ClickHouse-常用表引擎详解

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(不同引擎有些功能不能用)。

➢ 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

一、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;

二、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。

三、*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 [IF NOT EXISTS] [db.]table_name [ON CLUSTER cluster]
(
    name1 [type1] [DEFAULT|MATERIALIZED|ALIAS expr1] [TTL expr1],
    name2 [type2] [DEFAULT|MATERIALIZED|ALIAS expr2] [TTL expr2],
    ...
    INDEX index_name1 expr1 TYPE type1(...) GRANULARITY value1,
    INDEX index_name2 expr2 TYPE type2(...) GRANULARITY value2,
    ...
    PROJECTION projection_name_1 (SELECT <COLUMN LIST EXPR> [GROUP BY] [ORDER BY]),
    PROJECTION projection_name_2 (SELECT <COLUMN LIST EXPR> [GROUP BY] [ORDER BY])
) ENGINE = MergeTree()
ORDER BY expr
[PARTITION BY expr]
[PRIMARY KEY expr]
[SAMPLE BY expr]
[TTL expr
    [DELETE|TO DISK 'xxx'|TO VOLUME 'xxx' [, ...] ]
    [WHERE conditions]
    [GROUP BY key_expr [SET v1 = aggr_func(v1) [, v2 = aggr_func(v2) ...]] ] ]
[SETTINGS name=value, ...]

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);

主键并不唯一，会建索引

order by 是必须的，主键、分区非必须

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');
 
superset-BI :) select * from t_order_mt;
SELECT *
FROM t_order_mt
Query id: 81f6391b-d34c-49b4-96c9-0a02ef7966b1
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │         1000 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │        12000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │         2500 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
6 rows in set. Elapsed: 0.003 sec.

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。

A.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。（all）

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。一分区一线程

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;

查看数据存储

/var/lib/clickhouse/data/default/t_order_mt
总用量 16
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 22:15 20200601_1_1_0
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 22:15 20200602_2_2_0
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 22:14 detached
-rw-r----- 1 clickhouse clickhouse    1 3月  31 22:14 format_version.txt

分区文件解释

20200601_1_1_0

PartitionId_MinBlockNum_MaxBlockNum_Level

PartitionId:

20200601,分区日期

数据分区ID生成规则

数据分区规则由分区ID决定，分区ID由PARTITION BY分区键决定。根据分区键字段类型，ID生成规则可分为：

未定义分区键：

没有定义PARTITION BY，默认生成一个目录名为all的数据分区，所有数据均存放在all目录下

整型分区键：

分区键为整型，那么直接用该整型值的字符串形式作为分区ID

日期类分区键

String、Float类型等，通过128位的Hash算法取其Hash值作为分区ID

MinBlockNum:

最小分区块的编号，自增类型，从1开始向上递增。每产生一个新的目录分区就向上递增一个数字

MaxBlockNum:

最大分区块的编号，新创建的分区MinBlockNum等于MaxBlockNum的编号

Level:

合并的层级，被合并的次数。合并次数越多，层级值越大。

分区路径下内容

[root@superset-BI 20200601_1_1_0]# ll
总用量 36
-rw-r----- 1 clickhouse clickhouse 259 3月  31 22:15 checksums.txt
-rw-r----- 1 clickhouse clickhouse 118 3月  31 22:15 columns.txt
-rw-r----- 1 clickhouse clickhouse   1 3月  31 22:15 count.txt
-rw-r----- 1 clickhouse clickhouse 189 3月  31 22:15 data.bin
-rw-r----- 1 clickhouse clickhouse 144 3月  31 22:15 data.mrk3
-rw-r----- 1 clickhouse clickhouse  10 3月  31 22:15 default_compression_codec.txt
-rw-r----- 1 clickhouse clickhouse   8 3月  31 22:15 minmax_create_time.idx
-rw-r----- 1 clickhouse clickhouse   4 3月  31 22:15 partition.dat
-rw-r----- 1 clickhouse clickhouse   8 3月  31 22:15 primary.idx

data.bin:数据文件（老版本会有多个数据文件，根据列划分，如：id.bin、sku_id.bin等）

data.mrk3:偏移量(标记文件，可加速查询。老版本会有多个标记文件，如id.mrk3、sku_id.mrk3等，于数据文件对应)，在idx索引文件和bin数据文件之间起到了桥梁作用，以mrk2（目前新版本是mrk3）结尾的文件，表示该表启用了自适应索引间隔

default_compression_codec.txt:压缩格式

count.txt:记录表的行数

columns.txt:列的信息

columns format version: 1

4 columns:

`id` UInt32

`sku_id` String

`total_amount` Decimal(16, 2)

`create_time` DateTime

checksums.txt:校验文件，用于校验各个文件的正确性。存放各个文件的size以及hash值

primary.idx:主键的索引文件（稀疏索引），用于加快查询效率

partition.dat:分区信息

minmax_create_time.idx:分区键的最小最大值

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，需要等合并

superset-BI :) select * from t_order_mt;
SELECT *
FROM t_order_mt
Query id: a541a95b-fbd2-470b-82f2-75b9cfecd553
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │         1000 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │        12000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │         2500 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │         1000 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │        12000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │         2500 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
12 rows in set. Elapsed: 0.003 sec.

查看分区文件

[root@superset-BI t_order_mt]# ll
总用量 24
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 22:15 20200601_1_1_0
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 23:09 20200601_3_3_0
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 22:15 20200602_2_2_0
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 23:09 20200602_4_4_0
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 22:14 detached
-rw-r----- 1 clickhouse clickhouse    1 3月  31 22:14 format_version.txt

手动合并

optimize table t_order_mt final;
superset-BI :) optimize table t_order_mt final;
OPTIMIZE TABLE t_order_mt FINAL
Query id: e75033ee-3ba1-45c4-afae-0b9d03e2c8fe
Ok.
0 rows in set. Elapsed: 0.004 sec.

再次查询

superset-BI :) select * from t_order_mt;
SELECT *
FROM t_order_mt
Query id: d383d41c-dc14-4f35-81af-7818d49f6322
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │         1000 │ 2020-06-01 12:00:00 │
│ 101 │ sku_001 │         1000 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │        12000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │        12000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │         2500 │ 2020-06-01 12:00:00 │
│ 102 │ sku_004 │         2500 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
12 rows in set. Elapsed: 0.003 sec.

再次查看数据文件

drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 22:15 20200601_1_1_0
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 23:13 20200601_1_3_1
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 23:09 20200601_3_3_0
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 22:15 20200602_2_2_0
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 23:13 20200602_2_4_1
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 23:09 20200602_4_4_0
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 22:14 detached
-rw-r----- 1 clickhouse clickhouse    1 3月  31 22:14 format_version.txt

20200601_1_3_1是由20200601_1_1_0和20200601_3_3_0合并得来的，20200601_1_1_0和20200601_3_3_0后期会被清理掉

只合并某一分区

再次插入数据

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');

查看数据

superset-BI :) select * from t_order_mt;
SELECT *
FROM t_order_mt
Query id: 1e7435e7-0632-4d43-9636-2208f9d66f56
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │         1000 │ 2020-06-01 12:00:00 │
│ 101 │ sku_001 │         1000 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │        12000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │        12000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │         2500 │ 2020-06-01 12:00:00 │
│ 102 │ sku_004 │         2500 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │         1000 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │        12000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │         2500 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
18 rows in set. Elapsed: 0.003 sec.

查看数据文件

[root@superset-BI t_order_mt]# ll
总用量 40
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 22:15 20200601_1_1_0
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 23:13 20200601_1_3_1
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 23:09 20200601_3_3_0
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 23:17 20200601_5_5_0
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 22:15 20200602_2_2_0
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 23:13 20200602_2_4_1
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 23:09 20200602_4_4_0
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 23:17 20200602_6_6_0
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 22:14 detached
-rw-r----- 1 clickhouse clickhouse    1 3月  31 22:14 format_version.txt

手动只合并指定分区【暂时不行】

optimize table t_order_mt partition '20220601' final;

再次手动合并全表

superset-BI :) optimize table t_order_mt final;
OPTIMIZE TABLE t_order_mt FINAL
Query id: 364558d1-a75e-4868-9783-76ccb980a83d
Ok.
0 rows in set. Elapsed: 0.003 sec.
superset-BI :) select * from t_order_mt;
SELECT *
FROM t_order_mt
Query id: 6fd560b2-9480-4402-a05f-d654ac542df4
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │         1000 │ 2020-06-01 12:00:00 │
│ 101 │ sku_001 │         1000 │ 2020-06-01 12:00:00 │
│ 101 │ sku_001 │         1000 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │        12000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │        12000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │        12000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │         2500 │ 2020-06-01 12:00:00 │
│ 102 │ sku_004 │         2500 │ 2020-06-01 12:00:00 │
│ 102 │ sku_004 │         2500 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
18 rows in set. Elapsed: 0.003 sec.

查看数据文件

[root@superset-BI t_order_mt]# ll
总用量 32
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 23:13 20200601_1_3_1
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 23:24 20200601_1_5_2
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 23:17 20200601_5_5_0
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 23:13 20200602_2_4_1
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 23:24 20200602_2_6_2
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 23:17 20200602_6_6_0
drwxr-x--- 2 clickhouse clickhouse 4096 3月  31 22:14 detached
-rw-r----- 1 clickhouse clickhouse    1 3月  31 22:14 format_version.txt

B.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。

C.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)

D.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);

TYPE：索引类型，minmax记录最小最大值

其中 GRANULARITY N 是设定二级索引对于一级索引粒度的粒度。（会对一级索引分块做合并）

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。

[root@superset-BI ~]# clickhouse-client --password --send_logs_level=trace <<< 'select * from t_order_mt2 where total_amount > toDecimal32(900., 2)';
Password for user (default):
[superset-BI] 2022.04.02 16:22:02.796175 [ 19734 ] {fde456a5-691f-46ac-ac57-ba327a054b4d} <Debug> executeQuery: (from [::1]:46454) select * from t_order_mt2 where total_amount > toDecimal32(900., 2)
[superset-BI] 2022.04.02 16:22:02.796682 [ 19734 ] {fde456a5-691f-46ac-ac57-ba327a054b4d} <Debug> InterpreterSelectQuery: MergeTreeWhereOptimizer: condition "total_amount > toDecimal32(900., 2)" moved to PREWHERE
[superset-BI] 2022.04.02 16:22:02.796934 [ 19734 ] {fde456a5-691f-46ac-ac57-ba327a054b4d} <Debug> InterpreterSelectQuery: MergeTreeWhereOptimizer: condition "total_amount > toDecimal32(900., 2)" moved to PREWHERE
[superset-BI] 2022.04.02 16:22:02.797144 [ 19734 ] {fde456a5-691f-46ac-ac57-ba327a054b4d} <Trace> ContextAccess (default): Access granted: SELECT(id, sku_id, total_amount, create_time) ON default.t_order_mt2
[superset-BI] 2022.04.02 16:22:02.798493 [ 19734 ] {fde456a5-691f-46ac-ac57-ba327a054b4d} <Trace> ContextAccess (default): Access granted: SELECT(id, sku_id, total_amount, create_time) ON default.t_order_mt2
[superset-BI] 2022.04.02 16:22:02.798575 [ 19734 ] {fde456a5-691f-46ac-ac57-ba327a054b4d} <Trace> InterpreterSelectQuery: FetchColumns -> Complete
[superset-BI] 2022.04.02 16:22:02.798744 [ 19734 ] {fde456a5-691f-46ac-ac57-ba327a054b4d} <Debug> default.t_order_mt2 (973cb1cc-d4aa-42ea-9760-4991662eb5ff) (SelectExecutor): Key condition: unknown
[superset-BI] 2022.04.02 16:22:02.799804 [ 19734 ] {fde456a5-691f-46ac-ac57-ba327a054b4d} <Debug> default.t_order_mt2 (973cb1cc-d4aa-42ea-9760-4991662eb5ff) (SelectExecutor): MinMax index condition: unknown
[superset-BI] 2022.04.02 16:22:02.800294 [ 19734 ] {fde456a5-691f-46ac-ac57-ba327a054b4d} <Debug> default.t_order_mt2 (973cb1cc-d4aa-42ea-9760-4991662eb5ff) (SelectExecutor): Index `a` has dropped 1/2 granules.
[superset-BI] 2022.04.02 16:22:02.800326 [ 19734 ] {fde456a5-691f-46ac-ac57-ba327a054b4d} <Debug> default.t_order_mt2 (973cb1cc-d4aa-42ea-9760-4991662eb5ff) (SelectExecutor): Selected 2/2 parts by partition key, 1 parts by primary key, 2/2 marks by primary key, 1 marks to read from 1 ranges
[superset-BI] 2022.04.02 16:22:02.801156 [ 19734 ] {fde456a5-691f-46ac-ac57-ba327a054b4d} <Trace> MergeTreeInOrderSelectProcessor: Reading 1 ranges in order from part 20200601_1_1_0, approx. 5 rows starting from 0
[superset-BI] 2022.04.02 16:22:02.802563 [ 19734 ] {fde456a5-691f-46ac-ac57-ba327a054b4d} <Information> executeQuery: Read 5 rows, 160.00 B in 0.006315084 sec., 791 rows/sec., 24.74 KiB/sec.
[superset-BI] 2022.04.02 16:22:02.802645 [ 19734 ] {fde456a5-691f-46ac-ac57-ba327a054b4d} <Debug> MemoryTracker: Peak memory usage (for query): 48.31 KiB.
101 sku_001 1000 2020-06-01 12:00:00
102 sku_002 2000 2020-06-01 11:00:00
102 sku_002 2000 2020-06-01 13:00:00
102 sku_002 12000 2020-06-01 13:00:00
102 sku_004 2500 2020-06-01 12:00:00

添加索引之后，分区目录下会有索引文件

[root@superset-BI 20200601_1_1_0]# ll
总用量 44
-rw-r----- 1 clickhouse clickhouse 334 4月   2 16:21 checksums.txt
-rw-r----- 1 clickhouse clickhouse 118 4月   2 16:21 columns.txt
-rw-r----- 1 clickhouse clickhouse   1 4月   2 16:21 count.txt
-rw-r----- 1 clickhouse clickhouse 189 4月   2 16:21 data.bin
-rw-r----- 1 clickhouse clickhouse 144 4月   2 16:21 data.mrk3
-rw-r----- 1 clickhouse clickhouse  10 4月   2 16:21 default_compression_codec.txt
-rw-r----- 1 clickhouse clickhouse   8 4月   2 16:21 minmax_create_time.idx
-rw-r----- 1 clickhouse clickhouse   4 4月   2 16:21 partition.dat
-rw-r----- 1 clickhouse clickhouse   8 4月   2 16:21 primary.idx
-rw-r----- 1 clickhouse clickhouse  41 4月   2 16:21 skp_idx_a.idx2
-rw-r----- 1 clickhouse clickhouse  24 4月   2 16:21 skp_idx_a.mrk3

E.数据TTL（数据存活时间）

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。

1.列级别TTL

格式

CREATE TABLE example_table
(
    d DateTime,
    a Int TTL d + INTERVAL 1 MONTH,
    b Int TTL d + INTERVAL 1 MONTH,
    c String
)
ENGINE = MergeTree
PARTITION BY toYYYYMM(d)
ORDER BY d;
 
ALTER TABLE example_table
    MODIFY COLUMN
    c String TTL d + INTERVAL 1 DAY;

（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);

依赖create_time，依赖的这个字段不能是主键，类型必须是日期

（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,'2022-04-02 17:57:00'),
(107,'sku_002',2000.00,'2022-04-02 17:57:00'),
(110,'sku_003',600.00,'2022-04-02 17:57:00');

superset-BI :) select * from t_order_mt3;
SELECT *
FROM t_order_mt3
Query id: d24341b3-30c2-48f1-ba88-907945a1f3d6
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 106 │ sku_001 │         1000 │ 2022-04-02 17:57:00 │
│ 107 │ sku_002 │         2000 │ 2022-04-02 17:57:00 │
│ 110 │ sku_003 │          600 │ 2022-04-02 17:57:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
3 rows in set. Elapsed: 0.002 sec.

（3）手动合并，查看效果到期后，指定的字段数据归 0

optimize table t_order_mt3 final;
 
superset-BI :) select * from t_order_mt3;
SELECT *
FROM t_order_mt3
Query id: 16e0c34e-2161-4083-80ba-4f912a2d1c2f
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 106 │ sku_001 │            0 │ 2022-04-02 17:57:00 │
│ 107 │ sku_002 │            0 │ 2022-04-02 17:57:00 │
│ 110 │ sku_003 │            0 │ 2022-04-02 17:57:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
3 rows in set. Elapsed: 0.002 sec.

2.表级TTL

格式

CREATE TABLE example_table
(
    d DateTime,
    a Int
)
ENGINE = MergeTree
PARTITION BY toYYYYMM(d)
ORDER BY d
TTL d + INTERVAL 1 MONTH [DELETE],
    d + INTERVAL 1 WEEK TO VOLUME 'aaa',
    d + INTERVAL 2 WEEK TO DISK 'bbb’;
 
ALTER TABLE example_table
        MODIFY TTL d + INTERVAL 1 DAY;

下面的这条语句使数据会在 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

验证

superset-BI :) alter table t_order_mt3 MODIFY TTL create_time + INTERVAL 10 SECOND;
              
ALTER TABLE t_order_mt3
    MODIFY TTL create_time + toIntervalSecond(10)
Query id: f5ea6762-a32f-4190-9c27-46240166cb73
Ok.
0 rows in set. Elapsed: 0.025 sec.
superset-BI :) select * from t_order_mt3
               ;
SELECT *
FROM t_order_mt3
Query id: 2a3bca59-afca-4ed8-a9bb-84bffc3c68b4
Ok.
0 rows in set. Elapsed: 0.002 sec.

四、ReplacingMergeTree（保证最终一致性）

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。

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。

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。

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）执行查询(已合并)

superset-BI :)
               select * from t_order_rmt;
SELECT *
FROM t_order_rmt
Query id: 825f3e5a-5d64-42d3-8c7e-a53af0d2cecb
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │         1000 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │        12000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │         2500 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
4 rows in set. Elapsed: 0.003 sec.

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笔

五、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

1）案例

（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）查询数据

superset-BI :) select * from t_order_smt;
SELECT *
FROM t_order_smt
Query id: 4639f3bf-53c1-4c3c-bb8b-2ac13675cf32
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │         1000 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │        16000 │ 2020-06-01 11:00:00 │
│ 102 │ sku_004 │         2500 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
4 rows in set. Elapsed: 0.003 sec.

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

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。

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'

posted on 2022-04-06 22:13 嘣嘣嚓阅读(809) 评论(0) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部

嘣嘣嚓