Clickhouse学习笔记01——入门及安装

一、Clickhouse入门

1.使用场景

ClickHouse 是俄罗斯的Yandex于2016年开源的列式存储数据库（DBMS），使用C++语言编写，主要用于在线分析处理查（OLAP），能够使用SQL查询实时生成分析数据报告。

OLAP场景的关键特征

• 大多数是读请求
• 数据总是以相当大的批(> 1000 rows)进行写入
• 不修改已添加的数据
• 每次查询都从数据库中读取大量的行，但是同时又仅需要少量的列
• 宽表，即每个表包含着大量的列
• 较少的查询(通常每台服务器每秒数百个查询或更少)
• 对于简单查询，允许延迟大约50毫秒
• 列中的数据相对较小： 数字和短字符串(例如，每个URL 60个字节)
• 处理单个查询时需要高吞吐量（每个服务器每秒高达数十亿行）
• 事务不是必须的
• 对数据一致性要求低
• 每一个查询除了一个大表外都很小
• 查询结果明显小于源数据，换句话说，数据被过滤或聚合后能够被盛放在单台服务器的内存中

2.Clickhouse的特点

2.1 列式存储

Id	Name	Age
1	张三	18
2	李四	22
3	王五	34

• 采用行式存储时，数据在磁盘上的组织结构为：

• 好处是想查某个人所有的属性时，可以通过一次磁盘查找加顺序读取就可以。但是当想查所有人的年龄时，需要不停的查找，或者全表扫描才行，遍历的很多数据都是不需要的。

• 而采用列式存储时，数据在磁盘上的组织结构为：

• 这时想查所有人的年龄只需把年龄那一列拿出来就可以了

• 列式储存的好处：
  1.对于列的聚合，计数，求和等统计操作原因优于行式存储。
  2.由于某一列的数据类型都是相同的，针对于数据存储更容易进行数据压缩，每一列选择更优的数据压缩算法，大大提高了数据的压缩比重。
  3.由于数据压缩比更好，一方面节省了磁盘空间，另一方面对于cache也有了更大的发挥空间。

2.2 DBMS功能

• ClickHouse支持基于SQL的声明式查询语言，该语言大部分情况下是与SQL标准兼容的。
• 支持的查询包括 GROUP BY，ORDER BY，IN，JOIN以及非相关子查询。
• 不支持窗口函数和相关子查询。

2.3 多样化引擎

clickhouse和mysql类似，把表级的存储引擎插件化，根据表的不同需求可以设定不同的存储引擎。
目前包括合并树、日志、接口和其他四大类20多种引擎

2.4 高吞吐写入能力

ClickHouse采用类LSM Tree的结构，数据写入后定期在后台Compaction。

通过类LSM tree的结构，ClickHouse在数据导入时全部是顺序append写，写入后数据段不可更改，在后台compaction时也是多个段merge sort后顺序写回磁盘。

顺序写的特性，充分利用了磁盘的吞吐能力，即便在HDD上也有着优异的写入性能。

官方公开benchmark测试显示能够达到50MB-200MB/s的写入吞吐能力，按照每行100Byte估算，大约相当于50W-200W条/s的写入速度。

2.5 数据分区和线程并行

ClickHouse将数据划分为多个partition，每个partition再进一步划分为多个index granularity(粒度)，然后通过多个CPU核心分别处理其中的一部分来实现并行数据处理。

在这种设计下，单条Query就能利用整机所有CPU。极致的并行处理能力，极大的降低了查询延时。所以，clickhouse即使对于大量数据的查询也能够化整为零平行处理。但是有一个弊端就是对于单条查询使用多cpu，就***不利于同时并发多条查询***。所以对于高qps的查询业务，clickhouse并不是强项。

2.6 一些限制

• 没有完整的事务支持。
• 缺少高频率，低延迟的修改或删除已存在数据的能力。仅能用于批量删除或修改数据，但这符合 GDPR。
• 稀疏索引使得ClickHouse不适合通过其键检索单行的点查询。

2.7 哪些公司在使用clickhouse

https://clickhouse.tech/docs/zh/introduction/adopters/

3.优缺点

3.1 优点

• 灵活的MPP架构，支持线性扩展，简单方便，高可靠性
• 多服务器分布式处理数据 ，完备的DBMS系统
• 底层数据列式存储，支持压缩，优化数据存储，优化索引数据 优化底层存储
• 容错跑分快：比Vertica快5倍，比Hive快279倍，比MySQL快800倍，其可处理的数据级别已达到10亿级别
• 功能多：支持数据统计分析各种场景，支持类SQL查询，异地复制部署
• 海量数据存储，分布式运算，快速闪电的性能，几乎实时的数据分析 ，友好的SQL语法,出色的函数支持

3.2 缺点

• 不支持事务，不支持真正的删除/更新
• 不支持高并发，官方建议qps为100，可以通过修改配置文件增加连接数，但是在服务器足够好的情况下
• 不支持二级索引
• 不擅长多表join，建议使用大宽表
• 元数据管理需要人为干预
• 尽量做1000条以上批量的写入，避免逐行insert或小批量的insert，update，delete操作

4.核心概念

4.1 数据分片

数据分片是将数据进行横向切分，这是一种在面对海量数据的场 景下，解决存储和查询瓶颈的有效手段，是一种分治思想的体现。 ClickHouse支持分片，而分片则依赖集群。每个集群由1到多个分片组成，而每个分片则对应了ClickHouse的1个服务节点。分片的数量上限 取决于节点数量（1个分片只能对应1个服务节点）。ClickHouse并不像其他分布式系统那样，拥有高度自动化的分片功能。ClickHouse提供了本地表（Local Table）与分布式表（Distributed Table）的概念。一张本地表等同于一份数据的分片。而分布式表本身不存储任何数据，它是本地表的访问代理，其作用类似分库中间件。借助分布式表，能够代理访问多个数据分片，从而实现分布式查询。这种设计类似数据库的分库和分表，十分灵活。例如在业务系统上线的初期，数据体量并不高，此时数据表并不需要多个分片。所以使用单个节点的本地表（单个数据分片）即可满足业务需求，待到业务增长、数据量增大的时候，再通过新增数据分片的方式分流数据，并通过分布式表实现分布式查询。这就好比一辆手动挡赛车，它将所有的选择权都交到了使用者的手中!

4.2 列式存储

① 如前所述，分析场景中往往需要读大量行但是少数几个列。在行存模式下，数据按行连续存储，所有列的数据都存储在一个bloCK中，不参与计算的列在IO时也要全部读出，读取操作被严重放大。而列存模式下，只需要读取参与计算的列即可，极大的减低了IO cost，加速了查询。

② 同一列中的数据属于同一类型，压缩效果显著。列存往往有着高达十倍甚至更高的压缩比，节省了大量的存储空间，降低了存储成本。

③ 更高的压缩比意味着更小的data size，从磁盘中读取相应数据耗时更短。

④ 自由的压缩算法选择。不同列的数据具有不同的数据类型，适用的压缩算法也就不尽相同。可以针对不同列类型，选择最合适的压缩算法。

⑤ 高压缩比，意味着同等大小的内存能够存放更多数据，系统cache效果更好。

官方数据显示，通过使用列存，在某些分析场景下，能够获得100倍甚至更高的加速效应。

4.3 向量化

ClickHouse不仅将数据按列存储，而且按列进行计算。传统OLTP数据库通常采用按行计算，原因是事务处理中以点查为主，SQL计算量小，实现这些技术的收益不够明显。但是在分析场景下，单个SQL所涉及计算量可能极大，将每行作为一个基本单元进行处理会带来严重的性能损耗：
① 对每一行数据都要调用相应的函数，函数调用开销占比高；
② 存储层按列存储数据，在内存中也按列组织，但是计算层按行处理，无法充分利用CPU cache的预读能力，造成CPU Cache miss严重；
③ 按行处理，无法利用高效的SIMD指令；
ClickHouse实现了向量执行引擎（Vectorized execution engine），对内存中的列式数据，一个batch调用一次SIMD指令（而非每一行调用一次），不仅减少了函数调用次数、降低了cache miss，而且可以充分发挥SIMD指令的并行能力，大幅缩短了计算耗时。向量执行引擎，通常能够带来数倍的性能提升。
(SIMD全称Single Instruction Multiple Data，单指令多数据流，能够复制多个操作数，并把它们打包在大型寄存器的一组指令集。以同步方式，在同一时间内执行同一条指令。)

4.4 表

上层数据的视图展示概念 ,包括表的基本结构和数据

4.5 分区

ClickHouse支持PARTITION BY子句，在建表时可以指定按照任意合法表达式进行数据分区操作，比如通过toYYYYMM()将数据按月进行分区、toMonday()将数据按照周几进行分区、对Enum类型的列直接每种取值作为一个分区等。数据以分区的形式统一管理和维护一批数据!

4.6 副本

数据存储副本,在集群模式下实现高可用 , 简单理解就是相同的数据备份，在CK中通过复制集，我们实现保障了数据可靠性外，也通过多副本的方式，增加了CK查询的并发能力。这里一般有2种方式：（1）基于ZooKeeper的表复制方式；（2）基于Cluster的复制方式。由于我们推荐的数据写入方式本地表写入，禁止分布式表写入，所以我们的复制表只考虑ZooKeeper的表复制方案。

4.7 引擎

不同的引擎决定了表数据的存储特点,位置和表数据的操作行为:

① 决定表存储在哪里以及以何种方式存储

② 支持哪些查询以及如何支持

③ 并发数据访问

④ 索引的使用

⑤ 是否可以执行多线程请求

⑥ 数据复制参数

⑦ 并发操作 insert into tb_x select * from tb_x ;

表引擎决定了数据在文件系统中的存储方式，常用的也是官方推荐的存储引擎是MergeTree系列，如果需要数据副本的话可以使用ReplicatedMergeTree系列，相当于MergeTree的副本版本。读取集群数据需要使用分布式表引擎Distribute。

二、安装单机版clickhouse

1.准备工作

1.1 CentOS取消打开文件数限制

修改/etc/security/limits.conf

sudo vim /etc/security/limits.conf

添加以下内容，如果已经添加过，则修改

注意前面需要添加 *

* soft nofile 65536
* hard nofile 65536
* soft nproc 131072
* hard nproc 131072

修改/etc/security/limits.d/20-nproc.conf

sudo vim /etc/security/limits.d/20-nproc.conf

添加以下内容，如果已经添加过，则修改

注意前面需要添加 *

* soft nofile 65536
* hard nofile 65536
* soft nproc 131072
* hard nproc 131072

1.2 CentOS取消SELINUX

别改错了，注意是对SELINUX进行修改

sudo vim /etc/selinux/config
SELINUX=disabled

1.3 关闭防火墙

如果已经关闭, 跳过改步骤

• 查看防火墙状态

  sudo firewall-cmd --state
  

• 关闭防火墙

  sudo systemctl stop firewalld
  

• 关闭开机自启动(因为防火墙是服务, 所以开启会自启, 需要关闭)

  sudo systemctl disable firewalld
  

1.4 重启服务器

上述修改完成后重启服务器

2.单机安装

2.1 安装依赖的工具

sudo yum -y install yum-utils

2.2 使用yum安装（需要网络）

sudo rpm --import https://repo.clickhouse.tech/CLICKHOUSE-KEY.GPG
sudo yum-config-manager --add-repo https://repo.clickhouse.tech/rpm/stable/x86_64
sudo yum -y install clickhouse-server clickhouse-client

2.3 使用rmp离线安装(不需要网络)

注意: 使用yum和使用rmp二选一

• 准备离线安装包
  下载地址: https://repo.yandex.ru/clickhouse/rpm/stable/x86_64/

• 需要下面4个安装包

  clickhouse-client-20.4.5.36-2.noarch.rpm
  clickhouse-common-static-20.4.5.36-2.x86_64.rpm
  clickhouse-common-static-dbg-20.4.5.36-2.x86_64.rpm
  clickhouse-server-20.4.5.36-2.noarch.rpm
  

• 使用rpm安装

  sudo rpm -ivh clickhouse-client-20.4.5.36-2.noarch.rpm
  sudo rpm -ivh clickhouse-common-static-20.4.5.36-2.x86_64.rpm
  sudo rpm -ivh clickhouse-common-static-dbg-20.4.5.36-2.x86_64.rpm
  sudo rpm -ivh clickhouse-server-20.4.5.36-2.noarch.rpm
  

• 或者直接一次性安装所有rpm包

  sudo rpm -ivh *.rpm
  

2.4 修改配置文件

修改/etc/clickhouse-server/config.xml

sudo vim /etc/clickhouse-server/config.xml
# ipv4均能连接和ipv6均能连接，docker下可能出现问题!!!
<listen_host>::</listen_host>
# docker下使用下面的配置
<listen_host>0.0.0.0</listen_host>

允许: 来自任何地方的客户度连接当前服务器（ipv4和ipv6都可以）

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

注意，使用CDH时9000端口已经被占用，可以修改配置中和9000端口有关的参数，将其修改为9003

<tcp_port>9003tcp_port>

<remote_servers incl="clickhouse_remote_servers" >
    <remote_servers incl="clickhouse_remote_servers" >
    
    <test_shard_localhost>
        <shard>
            
            
            <replica>
                <host>localhosthost>
                <port>9003port>
            replica>
        shard>
    test_shard_localhost>
    <test_cluster_two_shards_localhost>
         <shard>
             <replica>
                 <host>localhosthost>
                 <port>9003port>
             replica>
         shard>
         <shard>
             <replica>
                 <host>localhosthost>
                 <port>9003port>
             replica>
         shard>
    test_cluster_two_shards_localhost>
    <test_cluster_two_shards>
        <shard>
            <replica>
                <host>127.0.0.1host>
                <port>9003port>
            replica>
        shard>
        <shard>
            <replica>
                <host>127.0.0.2host>
                <port>9003port>
            replica>
        shard>
    test_cluster_two_shards>
    <test_unavailable_shard>
        <shard>
            <replica>
                <host>localhosthost>
                <port>9003port>
            replica>
        shard>
        <shard>
            <replica>
                <host>localhosthost>
                <port>1port>
            replica>
        shard>
    test_unavailable_shard>
remote_servers>

同时应当修改/etc/clickhouse-client/config.xml中的端口号

sudo vim /etc/clickhouse-client/config.xml
<port>9003</port>

如果需要使用WebUI进行查看，可以放开下面一行配置的注释

<http_server_default_response><html ng-app="SMI2"><head><base href="http://ui.tabix.io/">head><body><div ui-view="" class="content-ui">div><script src="http://loader.tabix.io/master.js">script>body>html>]]>http_server_default_response>

通过以下WebUI操作ClickHouse：http://ui.tabix.io/

查询语句需要以;;结尾

否则可能报以下错误

Code: 62, e.displayText() = DB::Exception: Syntax error (Multi-statements are not allowed): failed at position 82 (end of query) (line 1, col 82): ;

2.5 启动ClickhouseServer

sudo systemctl start clickhouse-server

2.6 启动ClickhouseClient

source /etc/profile（可选）
连接本机服务器的client端口，-m表示可以换行使用

clickhouse-client -m

连接远程服务器

clickhouse-client --host=linux201 -m

也可以使用dbeaver进行连接，使用之前需要下载默认的驱动

2.7 关闭开机自启动

sudo systemctl disable clickhouse-server

3.卸载重装

需要更新ClickHouse时可以先停服务

systemctl stop clickhouse-server

刚才介绍了rpm方式的安装，如果有网络的情况下，可以使用yum安装或者卸载

首先卸载ClickHouse

yum remove -y clickhouse-common-static
yum remove -y clickhouse-server-common

然后查看是否卸载成功

yum list installed | grep clickhouse

如果还有没有卸载干净的继续使用yum进行删除

yum remove -y clickhouse-common-static-dbg.x86_64

全部卸载后删除ClickHouse的lib目录以及日志和数据目录（下面为默认的目录）

rm -rf /var/lib/clickhouse
rm -rf /etc/clickhouse-*
rm -rf /var/log/clickhouse-server

然后上传rmp安装包到CentOS上，由于有网路，使用yum进行安装，安装过程中如果有依赖包需要安装可以直接下载安装

yum install -y clickhouse-common-static-20.8.3.18-2.x86_64.rpm
yum install -y clickhouse-common-static-dbg-20.8.3.18-2.x86_64.rpm
yum install -y clickhouse-client-20.8.3.18-2.noarch.rpm
yum install -y clickhouse-server-20.8.3.18-2.noarch.rpm