Clickhouse-23.1.3.5（Centos）

地址信息

官网地址：Fast Open-Source OLAP DBMS - ClickHouse

官网文档：什么是ClickHouse？ | ClickHouse Docs

全局配置（官网）：Global Server 设置 |ClickHouse 文档

users配置参数：Users and Roles Settings | ClickHouse Docs

config配置参数：Global Server Settings | ClickHouse Docs

下载地址（官网）：packages.clickhouse.com/rpm/stable/

下载地址（阿里云）：clickhouse-rpm-stable安装包下载_开源镜像站-阿里云

1.clickhouse-client-23.1.3.5.x86_64.rpm

2.clickhouse-common-static-23.1.3.5.x86_64.rpm

3.clickhouse-common-static-dbg-23.1.3.5.x86_64.rpm

4.clickhouse-server-23.1.3.5.x86_64.rpm

系统架构

特别注意：执行顺序是从上到下执行

Cluster（集群）与Replication（副本）：集群由Shard（分片）组成，而Shard（分片）由Replica（副本）组成；

Functions（函数）：分为单行函数和组函数；

Interpreter（解释器）：负责将SQL语句以递归下降的方法解析成AST语法树，不同的SQL语句有不同的解析器；

Parser（解析器）：对SQL语句进行解析；

Table（数据表）：底层没有表的概念，Table是多个列的集合体，读取数据以表为单位操作，通过BlockStreams（块流）操作Block（块）；

数据读写IO：通过字节流实现数据的输入和输出，用于处理文件、socket、压缩等；

Formats（格式化）：数据格式同块一起实现，用于向客户端输出数据的展示格式；

BlockStreams（块流）：通过块流实现块数据的输入和输出；

Block（块）：表示内存中表的子集（chunk）的容器，由三元组【Column（列）、DataType（数据类型、列名）】组成的集合，表操作的对象是Block（块）；

DataType（数据类型）：负责序列化和反序列化，读取二进制或文本形式的列或单个值构成的块，但不直接负责数据的读取，而是转由从Column或Field对象读取；

Column（列）&Field（领域）：Column和Field是Clickhouse中最基础的单元，其中Column是一个对象用于存储一列数据；而Field也是一个对象，代表列中的一个单值，采用聚合设计模式，内部有13种数据类型及相应的处理逻辑；

核心概念

      1）数据分片：将数据进行横向切分，每个分片对应了Clickhouse的1个服务节点，还提供了本地表（Local Table）与分布式表（Distributed Table）的概念，本地表等同于一份数据的切片，而分布式表本身不存储数据，它是本地表的访问代理，类似分库中间件，借助分布式表，能够访问多个数据切片，从而实现分布式查询。

        2）列式存储：a.同一列中的数据属于同一类型，列存的压缩比更高，节省了大量存储空间；b.压缩比高意味着更小的data size，从磁盘中读数据时间更短；c.可以根据根据不同列的类型选择最合适的压缩算法；

        3）向量化：Clickhouse不仅将数据按列存储，而且按列计算，将多次for循环计算变成一次计算；

        4）表； 

        5）分区：ClickHouse支持PARTITION BY字句，在建表时可以按照表达式进行数据分区操作，比如：toYYYYMM()按月分区，toMonday()按周分区，对num类型的列分区，数据以分区的形式统一管理和维护一批数据；

        6）副本：通过复制集，保障数据的可靠性，也通过多副本的方式，增加了CK查询的并发能力，a.分布式DDL执行、ReplicatedMergeTree表主备节点之间的状态同步；   c.并发访问数据；d.索引的使用；e.是否可以执行多线程请求；f.数据是否存储副本；g.并发操作insert into tb_x select * from tb_x  表引擎决定数据在文件系统中的存储方式，官方推荐的存储引擎是MergeTree系列，数据副本用ReplicatedMergeTree系列，读取集群数据需要使用分布式表引擎Distribute；

        7）block：ClickHouse能处理的最小单位是block，block是一群行的集合，默认最大为8192行。因为每一列单独存储，因此每个数据文件相比于行式存储更有规律，通过对block采用LZ4压缩算法，整体压缩比大致可以8:1。ClickHouse通过出色的压缩比与block结构实现了批处理功能；

        8）LSM：LSM的原理：把一颗大树拆分成N棵小树，数据先写入内存中，随着小树越来越大，内存的小树会flush到磁盘中。磁盘中的树定期做合并操作，合并成一棵大树。ClickHouse通过LSM实现数据的预排序，从而减少磁盘的读取量；ClickHouse的写入步骤可以总结为以下几点：a.每一批次数据写入，先记录日志，保证高可用机制;b.记录日志之后存入内存排序，后将有序结果写入磁盘，记录合并次数Level=0; c.定期将磁盘上Level=0或1的文件合并，并标记删除，后续物理删除;

        9）索引：ClickHouse的采用一级索引(稀疏索引)+二级索引(跳数索引)来实现索引数据定位与查询。一级索引记录每个block块的第一个，每次基于索引字段查询只需要确定查询第几个block块即可，避免一个查询遍历所有数据，一级索引占用存储较小，可常驻内存，加速查询。二级索引由数据的聚合信息构建而成，根据索引类型的不同，其聚合信息的内容也不同，跳数索引的目的与一级索引一样，也是帮助查询时减少数据扫描的范围，原则都是“排除法”，即尽可能的排除那些一定不满足条件的索引粒度。

优&缺点

优点	缺点
真正面向列的DBMS（Database Management System：是一种用于创建、维护、查询和管理数据库的软件）；	不支持事务
高效的数据压缩；	缺完整的修改和删除操作，缺少高频率、低延迟的修改和删除能力
数据磁盘存储；	聚合结果必须小于该机器的内存大小
多核并行处理；	不适合key-value存储，不支持Blob等文档型数据库
分布式架构；
支持SQL语法；
向量化引擎；
实时数据更新；
支持索引；
支持近似预估计算；
支持嵌套的数据结构；
支持数组类型；
支持限制查询复杂性及配额；
支持数据复制；

数据类型

分类	代码	取值范围
整型（有符号）	Int8	-128     ~     127
	Int16	-32768     ~     32767
	Int32	-2147483648 ~ 2147483647
	Int64	-9223372036854775808 ~ 9223372036854775807
整型（无符号）	UInt8	0  ~ 255
	UInt16	0 ~  65535
	UInt32	0 ~ 4294967295
	UInt64	0 ~  18446755073709551615
浮点型	Float32	注意：存钱时不能用该类型，要用Decimal
	Float64
Decimal型	Decimal32（s代表小数点位数）	有效位数为   1  ~  9
	Decimal64（s）	有效位数为   1  ~  18
	Decimal128（s）	有效位数为   1  ~  38
字符串型	String
	FixedString（N）
枚举型	Enum8
	Enum16
时间型	Date	年-月-日         2024-12-14
	DateTime	年-月-日 时:分:秒         2024-12-14 20:30:10
	DateTime64	年-月-日 时:分:秒.亚秒         2024-12-14 20:30:10.44
数组型	Array（T）

表引擎

表引擎	描述
TinyLog	以列文件形式保存在磁盘上，不支持索引、没有并发控制，一般保存少量数据的小表，主要用于测试
Memory	内存引擎，读写操作不会相互阻塞，不支持索引
MergeTree	合并树引擎，支持索引和分区
ReplacingMergeTree	去重合并树引擎，支持索引和分区，去重时机：只有数据合并时才会去重，clickhouse的合并是在后台进行的，时间无法预料；去重范围：只能在本分区内去重；注意：1.去重是根据order by关键字中的字段作为唯一键；2.去重不能跨分区；3.在数据批量插入时（新版本）或合并分区时才会去重；4.根据传入的字段的最大值去重，如果值相同或者不传字段时保留最后一个数据；5.能保证最终数据一致性；
SummingMergeTree	预聚合合并树引擎，支持索引和分区，只有分片合并时才能聚合（只能在本分区内）；注意：1.可以传入多个列，如果不传，以所有非维度列的数字列字段为汇总；2.以order by的列为准，作为维度列；3.在数据批量插入时（新版本）或分片合并时才会聚合；

常用函数

名称	含义	用法	效果
CAST	类型转换	select CAST（字段名,'数据类型'） from t_text;
with rollup	数据上卷（按照分组字段从右往左依次统计）	select id,sku_id,sum(total_amount) from order_mt group by id,sku_id with rollup;
with cube	多维分析（从右往左去掉维度进行小计，在从左往右去掉维度进行小计）	select id,sku_id,sum(total_amount) from order_mt group by id,sku_id with cube;
with total	总计	select id,sku_id,sum(total_amount) from order_mt group by id,sku_id with totals;
argMax	根据某个列获取最大值   注意：查询参数1，通过参数2筛选出最新的值	select argMax(sku_id,create_time) from order_mt;
final	ClickHouse会在返回结果之前完全合并数据，实现数据的一致性；注意：1.只有ReplacingMergeTree有效；2.只有本次查询有效	select * from order_mt_r final;

数据副本

写入流程

注意：副本是通过Zookeeper实现的，且只支持MergeTree家族，用于保障数据的高可用，副本之间没有主从的概念，它们互相备份

修改配置

<!--===================增加集群分片配置===============-->
<!--进入目录-->
cd /etc/clickhouse-server/config.d
<!--创建文件，存储集群信息-->
mkdir metrika-shard.xml
<!--增加以下内容-->
<?xml version="1.0"?> 
 <!-- 公司名称-->
<yandex> 
    <remote_servers>
        <!-- 集群名称,可根据自己情况修改-->
        <test_cluster> 
            <!--集群的第一个分片-->
            <shard> 
                 <!--内部副本同步-->
                <internal_replication>true</internal_replication>
                <!--第一个分片的第一个副本-->
                <replica>
                    <!--机器-->
                    <host>hadoop101</host>
                    <!--端口号-->
                    <port>9000</port>
                </replica>
                <!--第一个分片的第二个副本-->
                <replica>
                    <host>hadoop102</host>
                    <port>9000</port>
                </replica>
            </shard>
            <!--集群的第二个分片-->
            <shard> 
                 <!--内部副本同步-->
                <internal_replication>true</internal_replication>
                <!--第二个分片的第一个副本-->
                <replica>
                    <host>hadoop103</host>
                    <port>9000</port>
                </replica>
                 <!--第二个分片的第二个副本-->
                <replica>
                    <host>hadoop104</host>
                    <port>9000</port>
                </replica>
            </shard>
            <!--集群的第三个分片-->
            <shard> 
                 <!--内部副本同步-->
                <internal_replication>true</internal_replication>
                 <!--第三个分片的第一个副本-->
                <replica>
                    <host>hadoop105</host>
                    <port>9000</port>
                </replica>
                <!--第三个分片的第二个副本-->
                <replica>
                    <host>hadoop106</host>
                    <port>9000</port>
                </replica>
            </shard>
        </test_cluster>
    </remote_servers>
    <!--zookeeper集群的配置信息-->
     <zookeeper-servers> 
    <!--第一个节点-->
	  <node index="1"> 
        <!--机器名-->
		 <host>hallo100</host> 
         <!--端口号-->
		 <port>2181</port> 
	 </node> 
    <!--第二个节点-->
	 <node index="2"> 
		 <host>hallo101</host> 
		 <port>2181</port> 
	 </node> 
     <!--第三个节点-->
	 <node index="3"> 
		 <host>hallo102</host> 
		 <port>2181</port> 
	 </node> 
     </zookeeper-servers> 
    <!--宏，是一种在配置文件或通过命令行参数定义的符号替换机制-->
    <macros>
        <!--分片数-->
        <shard>01</shard> 
        <!--副本名     格式为：IP_分片数_副本数-->
        <replica>rep_1_1</replica> 
    </macros>
</yandex>

<!--修改文件权限-->
chown clickhouse:clickhouse metrika.xml
<!--增加文件路径-->
cd /etc/clickhouse-server/
<!--编辑配置文件，并全局搜索 <zookeeper  在该配置上增加以下内容  -->
vim config.xml
<!--增加该内容-->
<zookeeper incl="zookeeper-servers" optional="true" />
<include_from>/etc/clickhouse-server/config.d/metrika-shard.xml</include_from>
<!--重启clickhouse服务-->
clickhouse restart 

视图

普通试图（normal view）：不存储任何数据，只是一个子查询。当从视图读取数据时，实际是查询创建视图的子查询语句（创建视图的查询被用作from子句中的子查询）；

物化试图（materialized view）：物化视图实际存储了一份数据。用户查询的时候和表没有区别，更像是一张时刻在预计算的表。在创建物化视图的时候也需要定义存储引擎；

实时视图(live view)：存储CREATE语句中SELECT查询的结果，并在查询结果更改时进行更新。

窗口视图(window view)：

SQL操作

--================================建表语句==============================
--建表语句（单机表,没副本）  MergeTree用法
create table order_mt(
id UInt32,
sku_id String,
total_amount Decimal(16,2) TTL create_time+interval 10 SECOND,  --TTL（过期时间），注意：该方式属于字段级别的过期时间
create_time DateTime,
INDEX a total_amount TYPE minmax GRANULARITY 5    --开启二级索引（跳数索引）
) engine=MergeTree   --合并树引擎
  partition by toYYYYMMDD(create_time)    
  primary key(id)             
  order by(id,sku_id)        


--建表语句（本地分片，副本表） test_cluster是集群名称，要与metrika-shard.xml配置文件中的集群标签名一致
create table order_mt_load on cluster test_cluster (
id UInt32,
sku_id String,
total_amount Decimal(16,2) , 
create_time DateTime
--副本引擎  参数1：zookeeper的路径，注意：从metrika-shard.xml配置文件中读取；参数2：副本名称，注意：从metrika-shard.xml配置文件中读取
) engine=ReplicatedMergeTree('/clickhouse/tables/{shard}/order_mt_load','{replica}')
  partition by toYYYYMMDD(create_time)    
  primary key(id)             
  order by(id,sku_id) 

--建表语句（分布式表）  test_cluster是集群名称，要与metrika-shard.xml配置文件中的集群标
create table order_mt_load_di on cluster test_cluster
(
    id UInt32,
    sku_id String,
    total_amount Decimal(16,2),
    create_time Datetime
--Distributed代表分布式；参数1：集群名称、参数2：数据库名、参数3：本地表名、参数4：按照什么字段进行分片
)engine = Distributed(test_cluster, default, order_mt_load, hiveHash(sku_id));


--建表语句（单机表，没副本）  ReplacingMergeTree用法
create table order_mt_r(
id UInt32,
sku_id String,
total_amount Decimal(16,2) , 
create_time DateTime
) engine=ReplacingMergeTree(create_time)  --去重合并树引擎，参数：数据去重依据，会根据该字段去重
  partition by toYYYYMMDD(create_time)    
  primary key(id)             
  order by(id,sku_id)  
  

--建表语句（单机表，没副本）  SummingMergeTree用法
create table order_mt_t(
id UInt32,
sku_id String,
total_amount Decimal(16,2) , 
create_time DateTime
) engine=SummingMergeTree(total_amount)  --聚合合并树引擎，参数：想要聚合的列
  partition by toYYYYMMDD(create_time)    
  primary key(id)             
  order by(id,sku_id)  

--创建物化视图  关键字：materialized（物化）、 view（视图） 、populate会将原表的所有数据加到视图中，不加该关键字，只会将新增的数据加到视图中
create materialized view test_view 
engine=SummingMergeTree
partition by toYYYYMMDD(create_time)
order by(id,sku_id) populate AS select id,sku_id,total_amount,create_time from order_mt

--===============相关优化=========================
--建表，   日期类型不要使用String，可以用DateTime或者Int32 
--数据插入不要用NULL，可以用""或者-1
--分区粒度不要过粗或者过细，如果有一亿条数据的话，分区控制在10  ~ 30个最佳
--查询语句中，尽量使用prewhere 而不是where   注意：prewhere只支持MergeTre家族
--数据采样   SAMPLE 0.1  代表采样10%的数据，也可以是具体的条数
--虚拟列   查询语句中不要使用虚拟列（也就是表中没有的字段）
--查询语句中，数据去重尽量使用uniqCombined（不精准去重） 而不是distinct（精准去重）
--多表查询，用IN  而不用join，还有就是将小表放到右边  注意：因为join会将右边的表数据全部加载到内存中，然后左边的表会逐条的去内存中匹配查询
--分布式多表关联查询时，在IN或join 之前 加上 GLOBAL关键字   注意：是为了解决查询放大问题，也就是每个节点上的表都会与其它节点上的表全量数据对比
--查询数据时，在表后面加上 final 关键字


--==============建表语句中的关键字含义=================
partition by toYYYYMMDD(create_time)   分区；  toYYYMMDD时间格式转换；  注意：该关键字可选
primary key    主键，提供数据的一级索引，但不是唯一约束，注意：该关键字会帮我们创建SETTINGS index_granularity = 8192（稀疏索引力度）
order by 在同一个分区内排序    注意：排序关键字非常重要，主键必须按照排序中字段的顺序
INDEX a total_amount TYPE minmax GRANULARITY 5    --开启二级索引； INDEX（添加索引）、a（索引名）、  total_amount（索引字段）、TYPE（索引类型）、minmax（记录一段数据内的最小和最大极值）、GRANULARITY（设定二级索引对于一级索引的粒度）
TTL create_time+interval 10 SECOND    TTL（过期时间分为表和字段级别）、create_time（表中的日期字段，注意：该字段不能是主键切必须是日期类型）、interval 10（时间的固定写法）、SECOND（时间单位，时、分、秒、天）

--==================参数设置==============================
--开启三元运算符优化   0代表关闭
set optimize_if_chain_to_multiif=1;
--开启where优化   0代表关闭
set optimize_move_to_prewhere=1;


--===========================sql语句====================================
insert into 表名 values(generateUUIDv4());    --插入UUID类型的格式（方式一）
insert into 表名 select generateUUIDv4(),'变量名';    --插入UUID类型的格式（方式二 ）  
insert into 表名 values('RED'),('BLUE');    --插入Enum('RED'=1,'BLUE'=2 )枚举类型（方式一）
insert into 表名 values(1),(2);    --插入Enum('RED'=1,'BLUE'=2 )枚举类型（方式二）
insert into 表名 values([1,2,3],['zhd','zdf','fddf']);   --插入Nested类型的方式
insert into 表名 values(('yy',12)),(('ss',22))      --插入Tuple类型的方式
insert into 表名 values('192.168.19.10');       --插入IP的方式
insert into 表名 values(map('ddd',123));        --插入map的方式（方式一）
insert into 表名 values({'fsd': 233});        --插入map的方式（方式二）
insert into 表名 values(array('lay','zytf'));  --插入数组（字符串）类型 
select fs.size0 from 表名;          --用sql方式 查询数组长度
select length(fs)  from 表名;       --用函数方式 查询数组长度
select fs[1] from 表名;             --用函数方式  根据下标值查数组数据（方式一）
select arrayElement[fs,1] from 表名;   --用函数方式  根据下标值查数组数据（方式二）
select arrayMap(e->upper(e),fs) 表名；  --用函数方式 将所有字符串转成大写
select aa.s,aa.i  from 表名;            --查询元组数据方式
select mm['ddd'] from 表名;             --查询map的方式  根据key取值（方式一）
select arrayElement[mm,'ddd'] from 表名;   --用函数方式  根key查map的值（方式二）
select (1.2+3) :: Int8;                --类型强制转换
with 100 as number select money + number from 表名;     --with定义变量在和表中的字段操作
with toYYYYMM(create_time) as c_t select c_t from 表名;   --with定义变量通过函数修改字段的格式
with splitByString(',',name) as str_arr select str_arr  from 表名;   --将字符串转成数组
 --array join将数组炸开(按行显示)
select 
    id,
    name   --炸开后的别名
from 表名 
array join names as name;    --names是表中的字段【Array(String)数组类型】

/*********************创建试图***********************/
create view xx_view as select id,name,age from 表名;    --创建普通试图（不会落盘）
create materialized view xx_view engine = 表引擎 populate as select * from 表名;   --创建物化试图（落盘）【materialized（物化试图）、populate（数据同步） 】
 
/********************操作表结构************************/
--查看集群名称
show clusters;
--查看表结构
SHOW CREATE TABLE order_mt;
--新增字段   注意：在id字段后面增加 aabb
alter table order_mt_r add column aabb String after id;
--修改字段的类型
alter table order_mt_r modify column aabb UInt32;
--删除字段
alter table order_mt_r drop column aabb;
alter table 表名 add colume name2 String;    --添加字段
alter table 表名 drop colume name2 String;    --删除字段
alter table 表名 modify colume age String default '';    --修改字段类型（将age修改为字符串）
alter table 表名 comment colume name2 '用户名';    --给字段添加注释
alter table 表名 drop where id =3;        --根据ID删除数据
alter table 表名 update name2='java' where id=3   --根据id修改name的值
rename table tb_test to t1;         --修改表名
rename table tb_test to t1，ttt1 to t2;         --修改多张表名
rename table  t2 to test1.t;         --移动表到另一个库中
 
/**********************分区操作************************/
select name,table,partition from system.parts where table ='表名';   --查看分区信息
alter table 表名 drop partition '20240203';        --删除分区
alter table t2 REPLACE PARTITION '20240302' FROM t1  --根据分区将t1表的数据复制到t2
alter table 表名 clear colume name in partition '20240203';   --根据分区清空name字段数据
alter table 表名 detach partition '20240203';    --卸载分区（底层只是移动文件）
alter table 表名 attach partition '20240203';    --装载分区（底层只是移动文件）
--根据表  手动合并分区  注意：去重的规则是根据 order by中的字段
optimize table order_mt  final;
--根据分区名  手动合并分区   注意：去重的规则是根据 order by中的字段
optimize table order_mt partition '20200621' final;    
--删除   注意：数据并没真正删除，只是将数据移到了新创建的分区中，只有合并时才会删除旧分区的数据
alter table order_mt delete where sku_id='sku_001';
--清空数据
alter table order_mt delete where 1=1;
--修改   注意：数据并没真正修改，只是将数据移到了新创建的分区中
alter table order_mt update total_amount=toDecimal32(800,2) where sku_id='sku_004';
--explain syntax查看优化后的sql  
explain syntax select arrayJoin([1,2,3,null,null]);

命令

sudo /etc/init.d/clickhouse-server start    --启动服务(方式一)
service clickhouse-server start    --启动服务(方式二)
clickhouse-client -u(用户名，默认值default)  -m(交互式客户端中可以执行多行函数)  -h(服务端的host名称)   -port(端口号，默认9000)  -password(密码)   -q(非交互式下的查询语句)  -d(要操作的数据库，默认default)  -f(使用指定的格式输出结果)  -t(非交互模式下打印查询执行时间)  -stacktrace(如果出现异常，打印堆栈信息)  -config-file(配置文件的名称)
 
/*******************导入数据**********************/
cat file.txt | clickhouse-client -q 'insert into 库名.表名 format CSV'  --将txt中的数据插入到表中（方式一）
clickhouse-client -q 'insert into 库名.表名 format CSV' < file.txt  --将txt中的数据插入到表中（方式二）
clickhouse-client --format_csv_delimiter='_' -q 'insert into 库名.表名 format CSV' < file.txt  --将txt中的数据插入到表中（方式三）  指定txt中字段之间的分隔符--format_csv_delimiter='_'

安装步骤

序号	内容	代码	描述
1	安装依赖	sudo yum install -y libtool sudo yum install -y *unixODBC*
2	修改系统配置	vim /etc/security/limits.conf * soft nofile 65536 * hard nofile 65536 * soft nproc 131072 * hard nproc 131072	*  代表用户名@用户组 soft、hard   代表最小值/最大值 nofile、nproc  代表文件数/进程数 最后一列是具体的值
3	修改系统配置	vim /etc/security/limits.conf * soft nofile 65536 * hard nofile 65536 * soft nproc 131072 * hard nproc 131072
4	关闭安全策略	vim /etc/selinux/config SELINUX=disabled
5	重启服务	reboot
6	查看是否生效	getenforce	结果为：Disabled
7	创建包存放路径	mkdir clickhouse_rpm
8	上传安装包	cd clickhouse_rpm rz  -bye	共计4个安装包
9	安装	sudo rpm -ivh *.rpm	备注：在安装过程中会让输入密码，直接点击回车键，说明不设置登入密码
10	查看是否安装	rpm -qa|grep clickhouse
11	修改配置文件	cd  /etc/clickhouse-server vim  config.xml <!--远程访问，将原有注释去掉-->  <listen_host>::</listen_host>	<!--数据存储路径--> <path>/var/lib/clickhouse/</path> <!--日志级别--> <level>trace</level> <!--日志路径--> <log>/var/log/clickhouse-server/clickhouse-server.log</log> <!--错误日志路径--> <errorlog>/var/log/clickhouse-server/clickhouse-server.err.log</errorlog>
12	启动（测试用）	clickhouse start
13	查看启动状态（测试用）	clickhouse status
14	命令行登入	clickhouse-client -m
15	停止（测试用）	clickhouse stop
16	启动	sudo systemctl start clickouse-server
17	设置开机自启动	sudo systemctl enabled clickouse-server
18	查看启动状态	systemctl status clickhouse-server

文件作用

1	默认安装路径	bin      --->        /usr/bin conf    --->       /etc/clickhouse-server lib       --->       /var/lib/clickhouse log      ---->     /var/log/clickhouse
2	配置文件路径	cd  /etc/clickhouse-server           config.d         默认配置           config.xml     服务端的配置           users.d                    users.xml      参数配置
3	数据文件路径	cd /var/lib/clickhouse/data/default/order_mt      20200601_1_1_0  分区目录（分区字段值_最小分区块编号_最大分区块编号_合并层级）      detached       卸载      format_version.txt    格式版本	注意：最小编号：自增类型，从1开始向上递增，每产生一个新的目录分区就向上递增一个数字； 合并等级：被合并的次数，合并的次数越多，层级值越大；
4	数据文件	cd /var/lib/clickhouse/data/default/order_mt/20200601_1_1_0
		checksums.txt    校验文件，用于校验各个文件的正确性，存放各个文件的size以及hash值
		columns.txt    列信息（列名和数据类型）
		count.txt   记录表的行数
		data.bin      数据文件（每一个列都会有一个bin文件）
		data.mrk3   标记文件，标记文件在idx索引文件和bin数据文件之间起到了桥梁作用；（每一个列都会有一个mrk文件）
		default_compression_codec.txt    默认压缩格式
		minmax_create_time.idx  分区键的最小和最大值（主要是给分区文件使用）
		partition.dat   分区文件
		primary.idx     稀疏索引文件

常用配置

备注：主要是修改config.xml和users.xml配置文件
全局配置（官网）：Global Server 设置 |ClickHouse 文档
类型	配置	值	描述
CPU	background_pool_size	CPU个数的2倍	后台线程池的大小，clickhouse的merge也会使用线程池中的线程，默认值为16
	background_schedule_pool_size	CPU个数的2倍	执行后台任务的线程数，默认值为128
	background_distributed_schedule_pool_size	CPU个数的2倍	分布式发送执行后台任务的线程数，默认值为16
	max_concurrent_queries	150  ~  300	最大并发处理的请求数（包含select、inster等），默认值为100
	max_threads	默认值既可	单个查询所能使用的最大CPU个数，默认值是CPU核数
内存	max_memory_usage	比如：128G的机器，可以设置为100G	单次Query占用内存最大值
	max_bytes_before_external_group_by	max_memory_usage参数的一半	当group by（分组）使用内存超过阈值后会刷新到磁盘上排序
	max_bytes_before_external_sort	max_memory_usage参数的一半	当order by（排序）使用内存超过阈值后会刷新到磁盘上排序
	max_table_size_to_drop		删除表的阈值，默认值50G，当该表的数据量达到该阈值时，该表将无法删除