數(shù)據(jù)庫ClickHouse在大數(shù)據(jù)領(lǐng)域怎么應(yīng)用

本文小編為大家詳細(xì)介紹“數(shù)據(jù)庫ClickHouse在大數(shù)據(jù)領(lǐng)域怎么應(yīng)用”，內(nèi)容詳細(xì)，步驟清晰，細(xì)節(jié)處理妥當(dāng)，希望這篇“數(shù)據(jù)庫ClickHouse在大數(shù)據(jù)領(lǐng)域怎么應(yīng)用”文章能幫助大家解決疑惑，下面跟著小編的思路慢慢深入，一起來學(xué)習(xí)新知識吧。

一、序言

面向大數(shù)據(jù)量查詢數(shù)據(jù)庫，優(yōu)點是在較大數(shù)據(jù)量（千萬級）的前提下具有較好的查詢性能。

1、應(yīng)用場景

ClickHouse應(yīng)用于OLAP（在線分析處理）領(lǐng)域，具體來說滿足如下特點使用此技術(shù)比較合適：

• 事務(wù)型數(shù)據(jù)庫表通過連表查詢轉(zhuǎn)換成寬表

• 聚合（統(tǒng)計）計算使用較多

• 對查詢效率要求較高，有限時間范圍內(nèi)能夠容忍非冪等性查詢（最終一致性）

2、學(xué)習(xí)姿勢

大多數(shù)學(xué)習(xí)ClickHouse是從OLTP數(shù)據(jù)庫開始的，比如Mysql數(shù)據(jù)庫。對于千萬級別的數(shù)據(jù)，以InnoDB為存儲引擎的表，僅僅是統(tǒng)計表行數(shù)這一需求，執(zhí)行效率很低，對于一些聚合函數(shù)，相應(yīng)延遲同樣無法接受。

提高數(shù)據(jù)庫硬件水平，一定程度上能夠改善查詢效率問題，但仍然不能徹底解決查詢效率問題。ClickHouse一推出就大火更加印證開發(fā)者在較大數(shù)據(jù)量的前提下希望有個合理查詢效率的需求是多么的急切。

以典型的Mysql數(shù)據(jù)庫讀寫分離為例，橫向?qū)Ρ菴lickHouse，對比Mysql為何查詢慢以及ClickHouse為何查詢要快，在此基礎(chǔ)上綜合考慮OLTP如何與OLAP協(xié)同工作。

二、知識儲備

（一）磁盤IO

1、數(shù)據(jù)量與查詢效率

數(shù)據(jù)量在超過一定邊界后，查詢效率急劇下降，造成查詢效率低下的主要原因是磁盤IO。比如Mysql數(shù)據(jù)庫，通過服務(wù)器優(yōu)化（增加硬件資源消耗），能夠提高一定的性能，并不能從軟件層次有效提高查詢效率。

千萬級別的大表，查詢性能較低，主要涉及磁盤這塊，影響因素有兩條：一是數(shù)據(jù)索引定位；二是磁盤IO。

（二）性能對比

1、磁盤工作機制

操作系統(tǒng)從磁盤讀取數(shù)據(jù)到內(nèi)存中，大體經(jīng)過如下過程：索引到數(shù)據(jù)存儲位置；以頁為單位IO數(shù)據(jù)。其中數(shù)據(jù)索引完畢，IO過程相對較快（速度與內(nèi)存IO不是一個數(shù)量級）。

磁盤頁IO表示在磁盤頁上命中一條記錄與全部命中，IO時間相同。實際使用過程中，查詢一條記錄與多條連續(xù)記錄有時候時間相似（底層邏輯都是從磁盤IO一個磁盤頁的數(shù)據(jù)）。

2、按行（列）存儲

通過簡單示例比較按行存儲與按列存儲對查詢的影響，主要以磁盤IO最為技術(shù)指標(biāo)。測試數(shù)據(jù)量為千萬級別。

CREATE TABLE `human_name` (
  `id` bigint(20) NOT NULL COMMENT 'ID',
  `name` varchar(32) DEFAULT NULL COMMENT '名稱',
  `deleted` tinyint(1) NOT NULL DEFAULT '0' COMMENT '邏輯刪除',
  `create_time` datetime NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '創(chuàng)建時間',
  `update_time` datetime DEFAULT NULL ON UPDATE CURRENT_TIMESTAMP COMMENT '更新時間',
  `delete_time` datetime DEFAULT NULL COMMENT '刪除時間',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8 COMMENT='人名信息表';

通過不同的場景，對比不同存儲方式在磁盤IO上的消耗，進而比較查詢效率。

（1）通過id查詢name

行存儲在索引上節(jié)約時間；列存儲在磁盤IO上節(jié)約時間，數(shù)據(jù)量較小可以忽略差異，本回合二者持平。

（2）通過批id查詢name

批查詢是指有限區(qū)間查詢或者有限集合查詢，數(shù)據(jù)量百條以內(nèi)。有限區(qū)間查詢與有限集合查詢，對應(yīng)的數(shù)據(jù)量較小，性能表現(xiàn)差別不大。仔細(xì)分析過程，二者仍然存在明顯的差異。

區(qū)間查詢的效率比有限集合查詢效率要高，原因如下：區(qū)間查詢數(shù)據(jù)存儲是連續(xù)的，單次數(shù)據(jù)索引，單頁磁盤IO（數(shù)據(jù)量較?。o湊的數(shù)據(jù)查詢，按行存儲略占優(yōu)勢，考慮到是查詢單個字段，因此磁盤數(shù)據(jù)索引次數(shù)均為一次（按列查詢多少列即索引多少次）。

集合查詢由于查詢條件非連續(xù)，需要單獨索引并完成磁盤IO，集合中有N個元素（隨機）需要索引N次，以頁為單位的磁盤IO

（3）通過id查詢整行數(shù)據(jù)

按列存儲通常比按行存儲的查詢效率要高，對于寬表（幾十列以上的聚合表），效果更加明顯。對于查詢，更多的需求是查詢某列數(shù)據(jù)或者某幾列數(shù)據(jù)，按列存儲的數(shù)據(jù)庫能夠大大減少磁盤數(shù)據(jù)的掃描范圍以及磁盤與內(nèi)存之間的IO，從IO層面提高了查詢效率。

極端情況

數(shù)據(jù)庫存儲id和name數(shù)據(jù)，兩者都是非空的必選數(shù)據(jù)，這種情況下按行（列）存儲從IO層面來講是相似的，數(shù)據(jù)在磁盤上掃描范圍和讀寫IO差不多。通過id查詢name或者批量id查詢name，借助于哈希索引，按行存儲可能具有O(1)的時間復(fù)雜度。

實際數(shù)據(jù)不可能這么純粹，行記錄通常會有保存時間、修改時間、刪除時間、部分核心字段的修改時間，數(shù)據(jù)量較少時，附屬字段對查詢的影響較小，一旦數(shù)據(jù)量超過一定閥值，對查詢的影響逐步凸顯。按列存儲能夠忽略附屬字段的磁盤掃描與IO。

綜合來講，從查詢的角度來講，按列存儲要優(yōu)于按行存儲。

三、基礎(chǔ)知識

（一）表結(jié)構(gòu)

clickhouse使用的表結(jié)構(gòu)與常見的關(guān)系數(shù)據(jù)庫有一定的區(qū)別。

1、排序

在合并樹家族引擎中，表排序?qū)傩允潜剡x項。通過ORDER BY關(guān)鍵字設(shè)置分區(qū)內(nèi)數(shù)據(jù)的排序策略，數(shù)據(jù)在導(dǎo)入或者保存時按照排序策略有序存儲，有序數(shù)據(jù)直接存儲在磁盤中，查詢時具有較高的效率。

排序列也是索引列，高頻用作查詢條件的字段添加到排序列有利于提高查詢效率。

2、主鍵

主鍵的定義比較奇怪，僅僅是起到過濾查詢索引的作用，沒有唯一約束的效果。

當(dāng)設(shè)置有主鍵時，主鍵字段必需包含在排序?qū)傩灾校覐淖蟮接乙来握归_。

3、默認(rèn)值

Null類型幾乎總是會拖累性能，原因如下：空值無法被索引；需要使用額外的特殊占位符單獨處理。按列存儲每列數(shù)據(jù)個數(shù)一致有利于數(shù)據(jù)查詢。

數(shù)據(jù)在導(dǎo)入之前需要做空值處理，將空值替換成與業(yè)務(wù)無關(guān)的數(shù)據(jù)。

（二）表引擎

clickhouse表引擎非常豐富，其中最常用的是合并樹家族引擎。

1、MergeTree

MergeTree引擎能夠?qū)崿F(xiàn)較大數(shù)據(jù)量的查詢需求，由于主鍵沒有唯一索引約束，存在重復(fù)行的情況。在數(shù)據(jù)遷移的過程中，不可避免會出現(xiàn)重復(fù)數(shù)據(jù)導(dǎo)入的情況，業(yè)務(wù)上能夠容忍部分重復(fù)數(shù)據(jù)，或者從應(yīng)用端處理重復(fù)數(shù)據(jù)，可以選擇此引擎。

CREATE TABLE test_tbl (
  id UInt16,
  create_time Date,
  comment Nullable(String)
) ENGINE = MergeTree()
	 PARTITION BY toYYYYMMDD(create_time)
     ORDER BY  (create_time)
     PRIMARY KEY (id)
     TTL create_time + INTERVAL 1 MONTH
     SETTINGS index_granularity=8192;

MergeTree引擎必需指定排序字段。

MergeTree的主鍵的作用是加速查詢，不是類似MySQL保持記錄唯一。

2、ReplacingMergeTree

ReplacingMergeTree引擎用來去除重復(fù)行，此處的去重有三個層次的含義：在分區(qū)內(nèi)去重；以主鍵字段為比較對象；數(shù)據(jù)去重實踐只會在合并時發(fā)生。

-- 強制后臺合并，去重時所在表停止服務(wù)
optimize table test_tbl_replacing final;

ReplacingMergeTree提供了主鍵去重的能力，但是仍舊有以下限制：

• optimize是后臺動作，無法預(yù)測具體執(zhí)行時間點；

• 在沒有徹底optimize之前，不能確定是否仍有重復(fù)數(shù)據(jù)；

• 手動執(zhí)行optimize在海量數(shù)據(jù)場景下要消耗大量時間，無法滿足業(yè)務(wù)即時查詢的需求；

• 在分布式場景下，相同primary key的數(shù)據(jù)可能被sharding到不同節(jié)點上，不同shard間可能無法去重；

ReplacingMergeTree更多用于確保數(shù)據(jù)最終被去重，無法保證查詢過程中主鍵不重復(fù)。

ReplacingMergeTree(create_time)填入?yún)?shù)為版本字段，重復(fù)記錄保留版本號最大最在行；允許為空，默認(rèn)保留重復(fù)行最后插入的記錄。

去重深刻理解

這里的去重并不能達到關(guān)系型數(shù)據(jù)庫嚴(yán)格意義去重的目的，使用時需要注意這個現(xiàn)象。另外不能以非黑即白的想法考慮這個問題，ClickHouse在提高查詢速度時做了一定的妥協(xié)。

3、SummingMergeTree

SummingMergeTree提供的是一種預(yù)聚合引擎，等效為以order by字段為單位分組，然后執(zhí)行聚合求和操作，不過這些結(jié)果是提前計算好了的，查詢時不需要實時計算。

如果聚合的值不滿足要求，可以在查詢結(jié)果集上通過聚合函數(shù)再次聚合，此時屬于實時計算。

（三）內(nèi)置函數(shù)

常見的內(nèi)置函數(shù)需要特別指出，新建表模式、數(shù)據(jù)導(dǎo)入等方面會有應(yīng)用。

1、格式化日期

格式化分區(qū)函數(shù)常用于表的分區(qū)設(shè)置，以天為單位的分區(qū)是常見的分區(qū)設(shè)置。

select toYYYYMMDD(now())

2、哈希函數(shù)

以name字段的哈希字符串作為分區(qū)策略。

CREATE TABLE default.test02 (
`id` UInt16,
`name` String,
`create_time` Date) ENGINE = MergeTree() 
PARTITION BY LOWER(hex(MD5(name))) 
PRIMARY KEY id
ORDER BY (id,create_time);

表可以不設(shè)置主鍵，一旦設(shè)置主鍵，那么表必選排序?qū)傩员匦枰灾麈I的順序依次展開。

直接用原始字符串字段值作為分區(qū)策略也是可行的，考慮到字符串的值域范圍比較廣，用哈希函數(shù)處理會比較安全。

3、日期函數(shù)

獲取各種日期函數(shù)，如果不指定時區(qū)，默認(rèn)讀取宿主機的時區(qū)信息。

SELECT toDateTime(now()) AS t1,
       toDate(now()) AS t2,
       toDate(now(), 'Asia/Shanghai') AS t3,
       toString(now()) AS t4

四、安裝與配置

版本選擇長期支持版本20.8，采用手動安裝的方式進行。

（一）安裝

rpm -ivh clickhouse-server-20.8.19.4-2.noarch.rpm
rpm -ivh clickhouse-client-20.8.19.4-2.noarch.rpm
rpm -ivh clickhouse-common-static-20.8.19.4-2.x86_64.rpm

（二）配置

1、正則替換注釋

使用模式<!-[\s\S]*?->$查詢配置XML配置文件中所有注釋。

# 格式化XML文件
xmllint --format config.xml

2、服務(wù)端配置文件

服務(wù)端配置文件有兩個config.xml和users.xml，前者是只讀配置，后者可以在運行時動態(tài)修改。

讀到這里，這篇“數(shù)據(jù)庫ClickHouse在大數(shù)據(jù)領(lǐng)域怎么應(yīng)用”文章已經(jīng)介紹完畢，想要掌握這篇文章的知識點還需要大家自己動手實踐使用過才能領(lǐng)會，如果想了解更多相關(guān)內(nèi)容的文章，歡迎關(guān)注億速云行業(yè)資訊頻道。