记录一下亿级别数据入库clickhouse

需求背景

公司的业务主要是广告数据归因的，每天的pv数据和加粉数据粗粗算一下，一天几千万上亿是有的。由于数据量大，客户在后台查询时间跨度比较大的数据时，查询效率就堪忧。因而将数据聚合后导到clickhouse进行存储，目的只有一个就是加快查询，提高用户体验感。原本以为是个简单的需求，但是在中途还是遇到一些坑。在这里做一个简单的思路分享，后面工作久一些的铁子们应该用的上。

clickhouse文档

文档地址

经验小结第一点

由于清洗历史数据的前期，可能会遇到统计错误，这就涉及到重复清洗的问题。既然需要重复清洗，那么历史数据就需要先删除。在clickhouse的官方文档中，是没有delete的语句的，他的删除语句其实有点像更新语句，严谨来说删除操作其实也是更新的一种。他的SQL语句如下：

 ALTER TABLE 表名 DELETE WHERE + 条件

注意： clickhouse的删除操作不是同步的，而是异步的，并且时间不确定。就是说你在发送这条指令之后，如果后面立即进行新数据的插入，那么大概率的情况下会出现数据错误或者不一致的问题，我分析了一下，当我插入相同时间段的历史数据的时候，这个删除的指令有可能在删除我后面插入的数据，这里是一个大坑，切记！切记！切记！

那么怎么解决呢，如果你的数据比较少或者一天就聚合一两次，那你可以先执行删除的操作，隔一段时间后，再去执行插入的操作，虽然官方文档解释，异步执行的时间不确定，但是只有你在流量比较小的时候去执行，一般没什么问题。

经验小结第二点

因为clickhouse的设计机制中涉及分区的概念，简单理解就是，类似按一定维度去分表，比如按月份分别这种，既然分区，那就涉及到合并数据。在我们日常业务中，由于不可控的因素，偶发性其实出现重复数据是比较常见的问题。但也是一个比较令人痛疼的问题。

考虑到clickhouse删除数据的异步性，加上广告业务，面向B端的客户，数据的实时性也是比较重要的。所以用删除语句去删除再插入，显得就有点不靠谱了，所以下面就需要了解一下clickhouse集中常见的表引擎。

clickhouse官方文档介绍的几种表引擎

下面简单带一下其中的两种，不是说其他的不好，只是这两种我这次分析过，根据自己的业务需求去选择引擎就好。

CollapsingMergeTree

该引擎继承于 MergeTree，并在数据块合并算法中添加了折叠行的逻辑。

CollapsingMergeTree 会异步的删除（折叠）这些除了特定列 Sign 有 1 和 -1 的值以外，其余所有字段的值都相等的成对的行。没有成对的行会被保留。更多的细节请看本文的折叠部分。

因此，该引擎可以显著的降低存储量并提高 SELECT 查询效率。

他的建表语句如下：

CREATE TABLE [IF NOT EXISTS] [db.]table_name [ON CLUSTER cluster]
(
    name1 [type1] [DEFAULT|MATERIALIZED|ALIAS expr1],
    name2 [type2] [DEFAULT|MATERIALIZED|ALIAS expr2],
    ...
) ENGINE = CollapsingMergeTree(sign)
[PARTITION BY expr]
[ORDER BY expr]
[SAMPLE BY expr]
[SETTINGS name=value, ...]

CollapsingMergeTree 参数

sign — 类型列的名称： 1 是«状态»行，-1 是«取消»行。列数据类型 — Int8。

解释

这是什么意思呢，我解释一下，其实我个人感觉有点鸡肋，他的意思是你每次插入数据前，都需要插入两次，除了sign字段的值不一样，其他列数据都一样，这样，他在数据合并的过程中，带有-1标识的数据会跟之前的重复的历史数据相互抵消，只保留最新的这一条数据。这就是它处理重复数据的方法，官方的案例是这个样子的：

他这种在特性的场合是可以用的，比如某些数据状态需要经常性更新的时候，是可行的。

官方案例地址：案例地址

但是我没敢用，为什么？

假设我的表初始的时候，是空的，我压根就没有历史数据，那我的这两条数据是不是有可能会相互冲销掉。为此我特地查了一下，结果还真有这种可能性。OMG，算了，这个方式我还是不敢用，不然出问题直接卷铺盖走人。

最终采用的表引擎——ReplacingMergeTree表引擎

借用官方的解释：

该引擎和 MergeTree 的不同之处在于它会删除排序键值相同的重复项。

数据的去重只会在数据合并期间进行。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。有一些数据可能仍未被处理。尽管你可以调用 OPTIMIZE 语句发起计划外的合并，但请不要依靠它，因为 OPTIMIZE 语句会引发对数据的大量读写。

因此，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。（这个后续有解决的方式）
这里说的出现重复的数据，其实也是因为它的合并时间是不确定的，不一定马上就合并，所以你查询的时候可能会看到一些重复数据，不过它又提供了一道生门，这个很重要，你可以使用FINAL这个关键字进行查询，SQL语句如下：

slecct * from 表名 [WHERE ...] final

这样查询的时候就是查询最后插入的这条数据。建表语句如下：

CREATE TABLE [IF NOT EXISTS] [db.]table_name [ON CLUSTER cluster]
(
    name1 [type1] [DEFAULT|MATERIALIZED|ALIAS expr1],
    name2 [type2] [DEFAULT|MATERIALIZED|ALIAS expr2],
    ...
) ENGINE = ReplacingMergeTree([ver])
[PARTITION BY expr]
[ORDER BY expr]
[SAMPLE BY expr]
[SETTINGS name=value, ...]

expr：这个可以理解成mysql的唯一索引，后面合并数据的时候，它也是以此为依据判断是否是重复数据
举个例子

CREATE TABLE IF NOT EXISTS landing_page_day_statistics
(
    advertiser_account_group_id               bigint comment '项目ID',
    landing_page_id                           bigint comment '落地页ID',
    statistic_date                            timestamp comment '统计日期',
    landing_page_channel_id                   bigint comment '渠道ID',
    page_view_num                             bigint default 0 comment '浏览数',
    created_at                                timestamp
    )
    ENGINE = ReplacingMergeTree() PARTITION BY toYYYYMM(statistic_date)
    PRIMARY KEY (advertiser_account_group_id, landing_page_id, landing_page_channel_id, statistic_date)
    ORDER BY (advertiser_account_group_id, landing_page_id, landing_page_channel_id, statistic_date)
    COMMENT '测试表';

那么在这个引擎下，它就以advertiser_account_group_id, landing_page_id, landing_page_channel_id, statistic_date为唯一键进行判断是否是重复数据，是重复的数据，后续合并的时候就会合并成一条数据。

总结

clickhouse是一个高性能的查询数据库，它的强项在于缩短查询时间，其实严格来说就是用空间换时间。他很强大，但是也需要注意使用的姿势。对于官方文档，一定要多看几遍，看懂了，其实坑就踩平了，当然还有很多其他需要注意的点，后续继续整理给大伙分享一下。

好了，今天的内容就分享到这里，更多内容整理在公众号”安前码后“，一个专注分享使用干货的号，另外最近团队在做"韭盾专栏"号,对财经感兴趣的可以先关注，文章也都是干货，一篇推文一般需要成员花一周的时间去整理和分析。题外话，觉得文章有点小作用，实用的话，帮忙给个三连，感激不尽。
加油，铁子们！！