Clickhouse数据库五：表引擎


目录

  • Clickhouse数据库五：表引擎
  • 5.1 表引擎的作用
  • 5.2 如何使用表引擎
  • 5.3常用引擎
  • 5.3.1 TinyLog
  • 5.3.2 Memory
  • 5.3.3 MergeTree
  • 5.3.3.1 Partition by 分区
  • 5.3.3.2 primary key主键
  • 5.3.3.3 order by
  • 5.3.3.4 数据TTL
  • 5.3.4 ReplacingMergeTree
  • 5.3.5 SummingMergeTree


5.1 表引擎的作用

表引擎是clickhouse的一大特色。可以说， 表引擎决定了如何存储数据。

包括：

  1. 数据的存储方式和位置，写到哪里以及从哪里读取数据
  2. 支持哪些查询以及如何支持。
  3. 并发数据访问。
  4. 索引的使用（如果存在）
  5. 是否可以执行多线程请求
  6. 数据复制参数。

5.2 如何使用表引擎

表引擎的使用方式就是必须显示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。
如：

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

注意: 引擎的名称大小写敏感

5.3常用引擎

5.3.1 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。

5.3.2 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。

create table t_memory(id Int16, name String) engine=Memory;
insert into t_memory values(1, 'lisi');

重启服务器查询数据已经没有了.

5.3.3 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。

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。

  • 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)

MergeTree其实还有很多参数(绝大多数用默认值即可)，但是上面的partition by、 primary key、order by 3个参数是更加重要的，也涉及了关于MergeTree的很多概念。

  • 插入多条数据
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')

5.3.3.1 Partition by 分区

  • 作用：
    学过hive的应该都不陌生，分区的目的主要是减少扫描的范围，优化查询速度。如果不填： 只会使用一个分区。
  • 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。
  • 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。
  • 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]

5.3.3.2 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,避免了全包扫描。
  • 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，然后再进行进行一点扫描。

由于稀疏索引比较少, 所以理论上可以完全加载到内存中, 从提高查询速度

clickhouse 选择mysql 数据库 clickhouse mysql引擎_clichhouse

5.3.3.3 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（比如后面会说的去重和汇总）。
  • 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)

5.3.3.4 数据TTL

TTL即Time To Live，MergeTree提供了可以管理数据或者列的生命周期的功能

  • 列级别的TTL
    针对某列数据过期
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)

insert into  t_order_mt3
values(106,'sku_001',1000.00,'2021-01-16 10:58:30') ,
(107,'sku_002',2000.00,'2020-06-12 22:52:30'),
(110,'sku_003',600.00,'2021-01-17 12:00:00')
  • 表级别的TTL
    针对整张表数据过期
alter table t_order_mt3 MODIFY TTL create_time + INTERVAL 20 SECOND;
  • 判断时间
    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

5.3.4 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。

  • 什么样的数据是重复
    sort by字段相同认为重复
  • 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。即使使用optimize 也不能保证一定会去重
  • 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。

  • 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);
  • 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')

clickhouse 选择mysql 数据库 clickhouse mysql引擎_数据库_02

  • 执行合并
optimize table t_order_rmt final;

clickhouse 选择mysql 数据库 clickhouse mysql引擎_数据库_03

该引擎使用场景:
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。

5.3.5 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.

  • 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 )
  • 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')

clickhouse 选择mysql 数据库 clickhouse mysql引擎_字段_04

  • optimize: 会自动进行预聚合

结论:

  1. 以SummingMergeTree(字段)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\
  2. 以order by 的列为准，作为维度列(group by …)
  3. 其他的列保留第一行。
  4. 不在一个分区的数据不会被预聚合。
  5. 聚合发生的时机不确定
  6. 查询的时候仍然需要sql聚合语句