列式存储ClickHouse（一）概述

Myth丶恋晨 2022-11-21 01:28 292阅读 0赞

### 这里写目录标题 ###

*  概述
 *   *  优势特性
     *  缺点特性
     *  性能
 *  安装
 *  测试
 *   *  创建表
     *  导入数据
     *  查询数据

**ClickHouse，是一个快速，开源，OLAP的数据库管理系统。ClickHouse是列式存储的，支持实时使用SQL的查询生成分析报告。**  
**什么场景下使用ClickHouse**  
分析干净，结构合理且不可变的事件或日志流。 建议将每个这样的流放入具有预连接维度的单个宽事实表中。特别是以下场景：

1.  网络和应用分析
2.  广告网络和实时出价
3.  电信
4.  电子商务和金融
5.  信息安全
6.  监控和遥测
7.  时间序列
8.  商业智能
9.  网络游戏
10. 物联网

# 概述 #

## 优势特性 ##

*  **真正的面向列的存储**  
    不存储额外的数据，支持恒定长度存储。其他系统也可以列式存储，但是他们侧重点不同，无法有效处理OLAP分析查询，包括HBase，BigTable，Cassandra和HyperTable。这些系统支持每秒10W行的吞吐量，但是ClickHouse支持每秒亿行的吞吐量。而且Clickhouse还是一个数据库管理系统，支持运行时创建数据库和数据表，运行时加载数据、执行查询，不需要重新配置和启动服务器。
 *  **数据压缩**  
    部分列式存储数据库不使用数据压缩。但是数据压缩在提升性能方便有很大空间，除了通用的权衡磁盘空间和CPU消耗的编码解码其外，ClickHouse还对于特定的数据类型提供了专门的压缩解码器。
 *  **磁盘存储**  
    通过按照主键对数据进行物理排序，提高在查询特殊值或者某一值区间时的效率，通常小于几十毫秒。某些面向列的数据库只能在RAM中工作，需要更多的成本，Clickhouse多数在常规的磁盘上工作，成本较低；但是ClickHouse也可以充分利用SSD和额外的RAM。
 *  **多核并行处理**  
    执行数据量大的查询时，自动并行查询，占用当前服务器上所有可用的、必须要使用资源。
 *  **多台服务器上分布式处理**  
    大多数列式存储的RDBMS都不支持分布式查询处理，ClickHouse支持分片，数据可以存在ClickHouse不同的分片上，每个分片都是可以用于容错的一组副本，所有分片都可以并行执行查询。
 *  **支持标准SQL**  
    ClickHouse支持基于声明式查询语言的SQL，和ANSI SQL标准相同。支持 group By，order By，from，join子句，in运算符和标量子查询中的子查询。  
    \-\*\*向量计算引擎 \*\*  
    数据不仅按照列存储，而且通过向量进行处理，从而实现较高的cpu效率。
 *  **实时数据更新**  
    Click House支持表主键，为了在主键的某一范围内进行快速查询，使用Merge Tree对数据进行增量排序，因此可以将数据增量的添加到表中，提取数据时不进行任何锁定。
 *  **主键索引**  
    通过主键对数据进行物理排序，可以在提取特定值，特定范围内的值的数据时，将时间优化到几十毫秒的量级。
 *  **二级索引**  
    与其他数据库不同，ClickHouse的二级索引不指向特定行或行范围。而是，通过二级索引，ClickHouse知道某些数据部分的所有行不符合查询过滤条件，然后根本不读取这些数据，所以ClickHouse的二级索引又叫数据跳过索引。
 *  **适用于在线查询**  
    大多数的OLAP数据库的初衷都不是亚秒级别的在线查询，在替代系统中认为，数十秒或者几分钟的报告构建时间是可以接受的。有时甚至需要强制离线准备报告。而ClickHouse支持压秒级别的报告查询。
 *  **支持近似计算**  
    ClickHouse提供了多种方式来提高性能，包括近似计算。Aggregate function用来计算不重复值，中位数，分位数的数量。根据部分样本数据运行结果来计算近似结果，在这种情况下，从磁盘读取数据的比例将大大减少，对有限的随机数据执行聚合，而不是所有数据，在确定条件下数据在整个数据中的分布，会在使用较少资源的情况下得到一个合理准确的结果。
 *  **自适应连接表算法**  
    在需要表连接时，ClickHouse自适应的选择表的连接算法，包括hash-join算法，如果有多个打标则退回merge-join算法
 *  **数据复制和数据完整性支持**  
    ClickHouse使用异步多主节点复制，在数据写入任何可用的副本后，所有其余的副本在后台同步数据，系统在不同的副本上维护相同的数据，大多数故障发生后的恢复是自动执行的，或者在复杂情况下半自动执行恢复。
 *  **基于角色的访问控制**  
    ClickHouse使用SQL查询管理用户账户，并允许基于角色的访问控制，类似于ANSI SQL标准和流行的关系数据库管理系统中可以找到的配置。

## 缺点特性 ##

*  **没有成熟的事务支持**
 *  **缺乏以高速率低延迟插入数据的能力。有批量删除和更新可用于清理和修改数据，以符合GDPR**
 *  **稀疏索引使得ClickHouse不能有效的通过主键去查询单行数据**

## 性能 ##

根据Yandex内部测试结果，在同类型系统中可以比较的操作场景中ClickHouse展现出了最佳性能（包括高吞吐量的长查询，低延迟的短查询）。

--------------------

**单个大查询的吞吐量**  
吞吐量可以以每秒的行数和每秒的兆字节数衡量，如果数据在页面缓存中，一个不是太复杂的查询，在现在硬件设备上，单节点数据未压缩的情况下，执行的速率大概为2G——10G每秒（对于最简单的情况可以达到30G每秒）。如果没有将数据放在缓存中，则速率取决于磁盘和数据压缩率，例如如果磁盘子系统允许以400M每秒读取数据，且压缩率为3，则预期速度为1.2G每秒。要获得以每秒行数为单位的速率，则以每秒字节数为单位的速率除以查询中使用的列的字节数总和。例如，提取10个字节，则速度有望达到100-200w行每秒。  
对于分布式处理，处理速率以线性增加，但前提是聚合和排序得到的行数不太大。

--------------------

**处理大量端查询是的吞吐量**  
在相同条件下，ClockHouse可以在一台服务器上处理每秒处理数百个短查询（最佳情况下上千个），由于这种情况在数据分析型的DBMS中并不常见，因此建议每秒最多100个查询。

--------------------

**插入数据性能**  
建议数据插入，一次传输至少1000行、或每秒一个请求的数据包中。从制表符分隔的数据转储插入到MergeTree表时，插入可以为50MB—200MB每秒。如果插入的行大小约为1KB，则速度位每秒5w至20w行。如果行很小，每秒的行数可以更高。为了提高性能，可以并行进行多个Insert查询，这些查询可以线性扩展。

# 安装 #

CentOS

sudo yum install yum-utils
    sudo rpm --import https://repo.clickhouse.tech/CLICKHOUSE-KEY.GPG
    sudo yum-config-manager --add-repo https://repo.clickhouse.tech/rpm/clickhouse.repo
    sudo yum install clickhouse-server clickhouse-client
    
    sudo clickhouse start
    clickhouse-client

Ubantu & Debian

sudo apt-get install apt-transport-https ca-certificates dirmngr
    sudo apt-key adv --keyserver hkp://keyserver.ubuntu.com:80 --recv E0C56BD4
    
    echo "deb https://repo.clickhouse.tech/deb/stable/ main/" | sudo tee \
        /etc/apt/sources.list.d/clickhouse.list
    sudo apt-get update
    
    sudo apt-get install -y clickhouse-server clickhouse-client
    
    sudo service clickhouse start
    clickhouse-client

登录之后，和MySQL终端比较像，包括DDL，DQL，DML都类似。  
日志目录在

/var/log/clickhouse-server/

# 测试 #

## 创建表 ##

ClickHouse中数据库和数据表的概念大多数数据库管理系统一样，数据库中有多个数据表，创建数据库test1

clickhouse-client --query "create database if not exists test1"

创建表的语法要比数据库复杂一下，包括三要素：

1.  表名称
2.  表结构
3.  表引擎和相关设置，决定了关于这张表的查询如何物理执行的  
    创建名称为events的表，指定存储引擎为 MergeTree

[root@localhost ~]# clickhouse-client
    ClickHouse client version 20.10.3.30 (official build).
    Connecting to localhost:9000 as user default.
    Connected to ClickHouse server version 20.10.3 revision 54441.
    
    localhost :) use test1
    
    USE test1
    
    Ok.
    
    0 rows in set. Elapsed: 0.001 sec. 
    
    localhost :) CREATE TABLE test1.events(id UInt64,status UInt8,eventDate Date,summary String,description String,userId UInt64)ENGINE = MergeTree() PARTITION BY toYYYYMM(eventDate) ORDER BY (eventDate, intHash32(userId)) SAMPLE BY intHash32(userId) SETTINGS index_granularity = 8192
    
    CREATE TABLE test1.events
    (
        `id` UInt64,
        `status` UInt8,
        `eventDate` Date,
        `summary` String,
        `description` String,
        `userId` UInt64
    )
    ENGINE = MergeTree()
    PARTITION BY toYYYYMM(eventDate)
    ORDER BY (eventDate, intHash32(userId))
    SAMPLE BY intHash32(userId)
    SETTINGS index_granularity = 8192
    
    Ok.
    
    0 rows in set. Elapsed: 0.056 sec.

在上面的导入语句中使用了 MergeTree 存储引擎。

## 导入数据 ##

数据导入到ClickHouse使用插入语句，像其他SQL数据库一样。但是，数据通常以某种支持的数据提供，代替SQL语句中的vlues语法  
下面使用制表符分隔的数据，通过控制台客户端导入到ClickHouse  
插入数据如下

1	1	2020-10-11	西安	违法停车	1001
    2	1	2020-09-01	北京	闯红灯	1002
    3	2	2020-10-12	上海	超速50%	1003
    4	2	2020-10-20	大连	占用应急车道	1004
    5	1	2020-09-30	深圳	逆行	1002

执行插入语句

clickhouse-client --query "insert into test1.events format TSV" --max_insert_block_size=100000 < e

ClickHouse客户端有许多需要调整的设置，如我们在导入数据的时候指定–max\_insert\_block\_size=100000，查看默认设置可以查询system.setting表,包括没有设置的缺省值，如

[root@localhost ~]# clickhouse-client --query "select name,value,changed,description from system.settings where name like '%max_insert_block%' "
    max_insert_block_size	1048545	0	The maximum block size for insertion, if we control the creation of blocks for insertion.

可以在导入后优化表，使用MergeTree引擎的表会在后台合并数据部分优化数据存储，下面这个语句促使引擎立即进行优化，而不是稍后

clickhouse-client --query "OPTIMIZE TABLE test1.events FINAL"

## 查询数据 ##

例如查询每月发生的次数，如下图。

[root@localhost ~]# clickhouse-client --query "select count(1),toMonth(eventDate) as month from test1.events group by month format TSV"
    2	9
    3	10

（完）（^\_^）