什么是ClickHouse？

• 毛子开源的一个列式存储数据库(DBMS), 主要用于OLAP, 能使用SQL查询实时生成分析数据报告。
• 可以类比HBase

数据类型

• 与其他框架比较

  MySQL	Hive	ClickHouse
  byte	TINYINT	Int8
  short	SMALLINT	Int16
  int	INT	Int32
  long	BIGINT	Int64
  varchar	STRING	String
  timestamp	TIMESTAMP	DateTime
  float	FLOAT	Float32
  double	DOUBLE	Float64
  boolean	BOOLEAN	无

• 整形

  • 固定长度的整形, 包括有符号整型或无符号整型。
  • 整型范围 (-2^n-1, 2^n-1 -1)
  • 无符号整型范围 (0 ~ 2ⁿ -1)

• 浮点型(不建议用, 有精度损失问题)

  • Float32
  • Float64

• 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

  • String
    • 字符串可以是任意长度的。它可以包含任意的字节集, 包含空字节。
  • 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, 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鱼 N 的字符串时, 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。

• 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(也就是说可以套娃), 但不推荐使用多维数组(不能再MergeTree 表中存储多维数组)。

• 元组

  • Tuple(T1, T2, ...) 其中每个元素都有单独的类型, 可以类比python 和 Scala 的 Tuple。

表引擎

• TinyLog

  • 存在磁盘中
  • 不支持索引
  • 没有并发控制(同时读ok, 同时写会造成数据损坏, 同时读写会相互阻塞并报错)
  • 使用场景: 存储小表以及不会改动的数据

• Memory

  • 内存引擎, 数据以未压缩的原始形式直接保存在内存中, 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
  • 简单查询下有非常高的性能表现(超过10G/s)
  • 应用场景: 测试, 需要非常高的性能, 同时数据量又不太大(上限大约1亿行)的场景

• Merge

  • 本身不存储数据
  • 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, 那些被真正读取的数据的表的索引(如果有的话)会被使用

• MergeTree(重点)

  • 使用场景: 有海量数据要插入到表中, 需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。

  • 特点:

    • 数据按主键排序
    • 可以使用分区(如果指定了主键)
    • 支持数据副本
    • 支持数据采集

  • 格式:

    ENGINE=MergeTree() # 指定引擎
    PARTITION BY # 分区键, 要按月分区, 可以使用表达式toYYYYMM(date_column)
    ORDER BY # 表的排序键, 可以是一组列的元组或任意的表达式, 例如: ORDER BY(id, name)。
    PRIMARY KEY # 主键, 需要与排序键字段不同, 默认情况下主键跟排序键相同
    SAMPLE BY # 用于抽样的表达式式。如果要用抽样表达式, 主键中必须包含此表达式
    SETTINGS # 影响MergeTree性能的额外参数:
    (1) index_granularity: 索引粒度, 即索引中相邻【标记】间的数据行数, 默认值: 8192
    (2) use_minimalistic_part_header_in_zookeeper: 数据片段头在Zookeeper中的存储方式。
    (3) min_merge_bytes_to_use_direct_io: 使用直接 I/O 来操作磁盘的合并操作时要求的最小的数据量。

• ReplacingMergeTree

  • 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

  • 合并会在未知的事件在后台运行, 所以无法预先作出计划。

  • 有一些数据可能仍未必被处理, 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([ver]) # ver: 版本列, 类型为UInt*, Date 或DateTime
    合并的时候, ReplacingMergeTree 从所有具有相同主键的行中选择一行留下, 如果ver列未指定, 选择最后一条。如果ver列已指定, 选择ver值最大的版本
    PARTITION BY
    ORDER BY
    SAMPLE BY
    SETTING name = value,...

• SummingMergeTree

  • 继承自MergeTree

  • 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兼职对应于大量的行, 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。

  • 格式:

    ENGINE = SummingMergeTree([columns]) # column: 包含将要被汇总的列的列名的元组
    PARTITION BY
    ORDER BY
    SAMPLE BY 
    SETTINGs name=value, ...

• Distrubuted(重点)

  • 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

  • 格式

    Distributed(cluster_name, database, table[, sharding_key])
    # 参数: 集群名, 数据库, 表，分片键