Clickhouse原理解析

Clickhouse的标签 #OLAP #列式存储

行式数据库和列式数据库适用于不同的业务场景：

  • 如何查询
  • 多久查一次
  • 各类查询的比例
  • 各类查询要求的延迟和吞吐量
  • 每种查询读取多少数据
  • 读和写的关系，比例
  • 数据集的大小
  • 如何使用本地数据集
  • 是否用事务
  • 数据复制和完整性的要求

OLAP

OLAP的特点

对于OLAP的场景，有几个关键特征：

  • 绝大多数请求是读请求
  • 数据以大的批次（>1000）更新，或者根本没有更新
  • 已经入库的数据不能修改
  • 读数据总是提取相当多的行但是列的一小部分
  • 宽表 大量的列
  • 查询少
  • 列的数据相对较小
  • 处理单个查询需要高吞吐量，每台每秒十亿行+
  • 事务不必须
  • 数据一致性要求低
  • 每个查询有一个大表，其他的都很小
  • 查询结果明显小于源数据，适合于单个服务器的RAM中

输入/输出：

  • 分析类查询通常只读取宽表的一小部分列，例如读取100列中的5列，列式数据库可以减少20倍的IO消耗。
  • 数据总是打包成批量，压缩变得容易，数据按照列存储也更容易压缩，降低了IO的体积
  • IO降低，更多数据能被系统缓存

OLAP的架构

OLAP架构分为三类：

  1. R OLAP (Relational OLAP)，即直接使用关系模型构建，数据模型通常是星型或雪花模型。这类架构对数据的实时处理能力要求很高。
  2. M OLAP (Multidimensional OLAP), 它是为了缓解ROLAP的性能问题。MOLAP使用多维数据组的形式保存数据，其核心思想是借助预先聚合结构，使用空间换取时间的形式来提升查询性能。这个架构的缺点是，维度预处理可能会导致数据的膨胀。且一般只保留聚合后的结果导致无法查询明细数据。
  3. H OLAP（Hybrid OLAP）,即上两者的混合。

以ROLAP为例，传统关系型数据库就被Hive和SparkSQL这类新兴技术取代。但仍然太慢了。MOLAP架构也依托MapReduce或Spark这类新兴技术，作为数据立方体的计算引擎，其预聚合结果的存储载体也转向HBase这类高性能分布式数据库。主流MOLAP架构已经能在亿万级数据的体量下，实现毫秒级查询响应。MOLAP也仍然存在维度爆炸，数据同步实时性不高的问题。

除了ROLAP,MOLAP两类方案以外，也有另辟蹊径的选择，即直接使用搜索引擎实现OLAP查询，如ElasticSearch。在百万级别数据的场景下，ES能支持实时聚合查询，但数据体量增大，性能也捉襟见肘。

另外一条路就是ClickHouse。其具有ROLAP,在线实时查询，完整的DBMS,列式存储，不需要任何数据预处理，批量更新，完善的SQL和函数，支持高可用，不依赖Hadoop复杂生态，开箱即用。

性能对比：https://clickhouse.yandex/benchmark.html

ClickHouse的前世今生

todo

ClickHouse不适用的场景

  • 不支持事务
  • 不擅长根据主键按行粒度查询，不应作为k-v用
  • 不擅长按行删除数据

ClickHouse的核心特性

ClickHouse是一款MPP(Massive Parallel Processing)架构的列式存储数据库。

完备的DBMS功能

  • DDL 动态创建修改删除数据库，表和视图，无需重启
  • DML 动态查询，插入，修改或删除数据
  • 权限控制
  • 数据备份与恢复，提供了数据备份导入导出恢复机制
  • 分布式管理

列式存储与数据压缩

想让查询变得更快，最简单有效的方法就是减少数据扫描范围和数据传输时的大小。按列存与按行存比可以有效地减少扫描数据量：

假设一张数据表A拥有50个字段A1～A50，以及100行数据。现在需要查询前5个字段并进行数据分析，则可以用如下SQL实现：
SELECT A1，A2，A3，A4，A5 FROM A
如果数据按行存储，数据库首先会逐行扫描，并获取每行数据的所有50个字段，再从每一行数据中返回A1～A5这5个字段。不难发现，尽管只需要前面的5个字段，但由于数据是按行进行组织的，实际上还是扫描了所有的字段。如果数据按列存储，就不会发生这样的问题。由于数据按列组织，数据库可以直接获取A1～A5这5列的数据，从而避免了多余的数据扫描。

按列存储的另一个优势是对数据压缩的友好性。压缩的本质是按照一定步长对数据进行匹配扫描，发现重复部分就进行编码转换，如，对abcdefghi和bcdefghi进行压缩,(9,8)表示从下划线往前移动9个字节会匹配8个字节的重复数据。

压缩前：abcdefghi_bcdefghi
压缩后：abcdefghi_(9,8)

压缩的实质就是，数据中的重复项越多，压缩率就越高，数据体量就越小。数据体量越小，则数据在网络中的传输越快，对网络带宽和磁盘IO的压力也就越小。同一列字段重复项的可能性高。Clickhouse数据默认使用LZ4算法压缩，数据总体压缩比可以达到8比1，列式存储除了降低IO和存储压力以外，也为向量化执行做好了铺垫。

向量化执行引擎

向量化执行可以简单看做一项消除程序中循环的优化。为了实现向量化执行，需要利用CPU的SIMD（Single Instruction Multiple Data）指令,它是在CPU寄存器层面实现数据并行操作。ClickHouse目前利用SSE4.2指令集实现向量化执行。

关系模型与SQL查询

关系模型相比文档和键值对等其他模型，拥有更好的描述能力，能够更加清晰地表述实体间的关系。在OLAP领域，已有的大量数据建模工作都是基于关系模型展开的。

多样化的表引擎

多线程与分布式

由于SIMD不适用于带有较多分支判断的场景，ClickHouse也大量使用了多线程技术来提速，与向量化执行形成互补。ClickHouse在数据存取方面，既支持分区（纵向扩展，利用多线程原理），也支持分片（横向扩展，利用分布式原理）。

多主架构

HDFS,Spark,HBase和Elasticsearch这类分布式系统，都采用了Master-Slave主从架构，由一个主节点作为leader统筹全局。而ClickHouse采用Multi-Master多主架构，集群中的每个节点角色对等。多主架构有许多优势，例如对等的角色使系统架构变得更加简单，不用再区分主控节点、数据节点和计算节点，规避了单点故障问题，非常适合与多数据中心，异地多活的场景。

在线查询

即便在复杂查询的场景下，也能够做到极快响应，无需对数据进行任何预处理加工。

数据分片与分布式查询

数据分片是一种分治思想的体现，将数据进行横向切分，ClickHouse支持分片，分片依赖集群，每个集群由1个到多个分片组成，每个分片对应一个服务节点。ClickHouse不像其他分布式系统那样，可以高度自动化分片。它提供了本地表（Local Table）和分布式表（Distributed Table）的概念，一张本地表等于一份数据的分片。分布式表本身不存任何数据，它是本地表的访问代理，作用类似于分库中间件。借助分布式表可以代理访问多个数据分片，实现分布式查询。分布式表读，本地表写。

ClickHouse的架构设计

ClickHouse的核心模块

  • Column & Field
    Column和Field是ClickHouse数据最基础的映射单元，按列存储数据，一列数据由一个Column对象表示。如需操作单列中的一行数据，则需要使用Field对象，Field对象代表一个单值。
  • DataType
    数据的序列化和反序列化工作由DataType负责。
  • Block与Block流
    Block对象可以看做数据表的子集。Block对象本质是由数据对象，数据类型和列名称组成的三元组，即Column, DataType以及列名称字符串。IBlockInputStream和IBlockOutputStream负责数据的读取和关系运算。
  • Table
    底层设计中没有所谓的Table对象，直接使用IStorage接口指代数据表
  • Parser与Interpreter
    Parser分析器分组创建AST对象（Abstract Syntax Tree 抽象语法树）,Interpreter负责解释AST，并进一步创建查询的执行管道。他们与IStorage一起，串联整个数据查询的过程。Parser分析器可以将一条SQL语句以递归下降的方法解析成AST语法树的形式。不同SQL语句，会经由不同Parser实现类解析。Interpreter会首先解析AST对象，然后执行业务逻辑（分支判断，设置参数，调用接口等），最终返回IBlock对象，以线程的形式建立一个查询执行管道。
  • Functions与Aggregate Functions
    ClickHouse提供普通函数和聚合函数。普通函数例如四则运算，日期转换，网址提取，IP脱敏等，是没有状态的，采用向量化的方式作用于一整列数据。聚合函数是有状态的，支持序列化和反序列化，能够在分布式节点之间进行传输，以实现增量计算。
  • Cluster & Replication
    ClickHouse的集群由分片（shard）组成，每个分片又通过副本（Replica）组成。与一些流行的分布式系统相区别的是，ClickHouse1个节点只能拥有一个分片，即，如果要实现1分片1副本，至少要部署2个节点。

ClickHouse为什么快

着眼硬件

基于将硬件功效最大化的目的，ClickHouse会在内存中进行Group BY,并使用HashTable装载数据。同时，他们很在意CPU L3级别的缓存，在一个一个细节上做到最优。

特性算法 特殊优化

例如，在字符串搜索方面，针对不同场景，ClickHouse选择了不同算法，对常量，使用Volnitsky算法，对于非常量，使用CPU的向量化执行SIMD,暴力优化;正则匹配使用re2和hyperscan算法。对不同场景也进行不同的针对性优化，例如去重计数uniqueCombined函数，会根据数据量不同选择不同算法，数据较少时，选择array保存；数据量中等时，选择hashset;数据量很大时，使用HyperLogLog算法。

最佳实践

分区表

数据分区是针对本地数据而言的纵向切分，借助数据分区，查询过程中跳过不必要的目录提升查询性能。

分布式DDL执行

将普通DDL语句转换成分布式执行，只需要加上ON CLUSTER cluster_name即可。集群中的每个节点都会以相同的顺序执行相同的语句。

数据删除与修改

DELETE和UPDATE这类操作被称为Mutation查询，Mutation语句是一种“很重”的操作，更适用于批量数据修改和删除，不支持事务，一旦被提交执行，会立刻对现有数据产生影响，无法回滚，并且它是一个异步后台过程，语句被提交后就会立即返回，执行的具体进度要通过System.mutations系统表查询。

删除的过程：
每执行一次DELETE语句，都会在mutations系统表生成一条对应的执行计划，当is_done字段为1时表示执行完成。同时，在数据表的根目录下，会以mutation_id为名生成与之对应的日志文件用于记录相关信息。数据删除的过程是以数据表的每个分区目录为单位，将所有目录重写为新的目录，新目录命名规则是在原有名称上加上system.mutations.block_numbers.number。数据在重写过程中会将需要删除的数据去掉。旧目录不会被立刻删除，而是标记为非激活状态，等MergeTree引擎下一次合并动作触发时，才会被物理删除。

数据字典

数据字典是ClickHouse提供的一种简单实用的存储媒介，以键值和属性映射的形式定义数据。字典中的数据会主动或者被动加载到内存，支持动态更新。由于字典数据常驻内存的特性，适合保存常量或经常使用的维度表数据，避免不必要的JOIN查询。

表引擎

合并树表引擎家族

MergeTree

MergeTree在写入一批数据时，数据总会以数据片段的形式写入磁盘，且数据片段不可修改。为了避免片段过多，ClickHouse会通过后台线程定期合并这些数据片段，属于相同分区的数据片段会被合成一个新的片段。

创建MergeTree数据表

PARTITION BY

选填，分区键，指定数据以何种标准进行分区，可以是单个列字段，可以是多个列字段，也支持列表达式。若不声明分区键，则ClickHouse会生成一个名为all的分区。

ORDER BY

必填，排序键，指定一个数据片段内，数据以何种标准排序。默认情况下主键（PRIMARY KEY）与排序键相同,可以为单列或多列字段。

PRIMARY KEY

选填，主键，声明后会根据主键字段生成一级索引加速表查询，默认情况下，主键与排序键相同，所以直接通过使用ORDER BY为指定主键。与其他数据库不同的是MergeTree主键允许重复数据（ReplacingMergeTree可以去重）

SAMPLE BY

选填，抽样表达式，声明数据以何种标准进行采样。如果有使用，需要在主键配置中声明同样表达式，抽样表达式需要配合SAMPLE子查询使用。

SETTINGS

index_granularity选填，这是一个非常重要的参数，表示索引的粒度，默认值是8192，即默认情况，每间隔8192行数据才生成一条索引。

MergeTree存储结构

磁盘上物理存储结构
目录结构

  • partition 分区目录，相同分区数据最终会合并到一个目录，不同分区数据不会合并在一起。
  • checksums.txt 校验文件，二进制存储。保存了各个文件的size和size的hash，校验文件的完整和正确性
  • columns.txt列信息文件，明文存储
    columns
  • count.txt 计数文件，当前分区数据总行数，明文存储
    count
  • primary.idx 一级索引，二进制存储，存放稀疏索引
  • [column].bin 数据文件，默认LZ4压缩格式存储
  • [column].mrk 列字段标记文件，二进制存储，保存了.bin文件数据的偏移量信息。标记文件与稀疏索引对齐，又和.bin文件一一对应，所以标记文件建立了primary.idx稀疏索引和.bin数据文件之间的映射关系。先通过primary.idx找到数据的偏移量信息.mrk，再通过偏移量直接从.bin文件读取数据
  • [column].mrk2 如果使用了自适应大小的索引间隔，则标记文件以.mrk2命名。工作原理和作用与.mrk标记文件相同。
  • partition.dat与minmax_[column].idx，如果使用了分区键，则额外生成partition.dat和minmax索引文件，二进制存储。partition.dat保存当前分区下分区表达式最终生成的值，minmax索引记录当前分区下分区字段对应原始数据的最大最小值。
  • skp_idx_[column].idx 与skp_idx_[column].mrk，如果建表时声明了二级索引，则会额外生成相应的二级索引与标记文件。二级索引又叫做跳数索引，目前拥有minmax,set,ngrambf_v1,tokenbf_v1四种类型。

数据分区的规则

MergeTree数据分区的规则由分区ID决定，

  • 不指定分区键，分区ID默认为all,所有数据写入这个目录
  • 使用整型，直接按照该整型的字符串形式输出作为分区ID的取值
  • 使用日期类型，按照YYYYMM等格式字符串作为分区ID
  • 使用其他类型，不属于整型和日期，则通过128位Hash算法取其Hash值作为分区ID
  • 若分区键是多个列，则通过每个的列对应的分区ID用中短线依次拼接

分区规则

分区目录

分区目录并不只是分区ID,而是后面有一串数字：
分区目录
测试

1_1表示最小数据块编号和最大数据块编号，_0表示目前合并的层级即被合并过的次数。
合并过程中:

  • MinBlockNum,取同一分区内所有目录中最小的MinBlockNum值
  • MaxBlockNum,取同一分区内所有目录中最大的MaxBlockNum值
  • Level取同一分区内最大的Level值并加1

分区合并的过程

一级索引

主键定义后根据index_granularity间隔为数据表生成一级索引保存到primary.idx文件，索引数据按照primary key排序。一级索引采取稀疏索引实现，由于稀疏索引占用空间小，所以索引数据常驻内存。
稀疏索引与稠密索引

索引数据生成规则：

索引生成规则
索引生成规则-2

索引查询过程

有一份测试数据共192条记录，主键为string类型，从A000到A191, MergeTree的索引粒度index_granularity=3,根据索引生成规则，primary.idx的物理存储如下：
p.idx

根据索引数据，MergeTree会将此数据片段划分成192/3=64个MarkRange，相邻步长为1,如下图：
markRange

索引查询步骤：

  1. 生成查询条件区间。如where ID = 'A003'-> ['A003', 'A003'], ID > 'A000' -> ('A000', +inf)
  2. 递归交集判断
  3. 合并MarkRange区间
    如下图，判断的步长为8，由merge_tree_coarse_index_granularity指定
    索引查询过程

二级索引

MergeTree支持二级索引，跳数索引。建表时需要声明跳数索引，索引声明后会额外生成相应的索引与标记文件(skp_idx_[column].idx与skp_idx_[column].mrk)。对跳数索引而言，index_granularity定义了数据的粒度，granularity定义了聚合信息汇总的粒度即granularity定义了一行跳数索引能够跳过多少个index_granularity区间的数据。如下图的minmax跳数索引：
minmax跳数索引

MergeTree目前支持4种跳数索引，分别是minmax,set,ngrambf_v1,tokenbf_v1:

  • minmax 记录一段数据内的最小和最大值
  • set set索引直接记录字段的取值，完整形式是set(max_rows)，表示在一个index_granularity内，索引最多记录的行数，如果max_rows=0，则表示无限制。
  • ngrambf_v1 数据短语的布隆表过滤器，只支持String和FixedString类型。ngrambf_v1只能提升in,notIn,like,equals和notEquals查询性能，完整表达式为ngrambf_v1(n,size_of_bloom_filter_in_bytes,number_of_hash_functions,random_seed)，n为根据n的长度将数据切割为token短语，其他是布隆过滤器参数
  • tokenbf_v1是ngrambf_v1的变种，同样也是一种布隆过滤器索引，只是token的处理方法不一样

数据存储

首先数据是经过压缩，默认LZ4算法，其次，数据会事先按照ORDER BY的声明排序，最后，数据是以压缩数据块的形式被组织并写入.bin文件中的。

压缩数据块

一个压缩数据块由头信息和压缩数据两部分组成。头信息有9位字节，1个UInt8和2个UInt32,分别代表使用的压缩算法类型，压缩后数据大小和压缩前数据大小。每个压缩数据块的体积按照其压缩前的数据字节大小，被严格控制在64KB-1MB，上下限分别由min_compress_block_size默认65536和max_compress_block_size默认1048576参数指定。写入过程遵循，如果单批次数据<64KB,则继续获取下一批数据，直到>=64KB,生成下一个压缩数据块。单批次位于64KB-1MB,直接生成压缩数据块，单批次>1MB,截断1MB大小,剩下数据继续按此规则执行。
压缩数据块

压缩和解压的动作本身有性能损耗，所以需要控制被压缩数据的大小，以求在性能损耗和压缩率之间的平衡。读取某列数据时，需要将压缩数据加载到内存并解压，通过压缩数据块，可以在不读取整个.bin文件的情况下将读取粒度降低到压缩数据块级别。

数据标记

数据标记(.mrk)是衔接一级索引(primary.idx)和数据(.bin)的桥梁,数据标记和索引区间是对齐的，也和.bin文件一一对应。一行标记数据包含两个整型数值的偏移量信息。分别表示在此段数据区间内在对应的.bin压缩文件中，压缩数据块的起始偏移量，和压缩块解压后其未压缩数据的起始偏移量。标记数据与一级索引不同，并不常驻内存，而是使用LRU缓存策略加快其取用速度。

数据标记

完整的写入过程：
写入过程

查询过程：
查询过程

如果一条查询语句没有指定任何WHERE条件，或是指定了WHERE条件，但条件没有匹配到任何索引，就不能预先减少数据范围。在后续查询的时候会扫描所有分区目录和目录内索引段的最大区间。虽然不能减少数据范围，但是MergeTree仍然能借助数据标记，多线程的形式同时读取多个压缩数据块，以提升性能。

MergeTree系列表引擎

ReplacingMergeTree

MergeTree虽然有主键，但它的主键却没有唯一键的约束。ReplacingMergeTree就是这种背景下为了数据去重而设计的，它能在合并分区时删除重复数据。ORDER BY是去除重复数据的依据而非PRIMARY KEY。但是ReplacingMergeTree是以分区为单位删除重复数据的，只有在相同的数据分区内重复的数据才可以被删除，不同数据分区之间的重复数据依然不能被剔除，且只有在合并分区的时候才会触发删除重复数据的逻辑。

SummingMergeTree

对于不需要明细数据，只关注查询数据的归总结果的场景。它能在合并分区时，按照预先定义的条件根据ORDER BY的定义聚合汇总数据，将同一分组下的多行数据汇总合并成一行，既减少了数据行，又降低了后续汇总查询的开销。

一般情况下ORDER BY和PRIMARY KEY取值相同，不必单独声明PRIMARY KEY。如果需要同时定义ORDER BY 和PRIMARY KEY，通常只有一种可能，就是明确希望这两者不同，这种情况通常在使用SummingMergeTree或AggregatingMergeTree时才会出现。因为SummingMergeTree和AggregatingMergeTree的聚合都是根据ORDER BY进行的，主键与聚合条件定义分离，为聚合条件留下空间。

如果同时声明了ORDER BY与PRIMARY KEY,MergeTree会强制要求PRIMARY KEY列字段必须是ORDER BY的前缀。这种约束保证了即时两者定义不同的情况下，主键是排序键的前缀，不会出现索引与数据顺序混乱的问题。同理，该汇总逻辑也只会在合并分区的时候触发，同一分区数据会汇总，不同分区不会汇总。汇总字段会使用SUM计算，非汇总字段会根据ORDER BY取第一行的数据。

AggregatingMergeTree

AggregatingMergeTree可以看做SummingMergeTree的升级版，很多设计思路是一致的，例如同时定义ORDER BY和PRIMARY KEY的原因和目的。AggregatingMergeTree有会根据ORDER BY声明的字段聚合，具体聚合的方式由建表时的聚合语句决定，如下。

CREATE TABLE agg_table(
id String,
city String,
code AggregateFunction(uniq,String),
value AggregateFunction(sum,UInt32),
create_time DateTime
)ENGINE = AggregatingMergeTree()
PARTITION BY toYYYYMM(create_time)
ORDER BY (id,city)
PRIMARY KEY id

除了建表语句之外，在后续的读写方式都有改变，例如写入时，需要调用与聚合方法对应的State函数，uniq->uniqState;查询时，需要调用与聚合方法对应的Merge函数,uniq-> uniqMerge

INSERT INTO TABLE agg_table
SELECT 'A000','wuhan',
uniqState('code1'),
sumState(toUInt32(100)),
'2019-08-10 17:00:00'

SELECT id,city,uniqMerge(code),sumMerge(value) FROM agg_table
GROUP BY id,city

但上述方法并不是该引擎最常见的使用方式，该引擎最常见的方式和结合物化视图使用，作为物化视图的表引擎。如下,新增数据针对底表，查询数据使用物化视图

CREATE TABLE agg_table_basic(
id String,
city String,
code String,
value UInt32
)ENGINE = MergeTree()
PARTITION BY city
ORDER BY (id,city)

CREATE MATERIALIZED VIEW agg_view
ENGINE = AggregatingMergeTree()
PARTITION BY city
ORDER BY (id,city)
AS SELECT
id,
city,
uniqState(code) AS code,
sumState(value) AS value
FROM agg_table_basic
GROUP BY id, city

CollapsingMergeTree

CollapsingMergeTree通过以增代删的思路，支持行级数据修改和删除的表引擎。它通过定义一个sign标记位字段，记录数据行的状态，如果sign为1，则是一条有效数据，如果sign为-1,则该数据需要删除。分区合并时，同一数据分区内，sign为1和-1的会被抵消删除。

ReplicatedMergeTree

ReplicatedMergeTree示意图
ReplicatedMergeTree借助ZooKeeper的消息日志广播功能，实现副本实例之间的数据同步功能。
组合关系

数据查询

在绝大部分场景都该避免使用SELECT * 形式查数据，因为通配符对于采用列式存储的数据库而言没有任何好处。

在使用JOIN查询时，首先应该遵循左大右小的原则，即把数据量小的表放在右侧，因为执行JOIN查询时，右表都会被全部加载到内存中与左表比较。JOIN查询目前没有缓存支持，大量维度属性补全的查询场景中，建议使用字典代替JOIN查询。

副本与分片

副本

ReplicatedMergeTree的设计特点：

  • 依赖ZooKeeper,执行INSERT和ALTER查询的时候，需要借助zk的分布式协同能力，实现多个副本之间的同步。
  • 表级别的副本
  • 多主架构，任意一个副本上执行INSERT ALTER效果相同。
  • Block数据块 在INSERT写入数据时，会根据max_insert_block_size将数据切分成若干Block数据块。Block数据块是数据写入的基本单元。具有写入的原子性和唯一性。

副本协同的过程1
副本协同的过程2

分片

副本虽然能降低数据丢失风险，提升查询性能（读写分离），但数据表容量的问题让然没有解决，单表的性能瓶颈只能靠分片来突破。ClickHouse的数据分片需要结合Distributed表引擎一同使用。Distributed表引擎自身不存储任何数据，作为分布式表的一层透明代理，在集群内部自动开展数据的写入，分发，查询，路由等工作。

  • 本地表，通常以_local为后缀进行命名。本地表是承接数据的载体，可以使用非Distributed的任意表引擎。一张本地表对应了一个数据分片。
  • 分布式表，通常以_all为后缀进行命名。分布式表只能使用Distributed引擎，它与本地表形成一对多的映射关系，日后将通过分布式表代理操作多张本地表。
    ENGINE = Distributed(cluster, database, table, [,sharding_key])
    其中，sharding_key是分片键，选填参数。在数据写入的过程中，分布式表会依据分片键的规则，将数据分布到各个host节点的本地表。
    创建分布式表
CREATE TABLE test_shard_2_all ON CLUSTER sharding_simple (
id UInt64
)ENGINE = Distributed(sharding_simple, default, test_shard_2_local,rand())

然后再创建本地表

CREATE TABLE test_shard_2_local ON CLUSTER sharding_simple (
id UInt64
)ENGINE = MergeTree()
ORDER BY id
PARTITION BY id

Distributed表的操作分为如下几类：

  • 会作用于本地表的查询，对于INSERT和SELECT，Distributed将会以分布式的方式作用于local本地表。
  • 只会影响Distributed自身，不会作用于本地表的查询，例如CREATE,DROP,ALTER等，例如要彻底删除一张分布式表，需要分别删除分布式表和本地表。
  • 不支持的查询；Distributed表不支持任何MUTATION类型的操作，包括ALTER DELETE和ALTER UPDATE

分片键

分片键要求返回一个整型取值，例如分片键可以是一个具体的整型字段，也可以是返回整型的表达式如rand()

分布式写入的核心流程

向集群分片写入数据时，通常有两种思路，一种是借助外部计算系统，事先将数据均匀分布，再由计算系统直接写入各个本地表。第二种思路是通过Distributed表引擎代理写入分片数据

流程图

副本复制数据的流程

数据在多个副本之间，有两种复制实现方式：一种是借助Distributed表引擎，由它将数据写入副本；另一种是借助ReplicatedMergeTree表引擎实现副本数据的分发。
分发副本数据

多分片查询的核心流程

Distributed表会拆分成若干个针对本地表的子查询，然后向各个分片发起查询，最终通过UNION汇总结果。

Global优化分布式子查询

如果分布式查询中使用子查询如IN,IN查询的子句是本地表，所以要改成GLOBAL IN。

posted @ 2024-10-17 20:27  rachel_aoao  阅读(29)  评论(0)  编辑  收藏  举报