ClickHouse| 01 数据类型| 表索引| Sql语法
1. ClickHouse概述
ClickHouse 是俄罗斯的Yandex于2016年开源的列式存储数据库（DBMS），主要用于在线分析处理查询（OLAP），能够使用SQL查询实时生成分析数据报告
https://clickhouse.yandex/docs/zh/
下载地址：http://repo.red-soft.biz/repos/clickhouse/stable/el6/
特点
① 列式存储
以下面的表为例：
|
Id |
Name |
Age |
|
1 |
张三 |
18 |
|
2 |
李四 |
22 |
|
3 |
王五 |
34 |
- 采用行式存储时，数据在磁盘上的组织结构为：
|
1 |
张三 |
18 |
2 |
李四 |
22 |
3 |
王五 |
34 |
好处是想查某个人所有的属性时，可以通过一次磁盘查找加顺序读取就可以。但是当想查所有人的年龄时，需要不停的查找，或者全表扫描才行，遍历的很多数据都是不需要的。
- 采用列式存储时，数据在磁盘上的组织结构为：
|
1 |
2 |
3 |
张三 |
李四 |
王五 |
18 |
22 |
34 |
这时想查所有人的年龄只需把年龄那一列拿出来就可以了
列式储存的好处：
- 对于列的聚合，计数，求和等统计操作原因优于行式存储。
- 由于某一列的数据类型都是相同的，针对于数据存储更容易进行数据压缩，每一列选择更优的数据压缩算法，大大提高了数据的压缩比重。
- 由于数据压缩比更好，一方面节省了磁盘空间，另一方面对于cache也有了更大的发挥空间。
② DBMS的功能
几乎覆盖了标准SQL的大部分语法，包括 DDL和 DML，以及配套的各种函数，用户管理及权限管理，数据的备份与恢复
③ 多样化引擎
ClickHouse和MySQL类似，把表级的存储引擎插件化，根据表的不同需求可以设定不同的存储引擎。目前包括合并树、日志、接口和其他四大类20多种引擎。
④ 高吞吐写入能力
ClickHouse采用类LSM Tree的结构，数据写入后定期在后台Compaction。通过类LSM tree的结构，ClickHouse在数据导入时全部是顺序append写，写入后数据段不可更改，
在后台compaction时也是多个段merge sort后顺序写回磁盘。顺序写的特性，充分利用了磁盘的吞吐能力，即便在HDD上也有着优异的写入性能。
官方公开benchmark测试显示能够达到50MB-200MB/s的写入吞吐能力，按照每行100Byte估算，大约相当于50W-200W条/s的写入速度。
⑤ 数据分区与线程级并行
ClickHouse将数据划分为多个partition，每个partition再进一步划分为多个index granularity，然后通过多个CPU核心分别处理其中的一部分来实现并行数据处理。在这种设计下，单条Query就能利用整机所有
CPU。极致的并行处理能力，极大的降低了查询延时。所以，ClickHouse即使对于大量数据的查询也能够化整为零平行处理。
但是有一个弊端就是对于单条查询使用多cpu，就不利于同时并发多条查询。所以对于高qps（每秒查询率）的查询业务，ClickHouse并不是强项。
⑥ 性能对比
某网站精华帖，中对几款数据库做了性能对比。
- 单表查询
- 关联查询
结论: ClickHouse像很多OLAP数据库一样，单表查询速度优于关联查询，而且ClickHouse的两者差距更为明显。
2. 安装配置
① 安装前的准备
1.1 CentOS取消打开文件数限制
在 /etc/security/limits.conf、
/etc/security/limits.d/90-nproc.conf or vim /etc/security/limits.d/20-nproc.conf （centos6 和centos7文件不一样）
这2个文件的末尾加入以下内容：
[root@hadoop101 ~]# vim /etc/security/limits.conf
在文件末尾添加：
* soft nofile 65536
* hard nofile 65536
* soft nproc 131072
* hard nproc 131072
[root@hadoop101 ~]# vim /etc/security/limits.d/90-nproc.conf or vim /etc/security/limits.d/20-nproc.conf
在文件末尾添加：
* soft nofile 65536
* hard nofile 65536
* soft nproc 131072
* hard nproc 131072
分发到另外2台机器
sudo /home/kris/bin/xsync /etc/security/limits.conf
sudo /home/kris/bin/xsync /etc/security/limits.d/20-nproc.conf
用ulimit -n 或者ulimit -a查看设置结果，
[root@hadoop101 ~]# ulimit -n
65536
1.2 CentOS取消SELINUX
修改/etc/selinux/config中的SELINUX=disabled后重启
[root@hadoop101 ~]# vim /etc/selinux/config SELINUX=disabled
分发到另外2台机器
sudo /home/kris/bin/xsync /etc/selinux/config
1.3 关闭防火墙
[root@hadoop101 ~]# service iptables stop
[root@hadoop101 ~]# service ip6tables stop
ip6tables：将 chains 设置为 ACCEPT 策略：filter [确定]
ip6tables：清除防火墙规则： [确定]
：正在卸载模块： [确定]
1.4 安装依赖
[root@hadoop101 ~]# yum install -y libtool [root@hadoop101 ~]# yum install -y *unixODBC*
另外2台机器同样的安装操作
② 安装
在hadoop101的/opt/module 下创建clickhouse目录
上传rmp文件 到/opt/module/clickhouse
[kris@hadoop101 ~]$ ll /opt/module/clickhouse/
总用量 1262276
-rw-r--r--. 1 kris kris 56708 12月 13 12:46 clickhouse-client-20.4.5.36-2.noarch.rpm
-rw-r--r--. 1 kris kris 117222435 12月 13 12:51 clickhouse-common-static-20.4.5.36-2.x86_64.rpm
-rw-r--r--. 1 kris kris 1175204526 12月 13 13:01 clickhouse-common-static-dbg-20.4.5.36-2.x86_64.rpm
-rw-r--r--. 1 kris kris 78318 12月 13 12:46 clickhouse-server-20.4.5.36-2.noarch.rpm
分发到另外2 台机器
xsync clickhouse/
分别在3台机器上进行安装
[root@hadoop101 clickhouse]# rpm -ivh *.rpm
Preparing... ########################################### [100%]
1:clickhouse-server-commo########################################### [ 20%]
2:clickhouse-server ########################################### [ 40%]
3:clickhouse-client ########################################### [ 60%]
4:clickhouse-debuginfo ########################################### [ 80%]
5:clickhouse-compressor ########################################### [100%]
sudo rpm -qa|grep clickhouse查看安装情况
修改配置文件
[kris@hadoop101 clickhouse]$ sudo vim /etc/clickhouse-server/config.xml
把 <listen_host>::</listen_host> 的注释打开，这样的话才能让ClickHouse被除本机以外的服务器访问
分发配置文件
sudo /home/kris/bin/xsync /etc/clickhouse-server/config.xml
在这个文件中，有ClickHouse的一些默认路径配置，比较重要的
数据文件路径：<path>/var/lib/clickhouse/</path>
日志文件路径：<log>/var/log/clickhouse-server/clickhouse-server.log</log>
启动ClickServer
sudo systemctl start clickhouse-server
3台机器上都关闭开机自启： sudo systemctl disable clickhouse-server
或者如下方式起动：
前台启动：
[root@hadoop101 module]# clickhouse-server --config-file=/etc/clickhouse-server/config.xml
后台启动：
[root@hadoop101 module]# nohup clickhouse-server --config-file=/etc/clickhouse-server/config.xml >null 2>&1 &
[1] 2696
使用client连接server
-m 是可以在命令窗口输入多行命令
[root@hadoop101 ~]# clickhouse-client -m
ClickHouse client version 1.1.54236.
Connecting to localhost:9000.
Connected to ClickHouse server version 1.1.54236.
:) show databases;
SHOW DATABASES
┌─name────┐
│ default │
│ system │
└─────────┘
2 rows in set. Elapsed: 0.003 sec.
分布式集群安装
在三台机器的etc目录下新建metrika.xml文件
[root@hadoop101 ~]# vim /etc/metrika.xml
<yandex> <clickhouse_remote_servers> <perftest_3shards_1replicas> <shard> <internal_replication>true</internal_replication> <replica> <host>hadoop101</host> <port>9000</port> </replica> </shard> <shard> <replica> <internal_replication>true</internal_replication> <host>hadoop102</host> <port>9000</port> </replica> </shard> <shard> <internal_replication>true</internal_replication> <replica> <host>hadoop103</host> <port>9000</port> </replica> </shard> </perftest_3shards_1replicas> </clickhouse_remote_servers> <zookeeper-servers> <node index="1"> <host>hadoop101</host> <port>2181</port> </node> <node index="2"> <host>hadoop102</host> <port>2181</port> </node> <node index="3"> <host>hadoop103</host> <port>2181</port> </node> </zookeeper-servers> <macros> <replica>hadoop101</replica> </macros> <networks> <ip>::/0</ip> </networks> <clickhouse_compression> <case> <min_part_size>10000000000</min_part_size> <min_part_size_ratio>0.01</min_part_size_ratio> <method>lz4</method> </case> </clickhouse_compression> </yandex>
注意 NameNode 的 9000 端口号的配置！NameNode可不配置成9000，可配置为8020等。
hdfs getconf -confKey fs.default.name
INFO Configuration.deprecation: fs.default.name is deprecated. Instead, use fs.defaultFS
hdfs://hadoop101:9000
三台机器启动ClickServer
首先在三台机器开启Zookeeper
前台启动： [root@hadoop101 ~]# clickhouse-server --config-file=/etc/clickhouse-server/config.xml 后台启动： [root@hadoop101 ~]# nohup clickhouse-server --config-file=/etc/clickhouse-server/config.xml >null 2>&1 & [1] 2696
关闭服务
[kris@hadoop101 logs]$ sudo service clickhouse-server stop //停不掉使用下面命令
Stop clickhouse-server service:
ps -aux | grep clickhouse-server
Warning: bad syntax, perhaps a bogus '-'? See /usr/share/doc/procps-3.2.8/FAQ
494 6876 0.2 1.0 349624 40868 ? Ssl 13:40 0:32 clickhouse-server --daemon --pid-file=/var/run/clickhouse-server/clickhouse-server.pid --config-file=/etc/clickhouse-server/config.xml
kris 14440 0.0 0.0 103332 868 pts/0 R+ 17:16 0:00 grep clickhouse-server
sudo kill -9 6876
数据类型
① 整型
固定长度的整型，包括有符号整型或无符号整型。
整型范围（-2n-1~2n-1-1）：
- Int8 - [-128 : 127]
- Int16 - [-32768 : 32767]
- Int32 - [-2147483648 : 2147483647]
- Int64 - [-9223372036854775808 : 9223372036854775807]
无符号整型范围（0~2n-1）：
- UInt8 - [0 : 255]
- UInt16 - [0 : 65535]
- UInt32 - [0 : 4294967295]
- UInt64 - [0 : 18446744073709551615]
使用场景： 个数、数量、也可以存储型id。
② 浮点型
- Float32 - float
- Float64 – double
建议尽可能以整数形式存储数据。例如，将固定精度的数字转换为整数值，如时间用毫秒为单位表示，因为浮点型进行计算时可能引起四舍五入的误差。
使用场景：一般数据值比较小，不涉及大量的统计计算，精度要求不高的时候。比如保存商品的重量。
:) select 1-0.9
SELECT 1 - 0.9
┌───────minus(1, 0.9)─┐
│ 0.09999999999999998 │
└─────────────────────┘
1 rows in set. Elapsed: 0.005 sec.
与标准SQL相比，ClickHouse 支持以下类别的浮点数：
Inf-正无穷
:) select 1/0
SELECT 1 / 0
┌─divide(1, 0)─┐
│ inf │
└──────────────┘
1 rows in set. Elapsed: 0.004 sec.
-Inf-负无穷
:) select -1/0 SELECT -1 / 0 ┌─divide(-1, 0)─┐ │ -inf │ └───────────────┘ 1 rows in set. Elapsed: 0.003 sec.
NaN-非数字
:) select 0/0
SELECT 0 / 0
┌─divide(0, 0)─┐
│ nan │
└──────────────┘
③ 布尔型
没有单独的类型来存储布尔值。可以使用 UInt8 类型，取值限制为 0 或 1。
④ Decimal 型
有符号的浮点数，可在加、减和乘法运算过程中保持精度。对于除法，最低有效数字会被丢弃（不舍入）。
有三种声明：
- Decimal32(s)，相当于Decimal(9-s,s)，有效位数为1~9
- Decimal64(s)，相当于Decimal(18-s,s)，有效位数为1~18
- Decimal128(s)，相当于Decimal(38-s,s)，有效位数为1~38
s标识小数位
使用场景： 一般金额字段、汇率、利率等字段为了保证小数点精度，都使用Decimal进行存储。
⑤ 字符串
1）String
字符串可以任意长度的。它可以包含任意的字节集，包含空字节。
2）FixedString(N)
固定长度 N 的字符串，N 必须是严格的正自然数。当服务端读取长度小于 N 的字符串时候，通过在字符串末尾添加空字节来达到 N 字节长度。 当服务端读取长度大于 N 的字符串时候，将返回错误消息。
与String相比，极少会使用FixedString，因为使用起来不是很方便。
使用场景：名称、文字描述、字符型编码。 固定长度的可以保存一些定长的内容，比如一些编码，性别等但是考虑到一定的变化风险，带来收益不够明显，所以定长字符串使用意义有限。
⑥ 枚举类型
包括 Enum8 和 Enum16 类型。Enum 保存 'string'= integer 的对应关系。
Enum8 用 'String'= Int8 对描述。
Enum16 用 'String'= Int16 对描述。
使用场景：对一些状态、类型的字段算是一种空间优化，也算是一种数据约束。但是实际使用中往往因为一些数据内容的变化增加一定的维护成本，甚至是数据丢失问题。所以谨慎使用。
用法演示：
创建一个带有一个枚举 Enum8('hello' = 1, 'world' = 2) 类型的列：
:) create table t_enum(x Enum8('Hello' = 1, 'World'=2)) engine = TinyLog
CREATE TABLE t_enum
(
x Enum8('Hello' = 1, 'World' = 2)
) ENGINE = TinyLog
Ok.
0 rows in set. Elapsed: 0.016 sec.
-------------------------------------------------
:) insert into t_enum values ('Hello'), ('World'), ('Hello')
INSERT INTO t_enum VALUES
Ok.
3 rows in set. Elapsed: 0.003 sec.
---------------------------------------------------
这个 x 列只能存储类型定义中列出的值：'hello'或'world'。如果尝试保存任何其他值，ClickHouse 抛出异常。
:) insert into t_enum values ('aa')
INSERT INTO t_enum VALUES
Exception on client:
Code: 49. DB::Exception: Unknown element 'aa' for type Enum8('Hello' = 1, 'World' = 2)
从表中查询数据时，ClickHouse 从 Enum 中输出字符串值。
如果需要看到对应行的数值，则必须将 Enum 值转换为整数类型。
:) select * from t_enum
SELECT *
FROM t_enum
┌─────x─┐
│ Hello │
│ World │
│ Hello │
└───────┘
3 rows in set. Elapsed: 0.003 sec.
------------------------------------------------------
:) select cast(x, 'Int8') from t_enum
SELECT CAST(x AS Int8)
FROM t_enum
┌─CAST(x, \'Int8\')─┐
│ 1 │
│ 2 │
│ 1 │
└───────────────────┘
⑦ 时间类型
目前ClickHouse 有三种时间类型
- Date接受 年-月-日的字符串比如 ‘2019-12-16’
- Datetime接受 年-月-日 时:分:秒的字符串比如 ‘2019-12-16 20:50:10’
- Datetime64接受 年-月-日 时:分:秒.亚秒的字符串比如‘2019-12-16 20:50:10.66’
日期类型，用两个字节存储，表示从 1970-01-01 (无符号) 到当前的日期值。
还有很多数据结构，可以参考官方文档：https://clickhouse.yandex/docs/zh/data_types/
⑧ 数组
Array(T)：由 T 类型元素组成的数组。
T 可以是任意类型，包含数组类型。 但不推荐使用多维数组，ClickHouse 对多维数组的支持有限。例如，不能在 MergeTree 表中存储多维数组。
可以使用array函数来创建数组：array(T)； 也可以使用方括号：[ ]
创建数组案例
:) select array(1,2) as x, toTypeName(x)
SELECT
[1, 2] AS x,
toTypeName(x)
┌─x─────┬─toTypeName(array(1, 2))─┐
│ [1,2] │ Array(UInt8) │
└───────┴─────────────────────────┘
--------------------------------------------------------
:) SELECT [1, 2] AS x, toTypeName(x)
SELECT
[1, 2] AS x,
toTypeName(x)
┌─x─────┬─toTypeName([1, 2])─┐
│ [1,2] │ Array(UInt8) │
└───────┴────────────────────┘
元组
Tuple(T1, T2, ...)：元组，其中每个元素都有单独的类型。
创建元组的示例：
:) select tuple(1,'a') as x, toTypeName(x) SELECT (1, 'a') AS x, toTypeName(x) ┌─x───────┬─toTypeName(tuple(1, \'a\'))─┐ │ (1,'a') │ Tuple(UInt8, String) │ └─────────┴─────────────────────────────┘ 1 rows in set. Elapsed: 0.004 sec.
表引擎
表引擎（即表的类型）决定了：
1）数据的存储方式和位置，写到哪里以及从哪里读取数据
2）支持哪些查询以及如何支持。
3）并发数据访问。
4）索引的使用（如果存在）。
5）是否可以执行多线程请求。
6）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
ClickHouse的表引擎有很多，下面介绍其中几种，对其他引擎有兴趣的可以去查阅官方文档：https://clickhouse.yandex/docs/zh/operations/table_engines/
① 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
最简单的表引擎，用于将数据存储在磁盘上。每列都存储在单独的压缩文件中，写入时，数据将附加到文件末尾。
该引擎没有并发控制
- - 如果同时从表中读取和写入数据，则读取操作将抛出异常；
- - 如果同时写入多个查询中的表，则数据将被破坏。
这种表引擎的典型用法是 write-once：首先只写入一次数据，然后根据需要多次读取。此引擎适用于相对较小的表（建议最多1,000,000行）。如果有许多小表，则使用此表引擎是适合的，因为它比需要打开的
文件更少。当拥有大量小表时，可能会导致性能低下。 不支持索引。
案例：创建一个TinyLog引擎的表并插入一条数据
:) create table t(a UInt16, b String) engine=TinyLog
##插入数据
:) insert into t (a, b) values (1, 'abc');
此时我们到保存数据的目录/var/lib/clickhouse/data/default/t中可以看到如下目录结构：
[root@hadoop101 ~]# cd /var/lib/clickhouse/data/default/t [root@hadoop101 t]# ll 总用量 12 -rw-r--r-- 1 root root 28 5月 20 17:00 a.bin -rw-r--r-- 1 root root 30 5月 20 17:00 b.bin -rw-r--r-- 1 root root 60 5月 20 17:00 sizes.json [root@hadoop101 t]# cat sizes.json {"yandex":{"a%2Ebin":{"size":"28"},"b%2Ebin":{"size":"30"}}}
[root@hadoop101 t]#
a.bin 和 b.bin 是压缩过的对应的列的数据，sizes.json 中记录了每个 *.bin 文件的大小：
- *.bin是按列保存数据的文件； - *.mrk保存块偏移量； - primary.idx保存主键索引
② 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。
③Merge
Merge 引擎 (不要跟 MergeTree 引擎混淆) 本身不存储数据，但可用于同时从任意多个其他的表中读取数据。 读是自动并行的，不支持写入。读取时，那些被真正读取到数据的表的索引（如果有的话）会被使用。
Merge 引擎的参数：一个数据库名和一个用于匹配表名的正则表达式。
案例：先建t1，t2，t3三个表，然后用 Merge 引擎的 t 表再把它们链接起来。
:)create table t1 (id UInt16, name String) ENGINE=TinyLog;
:)create table t2 (id UInt16, name String) ENGINE=TinyLog;
:)create table t3 (id UInt16, name String) ENGINE=TinyLog;
:)insert into t1(id, name) values (1, 'first');
:)insert into t2(id, name) values (2, 'second');
:)insert into t3(id, name) values (3, 'i am in t3');
:)create table t (id UInt16, name String) ENGINE=Merge(currentDatabase(), '^t');
:) select * from t;
┌─id─┬─name─┐
│ 2 │ second │
└────┴──────┘
┌─id─┬─name──┐
│ 1 │ first │
└────┴───────┘
┌─id─┬─name───────┐
│ 3 │ i am in t3 │
└────┴────────────┘
④ MergeTree 最强大的表引擎
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。
MergeTree 引擎系列的基本理念如下。当你有巨量数据要插入到表中，你要高效地一批批写入数据片段，并希望这些数据片段在后台按照一定规则合并。相比在插入时不断修改（重写）数据进存储，这种策略会
高效很多。
格式：
ENGINE [=] MergeTree(date-column [, sampling_expression], (primary, key), index_granularity)
参数解读：
- date-column — 类型为 Date 的列名。ClickHouse 会自动依据这个列按月创建分区。分区名格式为 "YYYYMM" 。
- sampling_expression — 采样表达式。
- (primary, key) — 主键。类型为Tuple()
- index_granularity — 索引粒度。即索引中相邻”标记”间的数据行数。设为 8192 可以适用大部分场景。
案例：
create table mt_table (date Date, id UInt8, name String) ENGINE=MergeTree(date, (id, name), 8192);
insert into mt_table values ('2019-05-01', 1, 'zhangsan');
insert into mt_table values ('2019-06-01', 2, 'lisi');
insert into mt_table values ('2019-05-03', 3, 'wangwu');
在/var/lib/clickhouse/data/default/mt_tree下可以看到：
[root@hadoop102 mt_table]# ls
20190501_20190501_2_2_0 20190503_20190503_6_6_0 20190601_20190601_4_4_0 detached
随便进入一个目录：
[root@hadoop102 20190601_20190601_4_4_0]# ls
checksums.txt columns.txt date.bin date.mrk id.bin id.mrk name.bin name.mrk primary.idx
- *.bin是按列保存数据的文件
- *.mrk保存块偏移量
- primary.idx保存主键索引
案例2
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);
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');
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。
partition by 分区 （可选项）
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
如果不填 只会使用一个分区。
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。
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。
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;
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');
插入前后的数据情况如下：
看到数据并没有纳入任何分区
手动optimize 之后
hadoop102 :) optimize table t_order_mt final;
再次查询
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。
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)
二级索引
目前在ClickHouse的官网上二级索引的功能是被标注为实验性的。
(1) 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： 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。
(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。
[kris@hadoop102 module]$ clickhouse-client --send_logs_level=trace <<< 'select * from t_order_mt2 where total_amount > toDecimal32(900., 2)';
数据TTL
TTL即Time To Live，MergeTree提供了可以管理数据或者列的生命周期的功能。
列级别TTL
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); 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'); 手动合并，查看效果 到期后，指定的字段数据归0 hadoop:) optimize table t_order_mt2 FINAL
(5) 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
⑤ ReplacingMergeTree
这个引擎是在 MergeTree 的基础上，添加了“处理重复数据”的功能，该引擎和MergeTree的不同之处在于它会删除具有相同主键的重复项。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。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。
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。
格式
ENGINE [=] ReplacingMergeTree(date-column [, sampling_expression], (primary, key), index_granularity, [ver])
可以看出他比MergeTree只多了一个ver，这个ver指代版本列，他和时间一起配置，区分哪条数据是最新的。
- 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。
- 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。
案例：
create table rmt_table (date Date, id UInt8, name String,point UInt8) ENGINE= ReplacingMergeTree(date, (id, name), 8192,point);
插入一些数据：
insert into rmt_table values ('2019-07-10', 1, 'a', 20);
insert into rmt_table values ('2019-07-10', 1, 'a', 30);
insert into rmt_table values ('2019-07-11', 1, 'a', 20);
insert into rmt_table values ('2019-07-11', 1, 'a', 30);
insert into rmt_table values ('2019-07-11', 1, 'a', 10);
等待一段时间或optimize table rmt_table手动触发merge，后查询
:) select * from rmt_table;
┌───────date─┬─id─┬─name─┬─point─┐
│ 2019-07-11 │ 1 │ a │ 30 │
└────────────┴────┴──────┴───────┘
案例2
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。
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');
执行第一次查询
hadoop202 :) select * from t_order_rmt;
手动合并
OPTIMIZE TABLE t_order_rmt FINAL;
再执行一次查询
hadoop202 :) select * from t_order_rmt;
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
- 只有合并分区才会进行去重
- 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
⑥ 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
该引擎继承自 MergeTree。区别在于，当合并 SummingMergeTree 表的数据片段时，ClickHouse 会把所有具有相同主键的行合并为一行，该行包含了被合并的行中具有数值数据类型的列的汇总值。如果主键的
组合方式使得单个键值对应于大量的行，则可以显著的减少存储空间并加快数据查询的速度，对于不可加的列，会取一个最先出现的值。
语法
ENGINE [=] SummingMergeTree(date-column [, sampling_expression], (primary, key), index_granularity, [columns])
columns — 包含将要被汇总的列的列名的元组
案例
create table smt_table (date Date, name String, a UInt16, b UInt16) ENGINE=SummingMergeTree(date, (date, name), 8192, (a))
插入数据：
insert into smt_table (date, name, a, b) values ('2019-07-10', 'a', 1, 2); insert into smt_table (date, name, a, b) values ('2019-07-10', 'b', 2, 1); insert into smt_table (date, name, a, b) values ('2019-07-11', 'b', 3, 8); insert into smt_table (date, name, a, b) values ('2019-07-11', 'b', 3, 8); insert into smt_table (date, name, a, b) values ('2019-07-11', 'a', 3, 1); insert into smt_table (date, name, a, b) values ('2019-07-12', 'c', 1, 3);
等待一段时间或optimize table smt_table手动触发merge，后查询
:) select * from smt_table ┌───────date─┬─name─┬─a─┬─b─┐ │ 2019-07-10 │ a │ 1 │ 2 │ │ 2019-07-10 │ b │ 2 │ 1 │ │ 2019-07-11 │ a │ 3 │ 1 │ │ 2019-07-11 │ b │ 6 │ 8 │ │ 2019-07-12 │ c │ 1 │ 3 │ └────────────┴──────┴───┴───┘
发现2019-07-11，b的a列合并相加了，b列取了8（因为b列为8的数据最先插入）。
案例2
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 );
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');
执行第一次查询
hadoop102 :) select * from t_order_smt;
手动合并
OPTIMIZE TABLE t_order_smt FINAL;
再执行一次查询
hadoop102 :) select * from t_order_smt;
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
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。
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’
⑦ Distributed
分布式引擎，本身不存储数据, 但可以在多个服务器上进行分布式查询。 读是自动并行的。读取时，远程服务器表的索引（如果有的话）会被使用。
Distributed(cluster_name, database, table [, sharding_key])
参数解析：
cluster_name - 服务器配置文件中的集群名,在/etc/metrika.xml中配置的
database – 数据库名
table – 表名
sharding_key – 数据分片键
案例演示：
1）在hadoop101，hadoop102，hadoop103上分别创建一个表t
:)create table t(id UInt16, name String) ENGINE=TinyLog;
2）在三台机器的t表中插入一些数据
:)insert into t(id, name) values (1, 'zhangsan');
:)insert into t(id, name) values (2, 'lisi');
3）在hadoop101上创建分布式表
:)create table dis_table(id UInt16, name String) ENGINE=Distributed(perftest_3shards_1replicas, default, t, id);
4）往dis_table中插入数据
:) insert into dis_table select * from t
5）查看数据量
:) select count() from dis_table FROM dis_table ┌─count()─┐ │ 8 │ └─────────┘ :) select count() from t SELECT count() FROM t ┌─count()─┐ │ 3 │ └─────────┘
可以看到每个节点大约有1/3的数据
SQL语法
基本上来说传统关系型数据库（以MySQL为例）的SQL语句，ClickHouse基本都支持。ClickHouse与标准SQL（MySQL）不一致的地方。
创建库名：
:) create database test;
创建表，语法如下：
CREATE TABLE [IF NOT EXISTS] [db.]table_name [ON CLUSTER cluster] ( name1 [type1] [DEFAULT|MATERIALIZED|ALIAS expr1], name2 [type2] [DEFAULT|MATERIALIZED|ALIAS expr2], ... ) ENGINE = engine DEFAULT expr – 默认值，用法与SQL类似。 MATERIALIZED expr – 物化表达式，被该表达式指定的列不能被INSERT，因为它总是被计算出来的。 对于INSERT而言，不需要考虑这些列。 另外，在SELECT查询中如果包含星号，此列不会被查询。 ALIAS expr – 别名。
有三种方式创建表： 1）直接创建 :) create table t1(id UInt16,name String) engine=TinyLog 2）创建一个与其他表具有相同结构的表 CREATE TABLE [IF NOT EXISTS] [db.]table_name AS [db2.]name2 [ENGINE = engine]，可以对其指定不同的表引擎声明。如果没有表引擎声明，则创建的表将与db2.name2使用相同的表引擎。 :) create table t2 as t1 engine=Memory :) desc t2 DESCRIBE TABLE t2 ┌─name─┬─type───┬─default_type─┬─default_expression─┐ │ id │ UInt16 │ │ │ │ name │ String │ │ │ └──────┴────────┴──────────────┴────────────────────┘ 3）使用指定的引擎创建一个与SELECT子句的结果具有相同结构的表，并使用SELECT子句的结果填充它。 语法： CREATE TABLE [IF NOT EXISTS] [db.]table_name ENGINE = engine AS SELECT ... 实例： 先在t2中插入几条数据 :) insert into t1 values(1,'zhangsan'),(2,'lisi'),(3,'wangwu') :) create table t3 engine=TinyLog as select * from t1 :) select * from t3 ┌─id─┬─name─────┐ │ 1 │ zhangsan │ │ 2 │ lisi │ │ 3 │ wangwu │ └────┴──────────┘
① INSERT
基本与标准SQL（MySQL）基本一致
标准
INSERT INTO [db.]table [(c1, c2, c3)] VALUES (v11, v12, v13), (v21, v22, v23), ...
比如： insert into t1 values(1,'zhangsan'),(2,'lisi'),(3,'wangwu')
从表到表的插入
INSERT INTO [db.]table [(c1, c2, c3)] SELECT ...
比如： insert into t2 select * from t3
ClickHouse不支持的修改数据的查询：UPDATE, DELETE, REPLACE, MERGE, UPSERT, INSERT UPDATE。
② Update 和 Delete
ClickHouse提供了Delete和Update的能力，这类操作被称为Mutation查询，它可以看做Alter 的一种。
虽然可以实现修改和删除，但是和一般的OLTP数据库不一样，Mutation语句是一种很“重”的操作，而且不支持事务。
“重”的原因主要是每次修改或者删除都会导致放弃目标数据的原有分区，重建新分区。所以尽量做批量的变更，不要进行频繁小数据的操作。
- 删除操作
alter table t_order_smt delete where sku_id ='sku_001';
- 修改操作
alter table t_order_smt update total_amount = toDecimal32(2000.00,2) where id =102;
由于操作比较“重”，所以 Mutation语句分两步执行，同步执行的部分其实只是进行新增数据新增分区和并把旧分区打上逻辑上的失效标记。直到触发分区合并的时候，才会删除旧数据释放磁盘空间，一般不会开放这样的功能给用户，由管理员完成。
③ alter操作
同MySQL的修改字段基本一致
- 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;
# 创建一个MergerTree引擎的表
create table mt_table (date Date, id UInt8, name String) ENGINE=MergeTree(date, (id, name), 8192);
# 插入数据
insert into mt_table values ('2019-05-01', 1, 'zhangsan');
insert into mt_table values ('2019-06-01', 2, 'lisi');
insert into mt_table values ('2019-05-03', 3, 'wangwu');
# 在末尾添加一个新列age
:)alter table mt_table add column age UInt8
# 更改age列的类型
:)alter table mt_table modify column age UInt16
# 删除刚才创建的age列
:)alter table mt_table drop column age
#DESCRIBE TABLE 查看表结构
:)desc mt_table
④ 查询操作
ClickHouse基本上与标准SQL 差别不大
- 支持子查询
- 支持CTE(Common Table Expression 公用表表达式 with 子句)
- 支持各种JOIN， 但是JOIN操作无法使用缓存，所以即使是两次相同的JOIN语句，ClickHouse也会视为两条新SQL
- 不支持窗口函数
- 不支持自定义函数
- GROUP BY 操作增加了 with rollup\with cube\with total 用来计算小计和总计。
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.csv
更多支持格式参照：
https://clickhouse.tech/docs/v19.14/en/interfaces/formats/#csvwithnames
CHECK TABLE
检查表中的数据是否损坏，他会返回两种结果：
0 – 数据已损坏
1 – 数据完整
该命令只支持Log，TinyLog和StripeLog引擎。
