【实时数仓】Day05-ClickHouse：入门、安装、数据类型、表引擎、SQL操作、副本、分片集群

一、ClickHouse入门

1、介绍

是一个开源的列式存储数据库（DBMS）

使用C++编写

用于在线分析查询（OLAP）

能够使用SQL查询实时生成分析数据报告

2、特点

（1）列式存储

比较：

行式存储适用于查询某条记录的信息

列式存储适用于查询所有人的信息

好处：

聚合、计数、求和等统计操作优

同列数据类型易选择更优的压缩算法，提高了压缩比重

节省存储空间并利于缓存

（2）DBMS的功能

标准SQL大部分语法，DDM、DML、函数、用户管理、权限管理、数据备份与恢复

（3）引擎多样化

根据需求可以选择不同的引擎，例如合并树、日志、接口和其他四大类共二十多种引擎。

（4）高吞吐写入能力

采用类似LSM Tree的结构，数据写入后语在后台压缩

导入时数据append写，压缩时也是顺序写回磁盘

顺序写充分利用了磁盘吞吐能力

能够达到相当于 50W-200W 条/s 的写入速度

（5）数据分区与线程级并行

划分为多个partition，partition又被分为多个index索引粒度，多个核心各处理一部分实现并行处理

单条查询就能充分利用所有CPU

但不适合多条查询，不适用于高qps的查询业务

二、ClickHouse的安装

1、准备工作

关闭防火墙

取消打开文件数限制

同步操作

安装依赖

取消SELINUX（伪文件系统，是一个权限白名单原则）

2、单机安装

创建目录

同步安装文件

安装所有的rpm文件：sudo rpm -ivh *.rpm | sudo rpm -qa|grep clickhouse

修改配置文件中的listen_host，让其他服务器访问，并分发配置文件

启动server：systemctl start clickhouse-server

关闭开机自启：systemctl disable clickhouse-server

client连接： clickhouse-client -m

三、数据类型

1、整型

Int8、16、32、64

UInt8、16、32、64

场景：个数、数量、id

2、浮点型

Float32、64

计算时会引起四舍五入误差

场景：数据值小、不涉及统计运算、精度要求不高

3、布尔型

无专门类型，可以使用UInt8，取值为0/1

4、Decimal类型

可以保持精度的有符号浮点数

Decimal32(s)、64、128

s表示小数位数

场景：金额、利率等需要保证小数点精度的场景

5、字符串

String：任意长度字符串

FixString(N)：固定长度字符串，小于n会在末尾添加空字节，较少使用

场景：名称、文字描述

6、枚举类型

Enum8 和 Enum16

Enum8使用'String' = Int8对描述

例如创建一个枚举Enum8('hello' = 1, 'world' = 2) 类型的列

CREATE TABLE t_enum
(
 x Enum8('hello' = 1, 'world' = 2)
)
ENGINE = TinyLog;

只能存储hello或world

插入元素：INSERT INTO t_enum VALUES ('hello'), ('world'), ('hello');

转换整形查询：SELECT CAST(x, 'Int8') FROM t_enum;

场景：对于状态字段是一种空间优化+数据约束

会存在维护成本或数据丢失的问题

7、时间类型

Date：年月日　　

Datetime：年月日时分秒

Datetime64：年月日时分秒亚秒，如20:50:10.66

8、数组Array(T)

不推荐多维数组

创建方式1-使用 array 函数：SELECT array(1, 2) AS x, toTypeName(x) ;

创建方式2-使用方括号：SELECT [1, 2] AS x, toTypeName(x);

四、表引擎

1、表引擎的概念

创建表时显式声明，名称区分大小写

决定如何存储表的数据，包括

存储方式和位置、在哪写，在哪读

如何支持哪些查询

并发数据访问

索引的使用

是否支持多线程

数据复制参数

2、TinyLog

以列文件的形式保存到磁盘，无索引，没有并发控制

保存少量数据的小表

如create table t_tinylog ( id String, name String) engine=TinyLog;

3、Memory

以未压缩的形式保存到内存中，服务重启数据就会消失

读写操作不会相互阻塞【不需要进行同步互斥】，不支持索引，但简单查询性能高>10G/s

适用于高性能要求且对数据量要求不大（最多一亿行数据）的场景

4、MergeTree-合并树引擎

*MergeTree是ClickHouse最强大的引擎

支持索引和分区

其中最重要的三个参数包括

engine =MergeTree
partition by toYYYYMMDD(create_time) 
 primary key (id)
 order by (id,sku_id);

（1）partition by--分区，不填则只使用一个分区 

分区（降低扫描范围，优化查询范围）

列文件+索引文件+表定义文件会保存到不同的分区中

分区后，涉及分区的查询，会以分区为单位进行并行处理

数据写入与数据合并：先写入临时分区，某个时刻后，自动执行合并操作，合并到已有分区中。

也可以使用optimize手动执行：hadoop102 :) optimize table t_order_mt final;

（2）primary key 主键

ClickHouse中的主键，只提供了数据的一级索引，但这并不是唯一约束

主键的目的是查询语句中的where条件

通过主键进行二分查找，能够对应到index granularity-索引粒度，避免了全表扫描

索引粒度，指的是稀疏索引这种两个相邻索引对应数据的间隔，MergeTree 默认是 8192

好处是可以利用很少的索引数据，定位更多的数据，代价是只能定位到第一行，在对应的块内顺序扫描。

【分块查找中的索引表和顺序表】

（3）order by(必选)

设定按哪些字段讲数据进行有序保存

不设计主键时，按照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）二级索引

使用二级索引需要增加设置（是否使用实验性的二级索引）：set allow_experimental_data_skipping_indices=1;

例如：

total_amount Decimal(16,2),

INDEX a total_amount TYPE minmax GRANULARITY 5

GRANULARITY N 是设定二级索引对于一级索引粒度的粒度

为非主键字段的查询发挥作用

（5）数据TTL-数据生命周期，存活时间

TTL 即 Time To Live，可以管理数据或者列生命周期的功能

【a】列级别 TTL

total_amount Decimal(16,2) TTL create_time+interval 10 SECOND

手动合并，查看效果 到期后，指定的字段数据归 0

【b】表级别TTL

alter table t_order_mt3 MODIFY TTL create_time + INTERVAL 10 SECOND; -- 是数据会在 create_time 之后 10 秒丢失

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包括：SECOND、MINUTE、HOUR、DAY、WEEK、MONTH、QUARTER、YEAR

5、ReplacingMergeTree

存储特性完全继承 MergeTree，但添加了一个去重的功能

MergeTree的主键是没有唯一约束的功能

而ReplacingMergeTree可以处理掉重复的数据

去重时机：后台合并时去重，无法预判时间

去重范围：只能执行分区内部的去重，不能执行跨分区的去重；适用于在后台清理重复数据，但无法保证没有重复数据出现

案例演示：建表engine = ReplacingMergeTree(create_time)-重复数据保留版本字段大的，插入后执行手动合并OPTIMIZE TABLE t_order_rmt FINAL;

结论：只有合并才能去重、去重不能跨分区

6、SummingMergeTree

不查询明细，只关心以维度进行汇总聚合的场景

原因：查询时，临时聚合的开销比较大，SummingMergeTree是一种可以预聚合的引擎

案例： engine =SummingMergeTree(total_amount)-以指定的列作为汇总数据列，order by的列作为维度列

其他列顺序保留第一行，不在一个分区的数据不会被聚合

建议：去掉唯一主键、流水号，所有字段都是维度列

查询：select * from 表名，而不是查询指定的列 

五、SQL操作

基本支持sql语句，只介绍不一致的地方

1、Insert

2、Update 和 Delete

可以看做Mutation 查询，是Alter的一种

与OLTP数据库不同，Mutation是一种很重的操作，并且不支持事务

重的原因：修改删除会放弃原有分区，重建新分区，所以尽量做批量变更，而不是频繁小数据的操作

语法：alter table t_order_smt delete/update

执行：分两步，先对新增数据新建分区，把旧分区打上失效标记；触发分区合并时，删除旧数据，释放磁盘空间

3、查询操作

支持子查询、CTE(Common Table Expression 公用表表达式 with 子句)、join

GROUP BY 操作增加了 with rollup\with cube\with total 用来计算小计和总计

with rollup：从右至左去掉维度进行小计

with cube : 从右至左去掉维度进行小计，再从左至右去掉维度进行小计

with totals: 只计算合计

4、alter操作

新增字段：alter table tableName add column newcolname String after col1;

修改字段类型：alter table tableName modify column newcolname String;

删除字段：alter table tableName drop column newcolname;

5、导出数据

clickhouse-client --query "select * from t_order_mt where create_time='2020-06-01 12:00:00'" --format CSVWithNames> /opt/module/data/rs1.csv1

六、副本

保障数据高可用性

1、写入流程

2、配置步骤

启动集群

102的/etc/clickhouse-server/config.d目录下创建xml配置文件

同步到其他节点

config.xml中增加<include_from>，包含创建的配置文件

同步、启动、分别建表（副本只能同步数据，不能同步表结构）

engine =ReplicatedMergeTree('/clickhouse0225/table/01/t_order_rep','rep_102')

七、分片集群

副本无法解决横向扩容的问题

解决数据水平切分需要使用分片，不同的分片分布到不同的节点上，再通过 Distributed 表引擎把数据拼接起来

1、集群写入流程

2、集群读取流程

 3、配置参考

4、配置三节点版本集群及副本（2 个分片，只有第一个分片有副本）