_time DateTime, update_time DateTime )Engine=MergeTree(trade_date,(belonger,pair_id,trade_no,trade_date),8192);
插入记录类似于：
INSERT INTO `default`.`t_match_record`(`id`, `trade_no`, `order_no`, `pair_id`, `belonger`, `login_name`, `belonger_type`, `trade_date`, `trade_time`, `bs_flag`, `price`, `quantity`, `income_asset_code`, `income_fee`, `update_time`, `insert_time`) VALUES (141135300, 116615441, 115754819, 'ETH-USDT', '2357246974', '131****4807', '0', '2019-04-21', '2019-04-21 00:34:19', 'B', 113.02000000, 0, 'C10001', 0.00001110, '2018-12-21 00:35:00', '2018-12-21 00:35:00'); INSERT INTO `default`.`t_match_record`(`id`, `trade_no`, `order_no`, `pair_id`, `belonger`, `login_name`, `belonger_type`, `trade_date`, `trade_time`, `bs_flag`, `price`, `quantity`, `income_asset_code`, `income_fee`, `update_time`, `insert_time`) VALUES (141135299, 116615440, 115754793, 'ETH-USDT', '2357246974', '131****4807', '0', '2019-04-21', '2019-04-21 00:34:19', 'S', 113.02000000, 0, 'C10002', 0.00037297, '2018-12-21 00:35:00', '2018-12-21 00:35:00');
4.1.2 机器参数
虚拟机配置如下
- cpu: 2物理2逻辑 Intel(R) Core(TM) i5-8600 CPU @ 3.10GHz
- mem: 2G
- net: 千兆双网卡
4.1.3 DataX jvm 参数
-Xms1024m -Xmx1024m -XX:+HeapDumpOnOutOfMemoryError
4.2 测试报告
|
通道数 |
批量提交行数 |
DataX速度(Rec/s) |
DataX流量(MB/s) |
|---|---|---|---|
|
1 |
8192 |
115379 |
13.09 |
|
2 |
2048 |
144224 |
16.37 |
|
2 |
4096 |
151815 |
17.23 |
|
2 |
8192 |
162506 |
18.44 |
|
4 |
2048 |
151815 |
17.23 |
|
4 |
4096 |
172208 |
19.54 |
|
4 |
8192 |
202420 |
22.97 |
4.3 测试总结
- 最好的结果是1-2通道，每次传8192（对当前笔者测试坏境配置而言，瓶颈在CPU上），如果单条数据很大， 请适当减少批量数，防止oom
- 通过升级硬件，单机写入300K/S不是问题，甚至500K/S，而且ClickHouse也是分布式的，多设置几个分片就可以水平扩展，此时还可以并行写入
- 当通道为4，批量提交为8192时，笔者测试机器已压榨到极限：物理机CPU100%，磁盘占用100%，网卡流量峰值为360Mbps。
4.4 导入建议
- 数据应该以尽量大的batch进行写入，如每次写入100,000行，根据机器性能，尝试增加通道数
- 数据最好跟ClickHouse分区Key分组排序，这样有更好的插入性能
