本文字数：13885；估计阅读时间：35 分钟
作者：ClickHouse Team
本文在公众号【ClickHouseInc】首发
时间飞逝，又到了新版本发布的时刻！
发布概要
本次ClickHouse 24.8 版本包含了19个新功能🎁、18项性能优化🛷、65个bug修复🐛
这个版本是长期支持 (LTS) 版本，发布后将获得长达 12 个月的支持。如果你想了解稳定版本和 LTS 版本的区别，可以查阅文档。
本次更新包括全新升级的 JSON 类型、针对时间序列数据的表引擎、Kafka 消息的精准一次性处理，当然也少不了对表连接操作的优化！
新贡献者
一如既往，我们热烈欢迎 24.9 版本中的所有新贡献者！ClickHouse 能有今天的流行，离不开社区的辛勤付出。看到这个社区日益壮大，真的让人倍感自豪。
以下是新贡献者名单：
Graham Campbell, Halersson Paris, Jacob Reckhard, Lennard Eijsackers, Miсhael Stetsyuk, Peter Nguyen, Ruihang Xia, Samuele Guerrini, Sasha Sheikin, Vladimir Varankin, Zhukova, Maria, heguangnan, khodyrevyurii, sakulali, shiyer7474, xc0derx, zoomxi
JSON 数据类型
由 Pavel Kruglov 贡献
本次发布中，我们实验性地引入了全新的 JSON 数据类型。这个功能开发已久，之前版本的发布中，我们也提到过它依赖的几种类型——Variable 和 Dynamic。
JSON 数据类型专为存储半结构化数据而设计，适用于每行数据结构可能不同或不希望将其拆分为单独列的情况。
我们将使用 StatsBomb 提供的足球数据集来试验这个功能。数据集包括比赛、阵容和事件信息。
对于此次实验，最有趣的数据是事件信息。事件可能包括传球、解围、封堵等比赛中发生的各种行为。虽然相同类型的事件具有相同的结构，但不同类型事件的字段却不尽相同。
如果你希望亲自操作，可以通过运行以下命令下载数据集：
wget https://github.com/statsbomb/open-data/archive/refs/heads/master.zip
接下来，快速查看我们将要处理的数据。我们会使用 JsonAsObject (对象化 JSON) 格式读取数据，这样 ClickHouse 就不会尝试推断 JSON 中各属性的类型。
SELECT
replaceRegexpAll(splitByRegexp('/', _file)[-1], '.json', '') AS matchId,
json
FROM file('master.zip :: **/data/events/*.json', JSONAsObject)
LIMIT 1
FORMAT Vertical
Row 1:
──────
matchId: 15946
json: {"duration":0,"id":"9f6e2ecf-6685-45df-a62e-c2db3090f6c1","index":"1","minute":"0","period":"1","play_pattern":{"id":"1","name":"Regular Play"},"possession":"1","possession_team":{"id":"217","name":"Barcelona"},"second":"0","tactics":{"formation":"442","lineup":[{"jersey_number":"1","player":{"id":"20055","name":"Marc-André ter Stegen"},"position":{"id":"1","name":"Goalkeeper"}},{"jersey_number":"2","player":{"id":"6374","name":"Nélson Cabral Semedo"},"position":{"id":"2","name":"Right Back"}},{"jersey_number":"3","player":{"id":"5213","name":"Gerard Piqué Bernabéu"},"position":{"id":"3","name":"Right Center Back"}},{"jersey_number":"23","player":{"id":"5492","name":"Samuel Yves Umtiti"},"position":{"id":"5","name":"Left Center Back"}},{"jersey_number":"18","player":{"id":"5211","name":"Jordi Alba Ramos"},"position":{"id":"6","name":"Left Back"}},{"jersey_number":"5","player":{"id":"5203","name":"Sergio Busquets i Burgos"},"position":{"id":"9","name":"Right Defensive Midfield"}},{"jersey_number":"4","player":{"id":"5470","name":"Ivan Rakitić"},"position":{"id":"11","name":"Left Defensive Midfield"}},{"jersey_number":"20","player":{"id":"6379","name":"Sergi Roberto Carnicer"},"position":{"id":"12","name":"Right Midfield"}},{"jersey_number":"11","player":{"id":"5477","name":"Ousmane Dembélé"},"position":{"id":"16","name":"Left Midfield"}},{"jersey_number":"9","player":{"id":"5246","name":"Luis Alberto Suárez Díaz"},"position":{"id":"22","name":"Right Center Forward"}},{"jersey_number":"10","player":{"id":"5503","name":"Lionel Andrés Messi Cuccittini"},"position":{"id":"24","name":"Left Center Forward"}}]},"team":{"id":"217","name":"Barcelona"},"timestamp":"00:00:00.000","type":{"id":"35","name":"Starting XI"}}
这行数据代表了一场比赛的首发阵容事件，但数据集中还包含数百种其他事件类型。接下来我们看看如何将这些数据加载到 ClickHouse 中。
要使用 JSON 数据类型，需要启用以下配置：
SET allow_experimental_json_type=1;
接着，我们将创建一个事件表。该表包含一个存储事件 JSON 数据的 `json` 列，以及一个 matchId 列，用于存储从文件名中提取的比赛 ID。
在创建 ClickHouse 表时，我们需要定义一个排序键，它决定数据在磁盘上的排序方式。此处我们使用 possession_team.id 作为排序键。
目前尚不支持将嵌套字段作为排序键，不过该功能已计划在未来版本中推出。暂时，我们可以创建一个 MATERIALIZED 列，从 JSON 列中提取相应的值，并将其用作排序键。以下是创建表的查询语句：
CREATE TABLE events
(
matchId String,
json JSON,
possession_team_id String MATERIALIZED getSubcolumn(json, 'possession_team.id')
)
ENGINE = MergeTree
ORDER BY possession_team_id;
接下来，我们可以复制之前的 SELECT 查询，并在其前面添加 INSERT INTO events 语句来加载数据：
INSERT INTO events
SELECT
replaceRegexpAll(splitByRegexp('/', _file)[-1], '.json', '') AS matchId,
json
FROM file('master.zip :: **/data/events/*.json', JSONAsObject)
0 rows in set. Elapsed: 72.967 sec. Processed 12.08 million rows, 10.39 GB (165.60 thousand rows/s., 142.42 MB/s.)
Peak memory usage: 3.52 GiB.
加载 1200 万条事件数据大约需要一分钟时间。之后，我们可以编写一个使用 JSON 点语法的查询来找出最常见的事件类型：
SELECT
json.type.name,
count() AS count
FROM events
GROUP BY ALL
ORDER BY count DESC
LIMIT 10
┌─json.type.name─┬───count─┐
│ Pass │ 3358652 │
│ Ball Receipt* │ 3142664 │
│ Carry │ 2609610 │
│ Pressure │ 1102075 │
│ Ball Recovery │ 363161 │
│ Duel │ 255791 │
│ Clearance │ 157713 │
│ Block │ 130858 │
│ Dribble │ 121105 │
│ Goal Keeper │ 105390 │
└────────────────┴─────────┘
点语法在读取字面值时非常方便，但它并不适用于读取子对象。例如，下面的查询尝试统计最常见的 possession_team：
SELECT
json.possession_team AS team,
count()
FROM events
GROUP BY team
ORDER BY count() DESC
LIMIT 10
┌─team─┬──count()─┐
│ ᴺᵁᴸᴸ │ 12083338 │
└──────┴──────────┘
结果显示，所有值都为 null！
点语法由于性能原因，不会读取嵌套对象。数据存储方式使得通过路径读取字面值非常高效，但如果要读取所有子对象，数据量会增加，速度可能变慢。
如果我们需要返回一个对象，则需要使用 .^ 语法。这种特殊语法专用于从 JSON 数据类型字段中读取嵌套对象：
SELECT
json.^possession_team AS team,
count()
FROM events
GROUP BY team
ORDER BY count() DESC
LIMIT 10
┌─team──────────────────────────────────────┬─count()─┐
│ {"id":"217","name":"Barcelona"} │ 1326515 │
│ {"id":"131","name":"Paris Saint-Germain"} │ 239930 │
│ {"id":"1","name":"Arsenal"} │ 154789 │
│ {"id":"904","name":"Bayer Leverkusen"} │ 147473 │
│ {"id":"220","name":"Real Madrid"} │ 135421 │
│ {"id":"968","name":"Arsenal WFC"} │ 131637 │
│ {"id":"746","name":"Manchester City WFC"} │ 131017 │
│ {"id":"971","name":"Chelsea FCW"} │ 115761 │
│ {"id":"212","name":"Atlético Madrid"} │ 110893 │
│ {"id":"169","name":"Bayern Munich"} │ 104804 │
└───────────────────────────────────────────┴─────────┘
在读取多层嵌套的子对象时，若只想返回某个子对象，只需在路径中的第一个对象使用 .^ 语法。例如：
select json.^pass.body_part AS x, toTypeName(x)
FROM events
LIMIT 1;
┌─x───────────────────────────────┬─toTypeName(x)─┐
│ {"id":"40","name":"Right Foot"} │ JSON │
└─────────────────────────────────┴───────────────┘
这种语法仅限于返回对象。如果试图使用它返回字面值，将得到一个空的 JSON 对象：
SELECT
json.^possession_team.name AS team, toTypeName(team),
count()
FROM events
GROUP BY team
ORDER BY count() DESC
LIMIT 10;
┌─team─┬─toTypeName(team)─┬──count()─┐
│ {} │ JSON │ 12083338 │
└──────┴──────────────────┴──────────┘
我们计划添加一个新操作符 .^$，它可以同时返回字面值和子对象，作为单一子列。
当返回字面值时，它们的类型将为 Dynamic。可以使用 dynamicType 函数来确定每个值的实际底层类型：
SELECT
json.possession_team.name AS team,
dynamicType(team) AS teamType,
json.duration AS duration,
dynamicType(duration) AS durationType
FROM events
LIMIT 1
┌─team────┬─teamType─┬─duration─┬─durationType─┐
│ Arsenal │ String │ 0.657763 │ Float64 │
└─────────┴──────────┴──────────┴──────────────┘
我们还可以使用 .:后缀来假定数据类型，并使用::进行类型转换。
SELECT
json.possession_team.name AS team,
toTypeName(team),
json.possession_team.name.:String AS teamAssume,
toTypeName(teamAssume) AS assumeType,
json.possession_team.name::String AS teamCast,
toTypeName(teamCast) AS castType
FROM events
LIMIT 1;
┌─team────┬─toTypeName(team)─┬─teamAssume─┬─assumeType───────┬─teamCast─┬─castType─┐
│ Arsenal │ Dynamic │ Arsenal │ Nullable(String) │ Arsenal │ String │
└─────────┴──────────────────┴────────────┴──────────────────┴──────────┴──────────┘
最后要注意的是，JSON 数据类型的列可以进一步配置。例如，如果希望排除存储中的某些 JSON 对象部分，可以通过在 JSON 路径中使用 SKIP 和 SKIP REGEXP 跳过特定路径。
例如，以下创建表的语句跳过了 pass.body.part 路径以及任何以字母 t 开头的路径：
CREATE TABLE events2
(
matchId String,
json JSON(
SKIP pass.body_part,
SKIP REGEXP 't.*'
),
possession_team_id String MATERIALIZED getSubcolumn(json, 'possession_team.id')
)
ENGINE = MergeTree
ORDER BY possession_team_id;
在将数据导入带有额外设置的 JSON 列的表时，ClickHouse 不会自动将传入的数据转换为正确的类型，不过这一问题将在未来的版本中得到修复。目前，我们需要在导入查询中显式定义 JSON 列的类型：
INSERT INTO events2
SELECT
replaceRegexpAll(splitByRegexp('/', _file)[-1], '.json', '') AS matchId,
json
FROM file(
'master.zip :: **/data/events/*.json',
JSONAsObject,
'`json` JSON(SKIP `pass.body_part`, SKIP REGEXP \'t.*\')'
);
0 rows in set. Elapsed: 75.122 sec. Processed 12.08 million rows, 10.39 GB (160.85 thousand rows/s., 138.33 MB/s.)
Peak memory usage: 3.52 GiB.
如果我们查询 events2 表，会发现这些子路径已经不再存在：
SELECT json.^pass AS pass
FROM events3
WHERE empty(pass) != true
LIMIT 3
FORMAT Vertical;
Row 1:
──────
pass: {"angle":-3.1127546,"end_location":[49.6,39.7],"height":{"id":"1","name":"Ground Pass"},"length":10.404326,"recipient":{"id":"401732","name":"Jaclyn Katrina Demis Sawicki"},"type":{"id":"65","name":"Kick Off"}}
Row 2:
──────
pass: {"angle":2.9699645,"end_location":[28,44.2],"height":{"id":"1","name":"Ground Pass"},"length":22.835499,"recipient":{"id":"401737","name":"Hali Moriah Candido Long"}}
Row 3:
──────
pass: {"angle":-1.7185218,"end_location":[27.1,27.1],"height":{"id":"1","name":"Ground Pass"},"length":16.984993,"recipient":{"id":"389446","name":"Jessika Rebecca Macayan Cowart"}}
我们还可以为路径提供类型注释：
CREATE TABLE events3
(
matchId String,
json JSON(
pass.height.name String,
pass.height.id Int64
),
possession_team_id String MATERIALIZED getSubcolumn(json, 'possession_team.id')
)
ENGINE = MergeTree
ORDER BY possession_team_id;
此外，还有一些额外设置，如 max_dynamic_paths 和 max_dynamic_types。这些设置用于控制数据在磁盘上的存储方式。你可以在 JSON 数据类型的文档中了解更多详细信息【https://clickhouse.com/docs/en/sql-reference/data-types/newjson】。
合并期间投影的控制
由 ShiChao Jin 贡献
在 ClickHouse 中，表格可以有“投影”，即原始表的隐藏副本，并保持同步。投影通常会使用不同的主键（因此行的顺序也不同），并且可以在其中逐步预计算聚合值。
当用户执行查询时，ClickHouse 会决定是从原始表读取数据，还是从投影中读取。如下图所示：
ClickHouse 会为每个表部分单独做出读取原始表还是投影的选择。通常，ClickHouse 会尽量减少数据读取量，并采用一些技巧，例如对部分主键进行采样，以确定最佳读取部分。在某些情况下，源表部分可能没有对应的投影部分。这可能是因为在 SQL 中创建表的投影时默认是“惰性”的——即它只会影响新插入的数据，而不会更改现有部分。
下图展示了一个更具体的例子，即计算英国售出物业按城镇和街道分组的最高价格的查询：
由于其中一个投影已经包含了预先计算的聚合值，ClickHouse 会尝试从相应的投影部分读取数据，以避免在查询时再次执行聚合。如果某一部分缺少对应的投影部分，查询将回退到原始数据部分。
但是，如果原始表中的数据由于复杂的数据部分后台合并发生了显著变化，该怎么办呢？
例如，假设表是使用 ClickHouse 的 ReplacingMergeTree 表引擎存储的。如果在合并过程中检测到同一行出现在多个输入部分中，系统只会保留最新的行版本（即最近插入的部分），并丢弃所有旧版本。
同样，如果表是使用 AggregatingMergeTree 表引擎存储的，合并操作可能会将基于主键值的相同行合并为一行，以更新部分聚合状态。
在 ClickHouse v24.8 之前，投影部分可能会默默地与主数据不同步，或者某些操作（如更新和删除）根本无法执行，因为数据库在表中存在投影时会自动抛出异常。
从 v24.8 开始，新的表级别设置 deduplicate_merge_projection_mode 控制原始表部分中复杂后台合并操作的行为。
删除变异是另一种部分合并操作的例子，它会删除原始表部分中的行。自 v24.7 起，我们还有一个设置来控制轻量删除所触发的删除变异行为：lightweight_mutation_projection_mode。
deduplicate_merge_projection_mode 和 lightweight_mutation_projection_mode 都有以下几种可能的取值：
-
throw: 抛出异常，防止投影部分不同步。
-
drop: 删除受影响的投影表部分，查询将回退到原始表部分替代这些投影部分。
-
rebuild: 重建受影响的投影部分，以确保与原始表部分的数据保持一致。
我们通过两个图示来演示 drop 模式的行为。第一个图示显示，通过运行变异合并操作，原始表数据部分中的一行被删除。为了防止投影部分数据不同步，相关联的投影表数据部分也会被删除：
尽管速度稍慢，示例中的聚合查询仍然能够执行——如果找不到投影部分，查询会自动回退至原始表部分。然而，如果投影部分仍然存在，查询执行会优先使用投影部分而非原始表部分：
如果将 deduplicate_merge_projection_mode 设置为 rebuild，ClickHouse 会重建与修改后的原始表数据部分相关联的投影表数据部分：
需要注意的是，这种行为相对于增量物化视图（incremental materialized views）有明显的优势。虽然增量物化视图与投影类似，但它仅在原始表中插入数据时进行同步。而在原始表数据发生更新、删除或替换时，物化视图会悄然失去同步。
时序表引擎
由 Vitaly Baranov 贡献
此版本引入了时序表引擎 (TimeSeries)。这个表引擎支持使用 ClickHouse 作为 Prometheus 的存储，通过远程写入协议 (remote-write) 进行数据存储。此外，Prometheus 还可以通过远程读取协议 (remote-read) 从 ClickHouse 中查询数据，如下图所示：
时序表引擎目前属于实验性功能，因此需要在服务器配置文件中启用 allow_experimental_time_series_table 属性：
config.d/allow_experimental_time_series.xml
<clickhouse>
<profiles>
<default>
<allow_experimental_time_series_table>1</allow_experimental_time_series_table>
</default>
</profiles>
</clickhouse>
同时，还需要配置 ClickHouse 的远程写入和远程读取端点，以支持 Prometheus 连接：
config.d/prometheus.xml
<clickhouse>
<prometheus>
<port>9092</port>
<handlers>
<my_rule_1>
<url>/write</url>
<handler>
<type>remote_write</type>
<table>default.prometheus</table>
</handler>
</my_rule_1>
<my_rule_2>
<url>/read</url>
<handler>
<type>remote_read</type>
<table>default.prometheus</table>
</handler>
</my_rule_2>
</handlers>
</prometheus>
</clickhouse>
启动 ClickHouse 后，日志中会显示如下内容：
2024.08.27 15:41:19.970465 [ 14489686 ] {} <Information> Application: Listening for Prometheus: http://[::1]:9092
...
2024.08.27 15:41:19.970523 [ 14489686 ] {} <Information> Application: Listening for Prometheus: http://127.0.0.1:9092
接下来，使用 ClickHouse 客户端连接服务器并运行以下查询：
CREATE TABLE prometheus ENGINE=TimeSeries;
运行该查询将会创建三个目标数据表：
-
data 表：用于存储与某个标识符关联的时间序列数据。
-
tags 表：存储每个指标名称与标签组合生成的标识符。
-
metrics 表：包含已收集的指标信息，包括类型和描述。
你可以通过以下查询查看这些表的名称：
SHOW TABLES
┌─name───────────────────────────────────────────────────┐
│ .inner_id.data.bcd5b4e6-01d3-45d1-ab27-bbe9de2bc74b │
│ .inner_id.metrics.bcd5b4e6-01d3-45d1-ab27-bbe9de2bc74b │
│ .inner_id.tags.bcd5b4e6-01d3-45d1-ab27-bbe9de2bc74b │
│ prometheus │
└────────────────────────────────────────────────────────┘
接下来，我们将启动 Prometheus，并让其以自引用的方式收集自身的数据。配置文件如下：
prometheus.yml
global:
scrape_interval: 15s
external_labels:
monitor: 'codelab-monitor'
scrape_configs:
- job_name: 'prometheus'
scrape_interval: 5s
static_configs:
- targets: ['localhost:9090']
remote_write:
- url: "http://localhost:9092/write"
remote_read:
- url: "http://localhost:9092/read"
需要重点关注的是 remote_write 和 remote_read 配置项，它们指向在 ClickHouse 服务器上运行的 HTTP 端点。下载并解压 Prometheus 后，运行以下命令即可：
./prometheus-2.54.0.darwin-amd64/prometheus --config prometheus.yml
之后，你可以在 Prometheus 中查看这些指标，或使用 ClickHouse 的表函数进行查询。这些函数以 timeSeries 为前缀，并接受 TimeSeries 表名作为参数。第一个函数是 timeSeriesMetrics，用于列出所有指标：
SELECT *
FROM timeSeriesMetrics(prometheus)
LIMIT 3
FORMAT Vertical
Query id: 07f4cce2-ad47-45e1-b0e3-6903e474d76c
Row 1:
──────
metric_family_name: go_gc_cycles_automatic_gc_cycles_total
type: counter
unit:
help: Count of completed GC cycles generated by the Go runtime.
Row 2:
──────
metric_family_name: go_gc_cycles_forced_gc_cycles_total
type: counter
unit:
help: Count of completed GC cycles forced by the application.
Row 3:
──────
metric_family_name: go_gc_cycles_total_gc_cycles_total
type: counter
unit:
help: Count of all completed GC cycles.
此外，还可以使用 timeSeriesData 和 timeSeriesTags，建议将这两个函数一起查询：
SELECT *
FROM timeSeriesData(prometheus) AS data
INNER JOIN timeSeriesTags(prometheus) AS tags ON tags.id = data.id
WHERE metric_name = 'prometheus_tsdb_head_chunks_created_total'
LIMIT 1
FORMAT Vertical
Row 1:
──────
id: a869dbe8-ba86-1416-47d3-c51cda7334b1
timestamp: 2024-08-27 15:54:46.655
value: 8935
tags.id: a869dbe8-ba86-1416-47d3-c51cda7334b1
metric_name: prometheus_tsdb_head_chunks_created_total
tags: {'instance':'localhost:9090','job':'prometheus','monitor':'codelab-monitor'}
min_time: 2024-08-27 13:46:05.725
max_time: 2024-08-27 16:00:26.649
在未来的版本中，我们将实现 /query 端点，允许你直接在 ClickHouse 中执行 Prometheus 风格的查询。
连接功能的改进
每个 ClickHouse 版本都会包含连接功能的改进，ClickHouse v24.8 也不例外，提供了更多增强功能。
更多支持不等条件的连接类型
由 Lgbo-USTC 贡献
ClickHouse v24.5 版本中已引入 ON 子句中非相等条件的实验性支持。本次更新中，更多的连接类型（如 LEFT/RIGHT SEMI/ANTI/ANY JOIN）可以使用左表和右表列的不等条件。
对连接表执行 OPTIMIZE 查询，降低内存占用
由 Duc Canh Le 贡献
使用 Join 表引擎的 ClickHouse 表，通常会在内存中预先计算一个哈希表，以便在连接操作时直接使用右表数据。
在 ClickHouse v24.8 中，你可以对连接表运行 OPTIMIZE TABLE 语句，通过优化数据打包减少内存使用，最多可减少 30% 的内存占用。
全新的 Kafka 引擎
由 János Benjamin Antal 贡献
我们还引入了一个新的实验性 Kafka 引擎，该版本实现了 Kafka 消息的精准处理。
在现有引擎中，Kafka 偏移量同时存储在 Kafka 和 ClickHouse 中，因非原子提交导致重试时可能出现重复数据。
新版本中，偏移量由 ClickHouse Keeper 处理。如果插入失败，无论是网络问题还是服务器故障，都会重新插入同一数据块，确保数据一致性。
你可以通过以下设置启用新引擎：
CREATE TABLE ... ENGINE = Kafka(
'localhost:19092', 'topic', 'consumer', 'JSONEachRow')
SETTINGS
kafka_keeper_path = '/clickhouse/{database}/kafka',
kafka_replica_name = 'r1';
征稿启示
面向社区长期正文，文章内容包括但不限于关于 ClickHouse 的技术研究、项目实践和创新做法等。建议行文风格干货输出&图文并茂。质量合格的文章将会发布在本公众号，优秀者也有机会推荐到 ClickHouse 官网。请将文章稿件的 WORD 版本发邮件至：Tracy.Wang@clickhouse.com
联系我们
手机号：13910395701
邮箱：Tracy.Wang@clickhouse.com
满足您所有的在线分析列式数据库管理需求
523
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
