ClickHouse初级 - 第四章 表引擎的使用

文章目录

    • 一、表引擎的使用
    • 二、TinyLog
    • 三、Memory
    • 四、MergeTree
      • 4.1 partition by 分区(可选)
      • 4.2 primary key 主键(可选)
      • 4.3 order by(必选)
      • 4.4 二级索引(跳数索引)
      • 4.5 数据TTL
        • 4.5.1 列级别 TTL
        • 4.5.2 表级 TTL
    • 五、ReplacingMergeTree
      • 5.1 去重时机
      • 5.2 去重范围
      • 5.3 案例演示
      • 5.4 通过测试得到结论
    • 六、SummingMergeTree
      • 6.1 案例演示
      • 6.2 通过结果可以得到以下结论
      • 6.3 开发建议
      • 6.4 问题

一、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表的数据。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

二、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;

三、Memory

1、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)。
2、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。

四、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。

1)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);

2)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');

3)查询(因为设置分区,所以查询结果分开)
ClickHouse初级 - 第四章 表引擎的使用_第1张图片

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。

4.1 partition by 分区(可选)

1)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;

2)如果不填
只会使用一个分区;

3)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。

4)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。

5)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;

6)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
ClickHouse初级 - 第四章 表引擎的使用_第2张图片

手动 optimize 之后,optimize table t_order_mt final; 再次查询
ClickHouse初级 - 第四章 表引擎的使用_第3张图片

4.2 primary key 主键(可选)

1)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。
2)主键的设定主要依据是查询语句中的 where 条件。
3)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:
ClickHouse初级 - 第四章 表引擎的使用_第4张图片
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。

4.3 order by(必选)

1)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。
2)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。
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 二级索引(跳数索引)

目前在 ClickHouse 的官网上二级索引的功能在 v20.1.2.4 之前是被标注为实验性的,在 这个版本之后默认是开启的。

1)老版本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(v20.1.2.4 开始,这个参数已被删除,默认开启)

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。

  • eg:跳数索引类型为minmax时,假设一级索引分为【1,1】,【1,2】,【2,10】,【10,100】,【100,1000】,二级索引粒度若为2的话,则将【1,1】,【1,2】合并为【1,2】;将【2,10】,【10,100】合并为【2,100】等

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
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。

clickhouse-client --send_logs_level=trace<<<'select * from t_order_mt2 where total_amount > toDecimal32(900., 2)';

docker的话使用下面的命令

docker exec -it 8f090a35b04d clickhouse-client --send_logs_level=trace --query "select * from t_order_mt2 where total_amount > toDecimal32(900., 2)"

4.5 数据TTL

TTL 即 Time To Live,MergeTree 提供了可以管理数据表或者列的生命周期的功能。

4.5.1 列级别 TTL

1)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);

2)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');

3)手动合并(cpu性能一般的话才需要手动合并),查看效果 到期后,指定的字段数据归0
ClickHouse初级 - 第四章 表引擎的使用_第5张图片

4.5.2 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

五、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。

5.1 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。

5.2 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。

5.3 案例演示

1)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。

2)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');

3)第一次查询
ClickHouse初级 - 第四章 表引擎的使用_第6张图片

4)手动合并
OPTIMIZE TABLE t_order_rmt FINAL;

5)再执行一次查询
select * from t_order_rmt;
ClickHouse初级 - 第四章 表引擎的使用_第7张图片

ps:新版本在插入的时候就会直接进行合并

5.4 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
  • 只有同一批插入(新版本)或合并分区时才会进行去重
  • 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次

六、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

6.1 案例演示

1)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 );

2)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');

3)执行第一次查询(新版会在插入的时候自动合并)

select * from t_order_smt;

ClickHouse初级 - 第四章 表引擎的使用_第8张图片

4)手动合并

OPTIMIZE TABLE t_order_smt FINAL;

5)再执行一次查询

select * from t_order_smt;

ClickHouse初级 - 第四章 表引擎的使用_第9张图片

6.2 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
  • 只有在同一批次插入(新版本)或分片合并时才会进行聚合

6.3 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。

6.4 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’

你可能感兴趣的:(大数据,clickhouse,java,服务器)