ClickHouse奇技淫巧系列之SQL查文件

没有什么是1个SQL解决不了的.jpg

今天的主题，不用写序言，看上图就懂

如何用SQL的方式操作一个文件

先举例

• 想知道history命令里，敲得最多的是哪个？
• 当然，sed，awk完全可以做到，但是，如果用SQL怎么做？

history | awk '{print $1"\t"$2}' | clickhouse-client \
--query="SELECT shell, count() AS c FROM history \
GROUP BY shell ORDER BY c DESC limit 10 " \
--external --file=- --name=history \
--structure='id UInt16, shell String'  -h  127.0.0.1  
ls      390
cd      243
clickhouse-client       173
du      67
vim     57
htop    42
cat     28
history 27
tailf   25
mysql   24

原理

• ClickHouse支持把一个外部文件，加载到内部的一个临时表中，对这个临时表进行SQL化操作

格式

--external --file=... [--name=...] [--format=...] [--types=...|--structure=...]

• --external 表示这个操作是外部文件的
• --file=... 指定一个文件，如果是标准输入，则写-
• [--name=...] 表名，如果忽略，默认给_data
• [--format=...] 列分隔符，默认是TabSeparated
• `[--types=...|--structure=...] 这句不解释了，看上面的例子就好了

再来一个测试

• 为了模拟一个有意义的场景，我们选了ClickHouse的system.parts这个表，里面记录的是ClickHouse的分区信息，表结构如下

partition:                             201709
name:                                  20170903_20170905_2_2963928_22
replicated:                            0
active:                                1
marks:                                 23372
rows:                                  191456971
bytes:                                 93294984484
modification_time:                     2017-09-05 23:37:33
remove_time:                           0000-00-00 00:00:00
refcount:                              2
min_date:                              2017-09-03
max_date:                              2017-09-05
min_block_number:                      2
max_block_number:                      2963928
level:                                 22
primary_key_bytes_in_memory:           93488
primary_key_bytes_in_memory_allocated: 196608
database:                              xx
table:                                 xx
engine:                                MergeTree

• 我们导出一份数据，作为测试文件
• 默认导出的文件是tab分割

clickhouse-client -h  127.0.0.1 -m -d system -q "select * from parts " > test.sql 

• 目标SQL
• 找某个表的分区数据，即有几个分区，分区文件多大

SELECT 
    partition, 
    count() AS number_of_parts, 
    formatReadableSize(sum(bytes)) AS sum_size
FROM system.parts 
WHERE active AND (database = 'xxxx') AND (table = 'xxxx_msg')
GROUP BY partition
ORDER BY partition ASC

• 文件SQL

[email protected]:/root  # wc -l test.sql 
11991 test.sql
[email protected]:/root  # clickhouse-client \
--query="SELECT partition,  count() AS number_of_parts, \
formatReadableSize(sum(bytes)) AS sum_size FROM parts  \
WHERE active AND (database = 'xxxx') AND (table = 'xxxx_msg') \
GROUP BY partition ORDER BY partition ASC ;" \
--external --file=test.sql --name=parts \
--structure='partition UInt16,name String,replicated UInt16,active UInt16,marks UInt16,rows UInt16,bytes UInt16,modification_time String,remove_time String,refcount UInt16,min_date String,max_date String,min_block_number UInt16,max_block_number UInt16,level UInt16,primary_key_bytes_in_memory UInt16,primary_key_bytes_in_memory_allocated UInt16,database String,table String,engine String'  \
-h  127.0.0.1  
201709  36      1.68 TiB
201710  26      1.42 TiB
201711  30      1.42 TiB
201712  31      963.07 GiB

注意事项

• 文件操作虽然方便，但是官方文档也提到了，如果是特别大的文件，还是不要这么玩了
• 另外，这个文件SQL其实还是要依赖ClickHouse-Server的，如果你没有启动Server，玩不了的哦~