ClickHouse 的物化视图是一种查询结果的持久化，它确实是给我们带来了查询效率的提升。用户查起来跟表没有区别，它就是一张表，它也像是一张时刻在预计算的表，创建的过程它是用了一个特殊引擎，加上后来 as select，就是 create 一个 table as select 的写法。
“查询结果集”的范围很宽泛，可以是基础表中部分数据的一份简单拷贝，也可以是多表 join 之后产生的结果或其子集，或者原始数据的聚合指标等等。所以，物化视图不会随着基础表的变化而变化，所以它也称为快照（snapshot）
1.概述
1.1物化视图与普通视图的区别
普通视图不保存数据，保存的仅仅是查询语句，查询的时候还是从原表读取数据，可以将普通视图理解为是个子查询。物化视图则是把查询的结果根据相应的引擎存入到了磁盘或内存中，对数据重新进行了组织，你可以理解物化视图是完全的一张新表。
1.2优缺点
优点：查询速度快，要是把物化视图这些规则全部写好，它比原数据查询快了很多，总的行数少了，因为都预计算好了。
缺点：它的本质是一个流式数据的使用场景，是累加式的技术，所以要用历史数据做去重、去核这样的分析，在物化视图里面是不太好用的。在某些场景的使用也是有限的。而且如果一张表加了好多物化视图，在写这张表的时候，就会消耗很多机器的资源，比如数据带宽占满、存储一下子增加了很多。
1.3基本语法
也是 create 语法，会创建一个隐藏的目标表来保存视图数据。也可以 TO 表名，保存到一张显式的表。没有加 TO 表名，表名默认就是 .inner.物化视图名
CREATE [MATERIALIZED] VIEW [IF NOT EXISTS] [db.]table_name [TO[db.]name]
[ENGINE = engine] [POPULATE] AS SELECT …
1.3.1创建物化视图的限制
1.必须指定物化视图的 engine 用于数据存储 2.TO [db].[table]语法的时候，不得使用 POPULATE。
3.查询语句(select）可以包含下面的子句： DISTINCT, GROUP BY, ORDER BY, LIMIT…
4.物化视图的 alter 操作有些限制，操作起来不大方便。
5.若物化视图的定义使用了 TO [db.]name 子语句，则可以将目标表的视图 卸载DETACH 再装载 ATTACH
1.3.2物化视图的数据更新
（1）物化视图创建好之后，若源表被写入新数据则物化视图也会同步更新
（2）POPULATE 关键字决定了物化视图的更新策略：
◼ 若有 POPULATE 则在创建视图的过程会将源表已经存在的数据一并导入，类似于create table ... as
◼ 若无 POPULATE 则物化视图在创建之后没有数据，只会在创建只有同步之后写入源表的数据
◼ clickhouse 官方并不推荐使用 POPULATE，因为在创建物化视图的过程中同时写入的数据不能被插入物化视图。
（3）物化视图不支持同步删除，若源表的数据不存在（删除了）则物化视图的数据仍然保留
（4）物化视图是一种特殊的数据表，可以用 show tables 查看
（5）物化视图数据的删除：
（6）物化视图的删除：
2.实例操作
2.1准备测试用表和数据
2.1.1建表
#建表语句
CREATE TABLE hits_test
(
`EventDate` Date,
`CounterID` UInt32,
`UserID` UInt64,
`URL` String,
`Income` UInt8
)
ENGINE = MergeTree
PARTITION BY toYYYYMM(EventDate)
ORDER BY (CounterID, EventDate, intHash32(UserID))
SAMPLE BY intHash32(UserID)
SETTINGS index_granularity = 8192
Query id: 44ce5ae1-a00c-47ff-b74a-da2490253955
Ok.
0 rows in set. Elapsed: 0.006 sec.
2.1.2导入一些数据
INSERT INTO hits_test SELECT
EventDate,
CounterID,
UserID,
URL,
Income
FROM datasets.hits_v1
LIMIT 10000
Query id: 9beec297-5fdc-4801-bb9f-d61f7c1ea315
Ok.
0 rows in set. Elapsed: 0.013 sec. Processed 10.00 thousand rows, 1.06 MB (774.29 thousand rows/s., 82.18 MB/s.)
2.2创建物化视图
#建表语句
CREATE MATERIALIZED VIEW hits_mv
ENGINE = SummingMergeTree
PARTITION BY toYYYYMM(EventDate)
ORDER BY (EventDate, intHash32(UserID)) AS
SELECT
UserID,
EventDate,
count(URL) AS ClickCount,
sum(Income) AS IncomeSum
FROM hits_test
WHERE EventDate >= '2014-03-20'
GROUP BY
UserID,
EventDate
Query id: d7d1e7e5-9b22-4ca7-8262-7d5c7d20cbc2
Ok.
0 rows in set. Elapsed: 0.007 sec.
##或者可以用下列语法，表 A 可以是一张 mergetree 表
CREATE MATERIALIZED VIEW 物化视图名 TO 表 A AS SELECT FROM 表 B;
#不建议添加 populate 关键字进行全量更新
查看表
show tables;
.inner_id.629c7749-7c57-4d38-b2cf-c8973299d141
hits_mv
2.3导入增量数据
INSERT INTO hits_test SELECT
EventDate,
CounterID,
UserID,
URL,
Income
FROM datasets.hits_v1
WHERE EventDate >= '2014-03-23';
Query id: b0de3dc2-5fd9-4a28-a2a9-70358472d8ee
Ok.
0 rows in set. Elapsed: 0.793 sec. Processed 6.93 million rows, 630.38 MB (8.73 million rows/s., 794.56 MB/s.)
#查物化视图
SELECT *
FROM hits_mv
Query id: de681216-b6e0-485d-b0c1-9ea2a636f920
31200 rows in set. Elapsed: 0.021 sec. Processed 31.20 thousand rows, 811.20 KB (1.45 million rows/s., 37.78 MB/s.)
SELECT *
FROM `.inner_id.629c7749-7c57-4d38-b2cf-c8973299d141`
LIMIT 5
Query id: 2c844a34-e304-4174-8001-a4946b4bd644
┌──────────────UserID─┬──EventDate─┬─ClickCount─┬─IncomeSum─┐
│ 1693347671382609808 │ 2014-03-23 │ 1 │ 0 │
│ 205147678081971211 │ 2014-03-23 │ 3 │ 0 │
│ 1989946518134869356 │ 2014-03-23 │ 9 │ 18 │
│ 3107916939127970635 │ 2014-03-23 │ 6 │ 0 │
│ 1983020031557905695 │ 2014-03-23 │ 9 │ 18 │
└─────────────────────┴────────────┴────────────┴───────────┘
5 rows in set. Elapsed: 0.002 sec. Processed 8.19 thousand rows, 212.99 KB (4.27 million rows/s., 110.98 MB/s.)
2.4导入历史数据
INSERT INTO hits_mv SELECT
UserID,
EventDate,
count(URL) AS ClickCount,
sum(Income) AS IncomeSum
FROM hits_test
WHERE EventDate = '2014-03-20'
GROUP BY
UserID,
EventDate
Query id: 390e17eb-c350-4e30-b8df-aaa45b06e266
Ok.
0 rows in set. Elapsed: 0.006 sec. Processed 10.00 thousand rows, 1.02 MB (1.78 million rows/s., 182.21 MB/s.)
查询物化视图
SELECT * FROM hits_mv limit 5;
