即便对数据一致性支持最好的 Mergetree,也只是保证最终一致性。
ReplacingMergeTree
排序键值相同的重复项
。合并会在后台一个不确定的时间进行
,因此你无法预先作出计划。在使用 ReplacingMergeTree、SummingMergeTree 这类表引擎的时候,会出现短暂数据不一致的情况。在某些对一致性非常敏感的场景,通常有以下几种解决方案。
-- 1、创建表
-- user_id 是数据去重更新的标识;
-- create_time 是版本号字段,每组数据中 create_time 最大的一行表示最新的数据;
-- deleted 是自定的一个标记位,比如 0 代表未删除,1 代表删除数据。
CREATE TABLE test_distinct(
user_id UInt64,
score String,
deleted UInt8 DEFAULT 0,
create_time DateTime DEFAULT toDateTime(0)
) ENGINE= ReplacingMergeTree(create_time)
ORDER BY user_id;
-- 2、写入 100 万 测试数据
INSERT INTO TABLE test_distinct(user_id,score)
WITH(
SELECT ['A','B','C','D','E','F','G']
)AS dict
SELECT number AS user_id, dict[number%7+1] FROM numbers(1000000);
-- 3、修改前 5 万 行数据,修改内容包括 name 字段和 create_time 版本号字段
INSERT INTO TABLE test_distinct(user_id,score,create_time)
WITH(
SELECT ['AA','BB','CC','DD','EE','FF','GG']
)AS dict
SELECT number AS user_id, dict[number%7+1], now() AS create_time FROM
numbers(50000);
-- 4、还未触发分区合并,所以还未去重
SELECT COUNT() FROM test_distinct;
┌─count()─┐
│ 1050000 │
└─────────┘
在查询语句后增加 FINAL 修饰符,这样在查询的过程中将会执行 Merge 的特殊逻辑(例如数据去重,预聚合等)。
注:这种方法在早期版本基本没有人使用,因为在增加 FINAL 之后,我们的查询将会变成一个单线程的执行过程,查询速度非常慢。
在 v20.5.2.7-stable 版本中,FINAL 查询支持多线程执行
,并且可以通过 max_final_threads 参数控制单个查询的线程数。
SELECT COUNT() FROM test_distinct final;
┌─count()─┐
│ 1000000 │
└─────────┘
-- 在写入数据后,立刻执行 OPTIMIZE 强制触发新写入分区的合并动作。
OPTIMIZE TABLE test_distinct FINAL;
-- 语法如下
OPTIMIZE TABLE [db.]name [ON CLUSTER cluster] [PARTITION partition |
PARTITION ID 'partition_id'] [FINAL] [DEDUPLICATE [BY expression]]
-- 再次查询,发现已经去重
centos04 :) SELECT COUNT() FROM test_distinct;
┌─count()─┐
│ 1000000 │
└─────────┘
-- 1、利用group by进行去重
CREATE VIEW view_test_distinct AS
SELECT
user_id ,
argMax(score, create_time) AS score, -- 按照 create_time 的最大值取 score 的值
argMax(deleted, create_time) AS deleted, -- 按照 create_time 的最大值取 deleted 的值
max(create_time) AS ctime
FROM test_distinct
GROUP BY user_id -- 对利用group by进行去重
HAVING deleted = 0; -- 筛选未删除的数据
-- 2、再次插入一条数据(重复数据)
INSERT INTO TABLE test_distinct(user_id,score,create_time) VALUES(0,'AAAA',now());
SELECT
*
FROM test_distinct
WHERE user_id = 0;
┌─user_id─┬─score─┬─deleted─┬─────────create_time─┐
│ 0 │ AAAA │ 0 │ 2023-04-06 12:59:03 │
└─────────┴───────┴─────────┴─────────────────────┘
┌─user_id─┬─score─┬─deleted─┬─────────create_time─┐
│ 0 │ AA │ 0 │ 2023-04-06 12:48:26 │
└─────────┴───────┴─────────┴─────────────────────┘
SELECT
*
FROM view_test_distinct
WHERE user_id = 0;
┌─user_id─┬─score─┬─deleted─┬───────────────ctime─┐
│ 0 │ AAAA │ 0 │ 2023-04-06 12:59:03 │
└─────────┴───────┴─────────┴─────────────────────┘
-- 3、再次插入一条标记为删除的数据
INSERT INTO TABLE test_distinct(user_id,score,deleted,create_time)
VALUES(0,'AAAA',1,now());
SELECT
*
FROM test_distinct
WHERE user_id = 0;
┌─user_id─┬─score─┬─deleted─┬─────────create_time─┐
│ 0 │ AAAA │ 0 │ 2023-04-06 12:59:03 │
└─────────┴───────┴─────────┴─────────────────────┘
┌─user_id─┬─score─┬─deleted─┬─────────create_time─┐
│ 0 │ AAAA │ 1 │ 2023-04-06 13:02:22 │
└─────────┴───────┴─────────┴─────────────────────┘
┌─user_id─┬─score─┬─deleted─┬─────────create_time─┐
│ 0 │ AA │ 0 │ 2023-04-06 12:48:26 │
└─────────┴───────┴─────────┴─────────────────────┘
SELECT
*
FROM view_test_distinct
WHERE user_id = 0;
-- 这行数据并没有被真正的删除,而是被过滤掉了。在一些合适的场景下,可以结合 表级别的 TTL 最终将物理数据删除。
-- 语法如下
EXPLAIN [AST | SYNTAX | PLAN | PIPELINE] [setting = value, ...]
SELECT ... [FORMAT ...]
➢ PLAN:用于查看执行计划,默认值
。
◼ header 打印计划中各个步骤的 head 说明,默认关闭,默认值 0;
◼ description 打印计划中各个步骤的描述,默认开启,默认值 1;
◼ actions 打印计划中各个步骤的详细信息,默认关闭,默认值 0。
➢ AST :用于查看语法树;
➢ SYNTAX:用于优化语法;
➢ PIPELINE:用于查看 PIPELINE 计划。
◼ header 打印计划中各个步骤的 head 说明,默认关闭;
◼ graph 用 DOT 图形语言描述管道图,默认关闭,需要查看相关的图形需要配合graphviz 查看;
◼ actions 如果开启了 graph,紧凑打印打,默认开启。
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。
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。
create table t_a(
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);
官方已经指出 Nullable 类型几乎总是会拖累性能,因为存储 Nullable 列时需要创建一个额外的文件来存储 NULL 的标记,并且 Nullable 列无法被索引。
因此除非极特殊情况,应直接使用字段默认值表示空
,或者自行指定一个在业务中无意义的值。
……
PARTITION BY toYYYYMM(EventDate)
ORDER BY (CounterID, EventDate, intHash32(UserID)) -- UserID基数特别大的不适合做索引列,利用intHash32()解决
……
建议制定TTL(生存时间值)
可以免去手动处理过期历史数据的麻烦,TTL也可以通过Alter table随时修改。一般建议每秒钟发起2-3次写入操作,每次操作写入2w-5w条数据
。配置 | 描述 |
---|---|
background_pool_size | 后台线程池的大小,merge线程就是在该线程池中执行,该线程池不仅仅是给merge线程使用的,默认值16,允许的前提下建议改成CPU个数的2倍(一核可以虚拟化成两线程) |
background_schedule_pool_size | 执行后台任务的线程数,默认128,建议改成CPU个数的2倍(线程数) |
background_distributed_schedule_pool_size | 设置为分布式发送执行后台任务的线程数,默认16,建议改成CPU个数的2倍(线程数) |
max_concurrent_queries | 最大并发处理请求数(包含select、insert等),默认值100,推荐150(不够再加)~300,默认单位为个/每秒 |
max_threads | 设置单个查询所能使用的最大CPU个数,默认是CPU核数 |
配置 | 描述 |
---|---|
max_memory_usage | 此参数在users.xml中,表示单词Query占用内存最大值,该值可以设置的比较大,这样可以提升集群查询的上限。保留一点给OS,比如128G内存的机器,设置为100G。 |
max_bytes_before_external_group_by | 一般按照max_memory_usage的一半设置内存,当group使用内存超过阈值后会刷新到磁盘进行。因为Click house聚合分为两个阶段:查询并建立中间数据、合并中间数据,结合上一项,建议50GB。 |
max_bytes_before_external_sort | 当 order by已使用max_bytes_before_external_sort内存就进行溢写磁盘(基于磁盘排序),如果不设置该值,那么当内存不够时直接抛错,设置了该值 order by可以正常完成,但是速度相对存内存来说肯定要慢点(实测慢的非常多,无法接受)。 |
max_table_size_to_drop | 此参数在 config.xml 中,应用于需要删除表或分区的情况,默认是50GB,意思是如果删除50GB以上的分区表会失败。建议修改为0,这样不管多大的分区表都可以删除。 |
prewhere 和where 语句的作用相同,用来过滤数据。不同之处在于 prewhere 只支持MergeTree 族系列引擎的表,首先会读取指定的列数据,来判断数据过滤,等待数据过滤之后再读取 select 声明的列字段来补全其余属性
。
当查询列明显多于筛选列时使用prewhere可十倍提升查询性能,Prewhere会自动优化执行过滤阶段的数据读取方式,降低io操作。
在某些场合下,prewhere 语句比 where 语句处理的数据量更少性能更高。
千万以上的数据集进行order by查询时需要搭配where条件和limit语句一起使用。
如非必须,不要在结果集上构建虚拟列,虚拟列非常消耗资源浪费性能,可以考虑在前端进行处理,或者在表中构造实际字段进行额外存储。
select
a,
b,
a+b -- 虚拟列,虚拟列非常消耗资源,浪费性能。
from
table
性能可提升10倍以上,uniqCombined底层采用类似HyperLogLog算法实现。
不建议对千万以上的对准确度没有要求的数据进行精确去重,使用近似去重。
-- 反例:
select count(distinct rand()) from hits_v1;
-- 正例:
SELECT uniqCombined(rand()) from datasets.hits_v1
clickhouse 的JOIN:
-- 建表的时候,想要复制表结构:
create table XXX as select * from XXXX where 1 = 0; -- 条件不成立,数据永远不会写进来
A join B,将B表全部加载到内存中,A表中的数据会逐条匹配内存中的B表。
select table_a.* from table_a where table_a.count_id in (select count_id from table_b);
多表 join 时要满足小表在右的原则,右表关联时被加载到内存中与左表进行比较, Click House 中无论是 Left join 、 Right join 还是 Inner join 永远都是拿着右表中的每一条记录到左表中查找该记录是否存在,所以右表必须是小表。
ClickHouse 在join查询时不会主动发起谓词下推的操作,需要每个子查询提前完成过滤操作,需要注意的是,是否执行谓词下推,对性能影响差别很大
两张分布式表上的IN和JOIN之前必须加上GLOBAL关键字,右表只会在接收查询请求的那个节点查询一次,并将其分发到其他节点上。如果不加GLOBAL关键字的话,每个节点都会单独发起一次对右表的查询,而右表又是分布式表,就导致右表一共会被查询N²次(N是该分布式表的分片数量),这就是查询放大,会带来很大开销。
将一些需要关联分析的业务创建成字典表进行join操作,前提是字典表不宜太大,因为字典表会常驻内存。
通过增加逻辑过滤可以减少数据扫描,达到提高执行速度、降低内存消耗的目的。
不仅保存SQL的操作逻辑,还保存操作过后的结果,结果根据相应的引擎存到磁盘或内存中
。 ClickHouse 的物化视图是一种查询结果的持久化,它确实是给我们带来了查询效率的提升。用户查起来跟表没有区别,它就是一张表,它也像是一张时刻在预计算的表
,创建的过程它是用了一个特殊引擎,加上后来 as select,就是 create一个table as select的写法。
"查询结果集"的范围很宽泛,可以是基础表中部分数据的一份简单拷贝,也可以是多表join之后产生的结果或其子集,或者原始数据的聚合指标等等。所以,物化视图不会随着基础表的变化而变化,所以它也称为快照(snapshot)。
优点:查询速度快,要是把物化视图这些规则全部写好,它比原数据查询快了很多,总的行数少了,因为都预计算好了。
缺点:它的本质是一个流式数据的使用场景,是累加式的技术,所以如果要用历史数据做去重、去核这样的分析,在物化视图里面是不太好用的。在某些场景的使用也是有限的。而且如果一张表加了好多物化视图,在写这张表的时候,就会消耗很多机器的资源,比如数据带宽占满、存储一下子增加了很多。
创建时会创建一个隐藏的目标表来保存视图数据。也可以TO表明,保存到一张显式的表。没有加TO表名,表名默认就是.inner.物化视图名。
CREATE MATERIALIZED VIEW [IF NOT EXISTS] [db.]table_name [ON CLUSTER] [TO[db.]name] [ENGINE = engine] [POPULATE] AS SELECT ...
如果要历史数据,使用INSERT INTO写入数据
。TO [db].[table]
的物化视图时,您必须指定ENGINE
- 用于存储数据的表引擎。TO [db].[table]
创建物化视图时,不得使用POPULATE
.SELECT
部分数据通过该SELECT
查询进行转换,并将结果插入到视图中。-- 1、创建测试数据
create table test_a_test(
user_id UInt64,
score String,
deleted UInt8 DEFAULT 0,
create_time Date
) ENGINE = MergeTree()
partition by toYYYYMM(create_time)
order by (create_time,intHash32(user_id))
sample by intHash32(user_id)
SETTINGS index_granularity = 8192;
insert into
test_a_test
select
*
FROM
test_a
limit 10000;
-- 2、创建物化视图
create materialized view test_mview
engine = SummingMergeTree
partition by toYYYYMM(create_time)
order by (create_time,intHash32(user_id))
as
SELECT
user_id,
create_time,
count(score),
sum(deleted)
from
test_a_test ta
WHERE
create_time >= toDate(0)
group by user_id,create_time ;
show tables;
>>>结果
.inner_id.5bfba660-812e-49ec-885f-3fa63e16f2f4 -- 默认存储数据的表格
test_a_test
test_mview
-- 3、插入数据
SELECT * from test_mview; -- 第一次查询结果为空
insert into
test_a_test
select
*
FROM
test_a
limit 10;
SELECT * from test_mview; -- 插入后在查询有10条新增数据
select * from `.inner_id.068a0cde-c260-4fee-b902-c7f74cc4f194`; -- 自动创建的表中也有数据
-- 4、导入历史数据(重点!!!)
insert into
test_mview
-- 将物化视图的逻辑再写一遍
SELECT
user_id,
create_time,
count(score),
sum(deleted)
from
test_a_test ta
WHERE
create_time >= toDate(0)
group by user_id,create_time