clickhouse

1 概念

ClickHouse是俄罗斯的Yandex于2016年开源的列式存储数据库（DBMS），使用C++语言编写，主要用于在线分析处理查询（OLAP），能够使用SQL查询实时生成分析数据报告。

1.1 特点

• 列式存储

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。

• DBMS的功能

几乎覆盖了标准SQL的大部分语法，包括DDL和DML，以及配套的各种函数，用户管理及权限管理，数据的备份与恢复。

• 多样化引擎

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。

• 高吞吐写入能力

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。

官方公开benchmark测试显示能够达到50MB-200MB/s的写入吞吐能力，按照每行100Byte估算，大约相当于50W-200W条/s的写入速度。

• 数据分区与线程级并行

ClickHouse将数据划分为多个partition，每个partition再进一步划分为多个indexgranularity(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。所以，ClickHouse即使对于大量数据的查询也能够化整为零平行处理。但是有一个弊端就是对于单条查询使用多cpu，就不利于同时并发多条查询。所以对于高qps的查询业务，ClickHouse并不是强项。

• 性能对比

结论:ClickHouse像很多OLAP数据库一样，单表查询速度优于关联查询，而且ClickHouse的两者差距更为明显。

2 数据类型

2.1 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（）：

Int8 -[-128 : 127]

Int16 -[-32768 : 32767]

Int32 -[-2147483648 : 2147483647]

Int64 -[-9223372036854775808 : 9223372036854775807]

无符号整型范围（）：

UInt8 -[0 : 255]

UInt16 -[0 : 65535]

UInt32 -[0 : 4294967295]

UInt64 -[0 : 18446744073709551615]

使用场景：个数、数量、也可以存储整型id

2.2 浮点型

Float32 -float

Float64 –double

建议尽可能以整数形式存储数据。例如，将固定精度的数字转换为整数值，如时间用毫秒为单位表示，因为浮点型进行计算时可能引起四舍五入的误差。

使用场景：一般数据值比较小，不涉及大量的统计计算，精度要求不高的时候。比如保存商品的重量。

2.3 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。

2.4 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

使用场景：一般金额字段、汇率、利率等字段为了保证小数点精度，都使用Decimal进行存储。

2.5 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。与String相比，极少会使用FixedString，因为使用起来不是很方便。

使用场景：名称、文字描述、字符型编码。固定长度的可以保存一些定长的内容，比如一些编码，性别等但是考虑到一定的变化风险，带来收益不够明显，所以定长字符串使用意义有限。

2.6 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。

1）用法演示

创建一个带有一个枚举Enum8('hello' = 1, 'world' = 2)类型的列

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

2）这个x列只能存储类型定义中列出的值：'hello'或'world'

INSERT INTO t_enum VALUES ('hello'),('world'),('hello');

3）如果尝试保存任何其他值，ClickHouse抛出异常

insert into t_enum values('a')

4）如果需要看到对应行的数值，则必须将Enum值转换为整数类型

SELECT CAST(x, 'Int8') FROM t_enum;

使用场景：对一些状态、类型的字段算是一种空间优化，也算是一种数据约束。但是实际使用中往往因为一些数据内容的变化增加一定的维护成本，甚至是数据丢失问题。所以谨慎使用。

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。

还有很多数据结构，可以参考官方文档：https://clickhouse.yandex/docs/zh/data_types/

2.8 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。例如，不能在MergeTree表中存储多维数组。

创建数组方式：

1. 使用array函数

array(T)
SELECT array(1, 2) AS x, toTypeName(x) ;

1. 使用方括号

[]
SELECT [1, 2] AS x, toTypeName(x);

3 表引擎

3.1 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

3.2 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。如：

create table t_tinylog ( id String, name String) engine=TinyLog;

3.3 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。

3.4 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。

3.4.1 参数说明

3.4.1.1 partition by分区(可选)

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）如果不填

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统计，ClickHouse会以分区为单位并行处理。

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，合并到已有分区中。

optimize table xxxx final;

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

手动optimize之后：optimize table t_order_mt final;

再次查询

3.4.1.2 primary key主键(可选)

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粒度的第一行，然后再进行进一步扫描。

3.4.1.3 order by（必选）

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。

orderby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)那么主键必须是id或者(id,sku_id)

4 sql语句

4.1 查询某个数据库中的所有表名、某个表的字段名、字段类型、字段注释

查看 Test 数据库的所有表

-- 方法一

select name from system.tables where database = 'Test';

-- 方法二

select distinct table from system.columns where database = 'Test'

查看 Test_table 表的所有字段

select name from system.columns where database ='Test'andtable='Test_table';

查看 Test_table 表的字段名、字段类型、字段注释

select database,table,name,type,comment from system.columns where database ='Test'andtable='Test_table';

若想就看某个表的某一两个字段的字段类型的话，可直接 调用 toTypeName() 函数来查看

select top 1 toTypeName(`id`),toTypeName(`name`) from Test_table;

show create table db.tname;

## 下列将显示表的创建语句;