ClickHouse
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/
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这2个文件的末尾加入一下内容：
[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 在文件末尾添加： * soft nofile 65536 * hard nofile 65536 * soft nproc 131072 * hard nproc 131072 重启服务器之后生效，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
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*
安装--3台机器都要进行安装；
[root@hadoop101 module]# 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%]
启动ClickServer
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
[root@hadoop101 ~]# clickhouse-client 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
三台机器修改配置文件config.xml
注意：上面标红的地方需要根据机器不同去修改
[root@hadoop101 ~]# vim /etc/clickhouse-server/config.xml <listen_host>::</listen_host> <!-- <listen_host>::1</listen_host> --> <!-- <listen_host>127.0.0.1</listen_host> --> 分发 [root@hadoop101 ~]# xsync /etc/clickhouse-server/config.xml
在三台机器的etc目录下新建metrika.xml文件
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
[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>
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
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]
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。
:) 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 │ └──────────────┘
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。
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。
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。
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 │ └───────────────────┘
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.
Date
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/
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。
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
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
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。
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
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。
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。
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 │ └────────────┴────┴──────┴───────┘
6 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）。
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
1 CREATE
1 CREATE DATABASE
用于创建指定名称的数据库，语法如下：
CREATE DATABASE [IF NOT EXISTS] db_name
如果查询中存在IF NOT EXISTS，则当数据库已经存在时，该查询不会返回任何错误。
:) create database test; Ok. 0 rows in set. Elapsed: 0.018 sec.
.2 CREATE TABLE
对于创建表，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 │ └────┴──────────┘
.2 INSERT INTO
主要用于向表中添加数据，基本格式如下：
INSERT INTO [db.]table [(c1, c2, c3)] VALUES (v11, v12, v13), (v21, v22, v23), ... 实例： :) insert into t1 values(1,'zhangsan'),(2,'lisi'),(3,'wangwu') 还可以使用select来写入数据： INSERT INTO [db.]table [(c1, c2, c3)] SELECT ...
实例：
:) insert into t2 select * from t3 :) select * from t2 ┌─id─┬─name─────┐ │ 1 │ zhangsan │ │ 2 │ lisi │ │ 3 │ wangwu │ └────┴──────────┘
ClickHouse不支持的修改数据的查询：UPDATE, DELETE, REPLACE, MERGE, UPSERT, INSERT UPDATE。
3 ALTER
ALTER只支持MergeTree系列，Merge和Distributed引擎的表，基本语法：
ALTER TABLE [db].name [ON CLUSTER cluster] ADD|DROP|MODIFY COLUMN ...
参数解析：
ADD COLUMN – 向表中添加新列
DROP COLUMN – 在表中删除列
MODIFY COLUMN – 更改列的类型
案例演示：
1）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);
2）向表中插入一些值
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');
3）在末尾添加一个新列age
:)alter table mt_table add column age UInt8 :)desc mt_table ┌─name─┬─type───┬─default_type─┬─default_expression─┐ │ date │ Date │ │ │ │ id │ UInt8 │ │ │ │ name │ String │ │ │ │ age │ UInt8 │ │ │ └──────┴────────┴──────────────┴────────────────────┘ :) select * from mt_table ┌───────date─┬─id─┬─name─┬─age─┐ │ 2019-06-01 │ 2 │ lisi │ 0 │ └────────────┴────┴──────┴─────┘ ┌───────date─┬─id─┬─name─────┬─age─┐ │ 2019-05-01 │ 1 │ zhangsan │ 0 │ │ 2019-05-03 │ 3 │ wangwu │ 0 │ └────────────┴────┴──────────┴─────┘
4）更改age列的类型
:)alter table mt_table modify column age UInt16 :)desc mt_table ┌─name─┬─type───┬─default_type─┬─default_expression─┐ │ date │ Date │ │ │ │ id │ UInt8 │ │ │ │ name │ String │ │ │ │ age │ UInt16 │ │ │ └──────┴────────┴──────────────┴────────────────────┘
5）删除刚才创建的age列
:)alter table mt_table drop column age :)desc mt_table ┌─name─┬─type───┬─default_type─┬─default_expression─┐ │ date │ Date │ │ │ │ id │ UInt8 │ │ │ │ name │ String │ │ │ └──────┴────────┴──────────────┴────────────────────┘
DESCRIBE TABLE
查看表结构
:)desc mt_table ┌─name─┬─type───┬─default_type─┬─default_expression─┐ │ date │ Date │ │ │ │ id │ UInt8 │ │ │ │ name │ String │ │ │ └──────┴────────┴──────────────┴────────────────────┘
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。
