ClickHouse 面试题

什么是 ClickHouse？

ClickHouse 是近年来备受关注的开源列式数据库管理系统，主要用于数据分析 （OLAP）领域。通过向量化执行以及对 cpu 底层指令集（SIMD）的使用，它 可以对海量数据进行并行处理，从而加快数据的处理速度。ClickHouse从 OLAP 场景需求出发，定制开发了一套全新的高效列式存储引擎，并且实现了数据有序 存储、主键索引、稀疏索引、数据 Sharding、数据 Partitioning、TTL、主备复 制等丰富功能。

ClickHouse 有哪些应用场景？

• 1. 绝大多数请求都是用于读访问的；
• 2. 数据需要以大批次（大于 1000 行）进行更新，而不是单行更新；
• 3. 数据只是添加到数据库，没有必要修改；
• 4. 读取数据时，会从数据库中提取出大量的行，但只用到一小部分列；
• 5. 表很“宽”，即表中包含大量的列；
• 6. 查询频率相对较低（通常每台服务器每秒查询数百次或更少）；
• 7. 对于简单查询，允许大约 50 毫秒的延迟；
• 8. 列的值是比较小的数值和短字符串（例如，每个 URL只有 60 个字节）；
• 9. 在处理单个查询时需要高吞吐量（每台服务器每秒高达数十亿行）；
• 10. 不需要事务；
• 11. 数据一致性要求较低；
• 12. 每次查询中只会查询一个大表。除了一个大表，其余都是小表；
• 13. 查询结果显著小于数据源。即数据有过滤或聚合。返回结果不超过单个服务 器内存。

ClickHouse 列式存储的优点有哪些？

• 当分析场景中往往需要读大量行但是少数几个列时，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。
• 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。
• 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。 - 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。
• 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。

ClickHouse 的缺点是是什么？

• 不支持事务，不支持真正的删除/更新； - 不支持二级索引；
• join 实现与众不同；
• 不支持窗口功能；
• 元数据管理需要人为干预。

ClickHouse 的架构是怎样的？

ClickHouse 采用典型的分组式的分布式架构，其中：

• Shard：集群内划分为多个分片或分组（Shard 0 … Shard N），通过 Shard
  的线性扩展能力，支持海量数据的分布式存储计算。
• Node：每个 Shard 内包含一定数量的节点（Node，即进程），同一 Shard 内的节点互为副本，保障数据可靠。ClickHouse 中副本数可按需建设，且逻辑上不同 Shard 内的副本数可不同。
• ZooKeeper Service：集群所有节点对等，节点间通过 ZooKeeper 服务进行分布式协调。

ClickHouse 的逻辑数据模型？

从用户使用⻆度看，ClickHouse 的逻辑数据模型与关系型数据库有一定的相似： 一个集群包含多个数据库，一个数据库包含多张表，表用于实际存储数据。

ClickHouse 的核心特性？

• 列存储：列存储是指仅从存储系统中读取必要的列数据，无用列不读取，速度非常快。ClickHouse 采用列存储，这对于分析型请求非常高效。一个典型 且真实的情况是，如果我们需要分析的数据有 50 列，而每次分析仅读取其 中的 5 列，那么通过列存储，我们仅需读取必要的列数据，相比于普通行存，可减少 10 倍左右的读取、解压、处理等开销，对性能会有质的影响。
• 向量化执行：在支持列存的基础上，ClickHouse 实现了一套面向 向量化处理 的计算引擎，大量的处理操作都是向量化执行的。相比于传统火山模型中 的逐行处理模式，向量化执行引擎采用批量处理模式，可以大幅减少函数调 用开销，降低指令、数据的 Cache Miss，提升 CPU 利用效率。并且ClickHouse可利用SIMD指令进一步加速执行效率 。 这部分是 ClickHouse 优于大量同类 OLAP 产品的重要因素。
• 编码压缩：由于 ClickHouse 采用列存储，相同列的数据连续存储，且底层数据在存储时是经过排序的，这样数据的局部规律性非常强，有利于获得更 高的数据压缩比。此外，ClickHouse除了支持 LZ### ZSTD 等通用压缩算 法外，还支持 Delta、DoubleDelta、Gorilla 等专用编码算法，用于进一步 提高数据压缩比。
• 多索引：列存用于裁剪不必要的字段读取，而索引则用于裁剪不必要的记录读取。ClickHouse 支持丰富的索引，从而在查询时尽可能的裁剪不必要的 记录读取，提高查询性能。

使用 ClickHouse 时有哪些注意点？

分区和索引
分区粒度根据业务特点决定，不宜过粗或过细。一般选择按天分区，也可指定为tuple()；以单表 1 亿数据为例，分区大小控制在 10-30 个为最佳。
必须指定索引列，clickhouse 中的索引列即排序列，通过 order by 指定，一般 在查询条件中经常被用来充当筛选条件的属性被纳入进来；可以是单一维度，也 可以是组合维度的索引；通常需要满足高级列在前、查询频率大的在前原则；还 有基数特别大的不适合做索引列，如用户表的 userid 字段；通常筛选后的数据 满足在百万以内为最佳。
数据采样策略
通过采用运算可极大提升数据分析的性能。
数据量太大时应避免使用 select * 操作，查询的性能会与查询的字段大小和数 量成线性变换；字段越少，消耗的IO 资源就越少，性能就会越高。 千万以上数据集用 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。 不建议在高基列上执行 distinct 去重查询，改为近似去重 uniqCombined。 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。
存储
ClickHouse 不支持设置多数据目录，为了提升数据 一个券组绑定多块物理磁盘提升读写性能；多数查询场景 硬盘快 2-3 倍。
io 性能，可以挂载虚拟券组，
SSD 盘会比普通机械快

ClickHouse 的引擎有哪些？

ClickHouse 提供了大量的数据引擎，分为数据库引擎、表引擎，根据数据特点 及使用场景选择合适的引擎至关重要。
ClickHouse 引擎分类
在以下几种情况下，ClickHouse 使用自己的数据库引擎：

• 决定表存储在哪里以及以何种方式存储； - 支持哪些查询以及如何支持；
• 并发数据访问；
• 索引的使用；
• 是否可以执行多线程请求；
• 数据复制参数。

在所有的表引擎中，最为核心的当属 MergeTree 系列表引擎，这些表引擎拥有 最为强大的性能和最广泛的使用场合。对于非 MergeTree 系列的其他引擎而言， 主要用于特殊用途，场景相对有限。而 MergeTree 系列表引擎是官方主推的存储引擎，支持几乎所有 ClickHouse 核心功能。
MergeTree 作为家族系列最基础的表引擎，主要有以下特点：

• 存储的数据按照主键排序：允许创建稀疏索引，从而加快数据查询速度； - 支持分区，可以通过 PRIMARY KEY语句指定分区字段；
• 支持数据副本；
• 支持数据采样。

建表引擎参数有哪些？

ENGINE：ENGINE = MergeTree()，MergeTree 引擎没有参数。
ORDER BY：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。 要求：主键必须是 order by 字段的前缀字段。
如果 ORDER BY与 PRIMARY KEY不同，PRIMARY KEY必须是 ORDER BY的 前缀(为了保证分区内数据和主键的有序性)。
ORDER BY 决定了每个分区中数据的排序规则;
PRIMARY KEY 决定了一级索引(primary.idx);
ORDER BY 可以指代 PRIMARY KEY, 通常只用声明 ORDER BY 即可。
PARTITION BY：分区字段，可选。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。
PRIMARY KEY：指定主键，如果排序字段与主键不一致，可以单独指定主 键字段。否则默认主键是排序字段。可选。
SAMPLE BY：采样字段，如果指定了该字段，那么主键中也必须包含该字 段。比如 SAMPLE BY
intHash32(UserID) ORDER BY (CounterID, EventDate, intHash32(UserID))。可选。
TTL：数据的存活时间。在 MergeTree 中，可以为某个列字段或整张表设置 TTL。当时间到达时，如果是列字段级别的 TTL，则会删除这一列的数据；如果 是表级别的 TTL，则会删除整张表的数据。可选。
SETTINGS：额外的参数配置。可选。