ClickHouse应用

第二章  ClickHouse的安装

2.1    准备工作
2.1.1    确定防火墙处于关闭状态
2.1.2    CentOS取消打开文件数限制
    在hadoop102的 /etc/security/limits.conf文件的末尾加入以下内容
[apache@hadoop102 ~]$ sudo vim /etc/security/limits.conf
* soft nofile 65536 
* hard nofile 65536 
* soft nproc 131072 
* hard nproc 131072
    在hadoop102的/etc/security/limits.d/20-nproc.conf文件的末尾加入以下内容
[apache@hadoop102 ~]$ sudo vim /etc/security/limits.d/20-nproc.conf
* soft nofile 65536 
* hard nofile 65536 
* soft nproc 131072 
* hard nproc 131072
    执行同步操作
[apache@hadoop102 ~]$ sudo /home/apache/bin/xsync /etc/security/limits.conf
[apache@hadoop102 ~]$ sudo /home/apache/bin/xsync /etc/security/limits.d/20-nproc.conf
2.1.3    安装依赖
[apache@hadoop102 ~]$ sudo yum install -y libtool
 
[apache@hadoop102 ~]$ sudo yum install -y *unixODBC*    
 
在hadoop103、hadoop104上执行以上操作
2.1.4    CentOS取消SELINUX 
    修改/etc/selinux/config中的SELINUX=disabled 
[apache@hadoop102 ~]$ sudo vim /etc/selinux/config 
SELINUX=disabled
注意：别改错了
    执行同步操作
[apache@hadoop102 ~]$ sudo /home/apache/bin/xsync /etc/selinux/config
    重启三台服务器
2.2    单机安装
官网：https://clickhouse.yandex/ 
下载地址：http://repo.red-soft.biz/repos/clickhouse/stable/el6/ 
2.2.1    在hadoop102的/opt/software下创建clickhouse目录
[apache@hadoop102 software]$ mkdir clickhouse
 
2.2.2    将/2.资料/ClickHouse下4个文件上传到hadoop102的software/clickhouse目录下
 
2.2.3    将安装文件同步到hadoop103、hadoop104
[apache@hadoop102 software]$ xsync clickhouse/
2.2.4    分别在三台机子上安装这4个rpm文件
[apache@hadoop102 clickhouse]$ sudo rpm -ivh *.rpm
 
sudo rpm -qa|grep clickhouse查看安装情况
2.2.5    修改配置文件
[apache@hadoop102 clickhouse]$ sudo vim /etc/clickhouse-server/config.xml
把 :: 的注释打开，这样的话才能让ClickHouse被除本机以外的服务器访问
 
分发配置文件
sudo /home/apache/bin/xsync /etc/clickhouse-server/config.xml
在这个文件中，有ClickHouse的一些默认路径配置，比较重要的
数据文件路径：/var/lib/clickhouse/
日志文件路径：/var/log/clickhouse-server/clickhouse-server.log
2.2.6    启动ClickServer
[apache@hadoop102 clickhouse]$ sudo systemctl start clickhouse-server
 
2.2.7    三台机器上关闭开机自启
[apache@hadoop102 clickhouse]$sudo systemctl disable clickhouse-server 
2.2.8    使用client连接server
[apache@hadoop102 clickhouse]$ clickhouse-client -m
 
-m :可以在命令窗口输入多行命令

第4章    表引擎
4.1    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标的数据。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
4.2    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;
4.3    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。
4.4    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);
    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');
MergeTree其实还有很多参数(绝大多数用默认值即可)，但是三个参数是更加重要的，也涉及了关于MergeTree的很多概念。
4.4.1    partition by 分区 （可选项）
    作用
学过hive的应该都不陌生，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
只会使用一个分区。
    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。
optimize table xxxx final;
    例如
再次执行上面的插入操作
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');
查看数据并没有纳入任何分区
 
    手动optimize之后
hadoop102 :) optimize table t_order_mt final;
再次查询
 
4.4.2    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。
稀疏索引：
 
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。
4.4.3    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)
4.4.4    二级索引
目前在ClickHouse的官网上二级索引的功能是被标注为实验性的。
(1)    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
set allow_experimental_data_skipping_indices=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);
其中GRANULARITY N 是设定二级索引对于一级索引粒度的粒度。
(3)    插入数据
insert into  t_order_mt2 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');
(4)    对比效果
那么在使用下面语句进行测试，可以看出二级索引能够为非主键字段的查询发挥作用。
[atguigu@hadoop102 lib]$ clickhouse-client  --send_logs_level=trace <<< 'select * from t_order_mt2  where total_amount > toDecimal32(900., 2)';
 
4.4.5    数据TTL
TTL即Time To Live，MergeTree提供了可以管理数据或者列的生命周期的功能。
(1)    列级别TTL
    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);
    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');
    手动合并，查看效果  到期后，指定的字段数据归0
 
(2)    表级TTL
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;
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 
4.5    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。
    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。
    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。
    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);
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。   
    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');
    执行第一次查询
hadoop102 :) select * from t_order_rmt;
 
    手动合并
OPTIMIZE TABLE t_order_rmt FINAL;
    再执行一次查询
hadoop102 :) select * from t_order_rmt;
 
    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
    只有合并分区才会进行去重
    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
4.6    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
    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 );
     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');
    执行第一次查询
hadoop102 :) select * from t_order_smt;
 
    手动合并
OPTIMIZE TABLE t_order_smt FINAL;
    再执行一次查询
hadoop102 :) select * from t_order_smt;
 
    通过结果可以得到以下结论
    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
    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’
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是列式存储的，效率提升有限，不会特别明显。
select sum(total_amount) from province_name=’’ and create_date=’xxx’