【ClickHouse入门】四、ClickHouse表引擎
4.1 表引擎的使用
表引擎是ClickHouse的一大特色。可以说，表引擎决定了如何存储表数据。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。
4.2 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。
例如：
create table t_tinylog ( id String, name String) engine=TinyLog;
4.3 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）。
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。
4.4 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，支持索引和分区，地位可以相当于 innodb 之于 Mysql。而且基于 MergeTree，还衍生除了很多小弟，也是非常有特色的引擎。
1）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);
2）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');
MergeTree 其实还有很多参数(绝大多数用默认值即可)，但是三个参数是更加重要的，也涉及了关于 MergeTree 的很多概念。
4.4.1 partition by 分区
1）作用
分区的目的主要是降低扫描的范围，优化查询速度
2）默认
如果不填的话，只会使用一个分区
3）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。
4）并行
分区后，面对涉及跨分区的查询设计，ClickHouse会以分区为单位进行并行处理。
5）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的分区中。
6）例如
再次执行上面的插入操作
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');
查看数据并没有纳入任何分区
T1 :) select * from t_order_mt; SELECT * FROM t_order_mt Query id: 49276841-5774-46d5-8cf3-2b285055c1a2 ┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐ │ 101 │ sku_001 │ 1000.00 │ 2020-06-01 12:00:00 │ │ 102 │ sku_002 │ 2000.00 │ 2020-06-01 11:00:00 │ │ 102 │ sku_002 │ 2000.00 │ 2020-06-01 13:00:00 │ │ 102 │ sku_002 │ 12000.00 │ 2020-06-01 13:00:00 │ │ 102 │ sku_004 │ 2500.00 │ 2020-06-01 12:00:00 │ └─────┴─────────┴──────────────┴─────────────────────┘ ┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐ │ 101 │ sku_001 │ 1000.00 │ 2020-06-01 12:00:00 │ │ 102 │ sku_002 │ 2000.00 │ 2020-06-01 11:00:00 │ │ 102 │ sku_002 │ 2000.00 │ 2020-06-01 13:00:00 │ │ 102 │ sku_002 │ 12000.00 │ 2020-06-01 13:00:00 │ │ 102 │ sku_004 │ 2500.00 │ 2020-06-01 12:00:00 │ └─────┴─────────┴──────────────┴─────────────────────┘ ┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐ │ 102 │ sku_002 │ 600.00 │ 2020-06-02 12:00:00 │ └─────┴─────────┴──────────────┴─────────────────────┘ ┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐ │ 102 │ sku_002 │ 600.00 │ 2020-06-02 12:00:00 │ └─────┴─────────┴──────────────┴─────────────────────┘ 12 rows in set. Elapsed: 0.004 sec.
手动optimize后
T1 :) optimize table t_order_mt final;
再次查询
T1 :) select * from t_order_mt; SELECT * FROM t_order_mt Query id: 1cb1dc3e-ba2e-4e8f-9192-884d0e6c5dd5 ┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐ │ 101 │ sku_001 │ 1000.00 │ 2020-06-01 12:00:00 │ │ 101 │ sku_001 │ 1000.00 │ 2020-06-01 12:00:00 │ │ 102 │ sku_002 │ 2000.00 │ 2020-06-01 11:00:00 │ │ 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 │ 2000.00 │ 2020-06-01 11:00:00 │ │ 102 │ sku_002 │ 2000.00 │ 2020-06-01 13:00:00 │ │ 102 │ sku_002 │ 12000.00 │ 2020-06-01 13:00:00 │ │ 102 │ sku_004 │ 2500.00 │ 2020-06-01 12:00:00 │ │ 102 │ sku_004 │ 2500.00 │ 2020-06-01 12:00:00 │ └─────┴─────────┴──────────────┴─────────────────────┘ ┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐ │ 102 │ sku_002 │ 600.00 │ 2020-06-02 12:00:00 │ │ 102 │ sku_002 │ 600.00 │ 2020-06-02 12:00:00 │ └─────┴─────────┴──────────────┴─────────────────────┘ 12 rows in set. Elapsed: 0.004 sec.
4.4.2 primary key 主键
ClickHouse 中的主键，和其他数据库不太一样，它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。官方不建议修改这个值，除非该列存在大量重复值，比如在一个分区中几万行才有一个不同数据。
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颗粒度的第一行，然后再进行进一步的扫描。
4.4.3 order by
order by设定了分区内的数据按照哪些字段顺序进行有序保存。
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（比如后面会讲的去重和汇总）。
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)，那么逐渐必须是id或者(id,sku)
4.4.4 二级索引
目前在ClickHouse的官网上二级索引的功能在v20.1.2.4之前是被标注为实验性的，在这个版本之后默认是开启的。
1）老版本使用二级索引前需要增加设置
是否允许使用实验性的二级索引（v20.1.2.4开始，这个参数已被删除，默认开启）
set allow_experimental_data_skipping_indices=1;
2）创建测试表
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 ) engine = MergeTree partition by toYYYYMMDD(create_time) primary key (id) order by (id, sku_id);
其中 GRANULARITY N 是设定二级索引对于一级索引粒度的粒度。
3）插入数据
insert into t_order_mt2 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');
4）对比效果
使用下面语句测试，可以看出二级索引能够为非主键字段的查询发挥作用。
[root@T1 clickhouse-server]# clickhouse-client --password --send_logs_level=trace <<< 'select * from t_order_mt2 where total_amount > toDecimal32(900., 2)'; Password for user (default): [T1] 2021.08.09 14:34:44.074828 [ 5532 ] {f3846def-d33e-47d3-93c9-e5d26f07a75d} <Debug> executeQuery: (from [::1]:50382, using production parser) select * from t_order_mt2 where total_amount > toDecimal32(900., 2) [T1] 2021.08.09 14:34:44.075241 [ 5532 ] {f3846def-d33e-47d3-93c9-e5d26f07a75d} <Debug> InterpreterSelectQuery: MergeTreeWhereOptimizer: condition "total_amount > toDecimal32(900., 2)" moved to PREWHERE [T1] 2021.08.09 14:34:44.075422 [ 5532 ] {f3846def-d33e-47d3-93c9-e5d26f07a75d} <Trace> ContextAccess (default): Access granted: SELECT(id, sku_id, total_amount, create_time) ON default.t_order_mt2 [T1] 2021.08.09 14:34:44.075487 [ 5532 ] {f3846def-d33e-47d3-93c9-e5d26f07a75d} <Trace> InterpreterSelectQuery: FetchColumns -> Complete [T1] 2021.08.09 14:34:44.075638 [ 5532 ] {f3846def-d33e-47d3-93c9-e5d26f07a75d} <Debug> default.t_order_mt2 (80947934-fe77-4b3c-8094-7934fe77eb3c) (SelectExecutor): Key condition: unknown [T1] 2021.08.09 14:34:44.075722 [ 5532 ] {f3846def-d33e-47d3-93c9-e5d26f07a75d} <Debug> default.t_order_mt2 (80947934-fe77-4b3c-8094-7934fe77eb3c) (SelectExecutor): MinMax index condition: unknown [T1] 2021.08.09 14:34:44.075869 [ 5532 ] {f3846def-d33e-47d3-93c9-e5d26f07a75d} <Debug> default.t_order_mt2 (80947934-fe77-4b3c-8094-7934fe77eb3c) (SelectExecutor): Index `a` has dropped 1/2 granules. [T1] 2021.08.09 14:34:44.075882 [ 5532 ] {f3846def-d33e-47d3-93c9-e5d26f07a75d} <Debug> default.t_order_mt2 (80947934-fe77-4b3c-8094-7934fe77eb3c) (SelectExecutor): Selected 2/2 parts by partition key, 1 parts by primary key, 2/2 marks by primary key, 1 marks to read from 1 ranges [T1] 2021.08.09 14:34:44.075920 [ 5532 ] {f3846def-d33e-47d3-93c9-e5d26f07a75d} <Debug> MergeTreeSelectProcessor: Reading 1 ranges from part 20200601_1_1_0, approx. 5 rows starting from 0 [T1] 2021.08.09 14:34:44.077854 [ 5532 ] {f3846def-d33e-47d3-93c9-e5d26f07a75d} <Information> executeQuery: Read 5 rows, 160.00 B in 0.002979668 sec., 1678 rows/sec., 52.44 KiB/sec. [T1] 2021.08.09 14:34:44.077884 [ 5532 ] {f3846def-d33e-47d3-93c9-e5d26f07a75d} <Debug> MemoryTracker: Peak memory usage (for query): 0.00 B. 101 sku_001 1000.00 2020-06-01 12:00:00 102 sku_002 2000.00 2020-06-01 11:00:00 102 sku_002 2000.00 2020-06-01 13:00:00 102 sku_002 12000.00 2020-06-01 13:00:00 102 sku_004 2500.00 2020-06-01 12:00:00
4.4.5 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功能。
1）列级别TTL
（1）创建测试表
create table t_order_mt3( id UInt32, sku_id String, total_amount Decimal(16,2) TTL create_time+interval 10 SECOND, create_time Datetime ) engine = MergeTree partition by toYYYYMMDD(create_time) primary key (id) order by (id, sku_id);
（2）插入数据（注意：根据实际时间改变）
insert into t_order_mt3 values (106,'sku_001',1000.00,'2021-08-09 14:51:00'), (107,'sku_002',2000.00,'2021-08-09 14:51:00'), (110,'sku_003',600.00,'2021-08-09 14:51:00');
（3）手动合并，查看效果 到期后，指定的字段数据归 0（实际过程需要重启ClickHouse）
T1 :) select * from t_order_mt3; SELECT * FROM t_order_mt3 Query id: 31af8722-ca64-47d0-b5a1-1d66bd042a56 ┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐ │ 106 │ sku_001 │ 0.00 │ 2021-08-09 14:51:00 │ │ 107 │ sku_002 │ 0.00 │ 2021-08-09 14:51:00 │ │ 110 │ sku_003 │ 0.00 │ 2021-08-09 14:51:00 │ └─────┴─────────┴──────────────┴─────────────────────┘ 3 rows in set. Elapsed: 0.003 sec.
2）表级TTL
下面的这条语句是是数据会在create_time之后10s丢失
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
4.5 ReplacingMergeTree
ReplacingMergeTree 是 MergeTree 的一个变种，它存储特性完全继承 MergeTree，只是多了一个去重的功能。 尽管 MergeTree 可以设置主键，但是 primary key 其实没有唯一约束的功能。如果你想处理掉重复的数据，可以借助这个 ReplacingMergeTree。
1）去重时机
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。
2）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。
所以 ReplacingMergeTree 能力有限， 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。
3）案例演示
（1）创建表
create table t_order_rmt( id UInt32, sku_id String, total_amount Decimal(16,2) , create_time Datetime ) engine = ReplacingMergeTree(create_time) partition by toYYYYMMDD(create_time) primary key (id) order by (id, sku_id);
ReplacingMergeTree() 填入的参数为版本字段，重复数据保留版本字段值最大的。
如果不填版本字段，默认按照插入顺序保留最后一条。
（2）向表中插入数据
insert into t_order_rmt 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');
（3）执行查询
T1 :) select * from t_order_rmt; SELECT * FROM t_order_rmt Query id: 9e80ae76-8ddb-4e9d-89f3-34125826e5f3 ┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐ │ 101 │ sku_001 │ 1000.00 │ 2020-06-01 12:00:00 │ │ 102 │ sku_002 │ 12000.00 │ 2020-06-01 13:00:00 │ │ 102 │ sku_004 │ 2500.00 │ 2020-06-01 12:00:00 │ └─────┴─────────┴──────────────┴─────────────────────┘ ┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐ │ 102 │ sku_002 │ 600.00 │ 2020-06-02 12:00:00 │ └─────┴─────────┴──────────────┴─────────────────────┘ 4 rows in set. Elapsed: 0.003 sec.
4）通过测试得到结论
- 实际上是使用order by字段作为唯一字键
- 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
- 如果版本字段相同则按插入顺序保留最后一笔
4.6 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。如果只使用普通的MergeTree的话，无论是存储空间的开销，还是查询时临时聚合的开销都比较大。
ClickHouse 为了这种场景，提供了一种能够“预聚合”的引擎 SummingMergeTree
1）案例演示
（1）创建表
create table t_order_smt( id UInt32, sku_id String, total_amount Decimal(16,2) , create_time Datetime ) engine = SummingMergeTree(total_amount) partition by toYYYYMMDD(create_time) primary key (id) order by (id,sku_id );
（2）插入数据
insert into t_order_smt 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');
（3）执行查询
T1 :) select * from t_order_smt; SELECT * FROM t_order_smt Query id: 29d50638-0a46-480f-98de-249927d464ab ┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐ │ 101 │ sku_001 │ 1000.00 │ 2020-06-01 12:00:00 │ │ 102 │ sku_002 │ 16000.00 │ 2020-06-01 11:00:00 │ │ 102 │ sku_004 │ 2500.00 │ 2020-06-01 12:00:00 │ └─────┴─────────┴──────────────┴─────────────────────┘ ┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐ │ 102 │ sku_002 │ 600.00 │ 2020-06-02 12:00:00 │ └─────┴─────────┴──────────────┴─────────────────────┘ 4 rows in set. Elapsed: 0.006 sec.
2）通过测试得到结论
- 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
3）开发建议
涉及聚合表的话，唯一键值、流水号可以去掉，所有字段全部是维度、度量或者时间戳。
4）问题
能不能直接执行以下SQL得到汇总值
select total_amount from XXX where province_name=’’ and create_date=’xxx’
不能，可能会包含一些还没来得及聚合的临时明细
如果要是获取汇总值，还是需要使用sum进行聚合，这样效率会有一定的提高，但本身ClickHouse是列式存储的，效率提升有限，不会特别明显。
select sum(total_amount) from province_name=’’ and create_date=‘xxx’
浙公网安备 33010602011771号