代码改变世界

ClickHouse入门笔记

2021-08-03 22:08  wang03  阅读(2786)  评论(0)  编辑  收藏  举报

ClickHouse笔记

目录

尚硅谷clickhouse学习笔记

第 1 章 ClickHouse 入门

​ 官方文档

  1. ClickHouse 是开源的列式存储数据库，使用C++编写，主要用于在线分析处理查询(OLAP),使用SQL查询实时生成分析析数据报 告。

  2. 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。

  3. 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. 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。

  5. ClickHouse 将数据划分为多个 partition，每个 partition 再进一步划分为多个 index granularity(索引粒度)，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。以对于高 qps 的查询业务， ClickHouse 并不是强项。

  6. ClickHouse不适合关联查询，性能较差。

第 2 章 ClickHouse 的安装

  1. 关闭防火墙

    systemctl stop firewalld #关闭防火墙
systemctl disable firewalld#禁止开机启动防火墙

  2. CentOS 取消打开文件数限制

    • /etc/security/limits.conf 文件的末尾加入以下内容

      * soft nofile 65536
* hard nofile 65536
* soft nproc 131072
* hard nproc 131072

    • /etc/security/limits.d/20-nproc.conf 文件的末尾加入以下内容

      * soft nofile 65536
* hard nofile 65536
* soft nproc 131072
* hard nproc 131072

  3. 安装依赖

     yum install -y libtool
 yum install -y *unixODBC*

  4. CentOS 取消 SELINUX

    修改/etc/selinux/config 中的 SELINUX=disabled

    修改这个配置需要重启，临时生效命令setenforce 0 查询状态命令getenforce

  5. 下载安装包

    clickhouse官网仓库下载

    本次安装为21.7.3.14-2版本

    clickhouse-client-21.7.3.14-2.noarch.rpm

    clickhouse-common-static-21.7.3.14-2.x86_64.rpm

    clickhouse-common-static-dbg-21.7.3.14-2.x86_64.rpm

    clickhouse-server-21.7.3.14-2.noarch.rpm

    新建一文件夹，放置上述下载的4个rpm包，在文件夹中执行rpm -ivh *.rpm命令进行安装。过程中需要设置密码。

    安装完成后，执行rpm -qa|grep clickhouse进行安装确认。

    目录位置:

    bin/ > /usr/bin
    conf/    > /etc/clickhouse-server/
    lib/ ==> /var/lib/clickhouse
    log/ ==> /var/log/clickhouse

  6. 配置

    • 修改 /etc/clickhouse-server/config.xml。把 :: 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

    • 日志配置也在/etc/clickhouse-server/config.xml这个文件中

    • 启动命令：clickhouse start

      客户端连接命令：clickhouse-client -m ，有设置密码的话使用clickhouse-client -m --password 123456

      直接执行命令clickhouse-client --password 123456 --query "show databases;"

第 3 章 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]

  2. 浮点型

    Float32 - float

    Float64 – double

  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

  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。

  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。

    建表示例：

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

    插入示例：

    insert into t_enum values('hello');

    insert into t_enum values(2);

  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。

  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。

第 4 章 表引擎

  1. 表引擎的使用

    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。

    ➢ 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

  2. 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。

  3. 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）。

  4. MergeTree

    MergeTree | ClickHouse文档

    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。

    • 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');

    由于我们按照年月日进行了分区，所以查询出来会有两块

    1. partition by 分区(可选)

      • 作用

        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;

        实际存储位置：

      数据文件位置：/var/lib/clickhouse/data/default/t_order_mt/20200601_1_1_0

      • primary key 主键(可选)

        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。

        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 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

        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)，主键不能是sku_id

      • 二级索引

        二级索引的功能在 v20.1.2.4 之前是被标注为实验性的，之后版本默认是开启的。

        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  #创建二级索引
) engine =MergeTree
 partition by toYYYYMMDD(create_time)
 primary key (id)
 order by (id, sku_id);
      • 数据 TTL

        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。

        TTL字段不能使用主键字段

        • 列级别 TTL

          create table t_order_mt3(
 id UInt32,
 sku_id String,
 total_amount Decimal(16,2) TTL create_time+interval 10 SECOND,#设置这个字段在createtime+10s后过期
 create_time Datetime 
) engine =MergeTree
partition by toYYYYMMDD(create_time)
 primary key (id)
 order by (id, sku_id);

        • 表级 TTL

          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

    2. ReplacingMergeTree

      ​ ReplacingMergeTree 是 MergeTree 的一个变种，它存储特性完全继承 MergeTree，多了一个去重的功能。

      • 去重时机

        数据的去重只会在合并的过程中出现。

      • 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。

      ➢ 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

    3. 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,提供了一种能够“预聚合”的引擎 SummingMergeTree

      ➢ 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

第 5 章 SQL 操作

  1. Insert

基本与标准 SQL（MySQL）基本一致

  1. Update 和 Delete

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。
  1. 查询操作

➢ 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

➢ 窗口函数URL函数 | ClickHouse文档

➢ 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。

  1. alter 操作

    同 MySQL 的修改字段基本一致

    1）新增字段

    alter table tableName add column newcolname String after col1;

    2）修改字段类型

    alter table tableName modify column newcolname String;

    3）删除字段

    alter table tableName drop column newcolname;

  2. 导出数据

    Input and Output Formats | ClickHouse Documentation

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

第 6 章 副本

三台服务器 clickhouse1、clickhouse2、clickhouse3

安装zookeeper集群

  1. 副本写入流程.

  1. 配置步骤

    （1）启动 zookeeper 集群

    （2）在 clickhouse1的/etc/clickhouse-server/config.d目录下创建一个名为 metric.xml(文件名自己指定，注意要将这个文件的权限设置成clickhouse) 的配置文件,内容如下：

    也可以不创建外部文件，直接在 config.xml 中指定

    <?xml version="1.0"?>
<yandex>
<!--
<zookeeper-servers>
按照教程，这里要写上面的标签，但是我写成这个标签下面创建表会报下面的错误，
Code: 225. DB::Exception: Received from localhost:9000. DB::Exception: Can't create replicated table without ZooKeeper.-->
<zookeeper><!--写成这个是OK的-->
 <node index="1">
 <host>clickhouse1</host>
 <port>2181</port>
 </node>
 <node index="2">
 <host>clickhouse2</host>
 <port>2181</port>
 </node>
 <node index="3">
 <host>clickhouse3</host>
 <port>2181</port>
 </node>
 <!--</zookeeper-servers>-->
</zookeeper>
</yandex>

    （3）etc/clickhouse-server/config.xml 中增加

    <!--查找zookeeper配置文件 进行增加配置-->
<zookeeper incl="zookeeper-servers" optional="true" />
<include_from>/etc/clickhouse-server/config.d/metric.xml</include_from>

    （4）同步上述两个文件到 clickhouse2和 clickhouse3上

    （5）重启clickhouse集群clickhouse restart

    创建表

    #clickhouse1上执行
create table t_order_rep2  (
 id UInt32,
 sku_id String,
 total_amount Decimal(16,2),
 create_time Datetime
) engine =ReplicatedMergeTree('/clickhouse/table/01/t_order_rep','rep_102')
 partition by toYYYYMMDD(create_time)
 primary key (id)
 order by (id,sku_id);


    #clickhouse2上执行
create table t_order_rep2 (
 id UInt32,
 sku_id String,
 total_amount Decimal(16,2),
 create_time Datetime
) engine =ReplicatedMergeTree('/clickhouse/table/01/t_order_rep','rep_103')
 partition by toYYYYMMDD(create_time)
 primary key (id)
 order by (id,sku_id);

    参数解释
    ReplicatedMergeTree 中，
    第一个参数是分片的 zk_path 一般按照：/clickhouse/table/{shard}/{table_name} 的格式写，如果只有一个分片就写 01 即可。
    第二个参数是副本名称，相同的分片副本名称不能相同。

第 7 章 分片集群

​ 通过分片把一份完整的数据进行切 分，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一同使用。

​ Distributed 表引擎本身不存储数据，有点类似于 MyCat 之于 MySql，成为一种中间件， 通过分布式逻辑表来写入、分发、路由来操作多台节点不同分片的分布式数据。

ClickHouse 的集群是表级别的，实际企业中，大部分做了高可用，但是没有用分 片，避免降低查询性能以及操作集群的复杂性。

  1. 集群写入流程（3 分片 2 副本共 6 个节点）

  1. 集群读取流程（3 分片 2 副本共 6 个节点）

  2. 配置步骤

  • 集群及副本规划（2 个分片，只有第一个分片有副本）

  • 配置步骤
    在clickhouse1 服务器/etc/clickhouse-server/config.d 目录下创建 metrika-shard.xml（修改文件所属clickhouse用户）文件

 <?xml version="1.0"?>
 <yandex>
 <remote_servers>
 <gmall_cluster> <!-- 集群名称--> 
 <shard> <!--集群的第一个分片-->
 <internal_replication>true</internal_replication>
  <replica> <!--该分片的第一个副本-->
  <host>clickhouse1</host>
  <port>9000</port>
  </replica>
  <replica> <!--该分片的第二个副本-->
  <host>clickhouse2</host>
  <port>9000</port>
  </replica>
 </shard>
 <shard> <!--集群的第二个分片-->
  <internal_replication>true</internal_replication>
  <replica> <!--该分片的第一个副本-->
  <host>clickhouse3</host>
  <port>9000</port>
  </replica>
 </shard>
 </gmall_cluster>
 </remote_servers>
 <zookeeper>
 <node index="1">
 <host>clickhouse1</host>
 <port>2181</port>
 </node>
 <node index="2">
 <host>clickhouse2</host>
  <port>2181</port>
 </node>
 <node index="3">
  <host>clickhouse3</host>
  <port>2181</port>
 </node>
 </zookeeper>
 <macros>
 <shard>01</shard> <!--不同机器放的分片数不一样-->
 <replica>rep_1_1</replica> <!--不同机器放的副本数不一样-->
 </macros>
 </yandex>

  • 修改/etc/clickhouse-server/config.xm

  • 同步 config.xml、metrika-shard.xml到clickhouse2、clickhouse3，重启clickhouse restart

  • 在clickhouse1上执行建表语句

    ➢ 会自动同步到集群中其他服务器

    ➢ 集群名字要和配置文件中的一致

    ➢ 分片和副本名称从配置文件的宏定义中获取

    create table st_order_mt on cluster gmall_cluster (
 id UInt32,
 sku_id String,
 total_amount Decimal(16,2),
 create_time Datetime
) engine 
=ReplicatedMergeTree('/clickhouse/tables/{shard}/st_order_mt','{replica}')
 partition by toYYYYMMDD(create_time)
 primary key (id)
 order by (id,sku_id);

  • 在clickhouse1 上创建 Distribute 分布式表

    create table st_order_mt_all2 on cluster gmall_cluster
(
 id UInt32,
 sku_id String,
 total_amount Decimal(16,2),
 create_time Datetime
)engine = Distributed(gmall_cluster,default, st_order_mt,hiveHash(sku_id));

    参数含义： Distributed（集群名称，库名，本地表名，分片键）

    分片键必须是整型数字，所以用 hiveHash 函数转换，也可以 rand()