福利置顶（温馨提示）：电子版可在微信读书app阅读。

第一章 ClickHouse的前世今生

传统BI的局限性。

数据仓库
为了解决数据孤岛的问题，即通过引入一个专门用于分析类场景的数据库，将分散的数据统一汇聚到一处。

数据仓库的衍生概念
对数据进行分层，通过层层递进形成数据集市，从而减少最终查询的数据体量；提出数据立方体的概念，通过对数据进行预先处理，以空间换时间，提升查询性能。

OLAP，联机分析，多维分析，基本操作：下钻、上卷、切片、切块、旋转。架构大致可分成三类：

  1. ROLAP
    Relational OLAP，关系型OLAP
  2. MOLAP
    Multidimensional OLAP，多维型OLAP；维度预处理可能会导致数据的膨胀
  3. HOLAP
    Hybrid OLAP，混合架构的OLAP

​​clickhouse-benchmark-test​​

按顺序存储的数据会拥有更高的查询性能。因为读取顺序文件会用更少的磁盘寻道和旋转延迟时间（这里主要指机械磁盘），同时顺序读取也能利用操作系统层面文件缓存的预读功能，所以数据库的查询性能与数据在物理磁盘上的存储顺序息息相关。

ClickHouse适用的场景
BI商业智能、广告流量、Web、App流量、电信、金融、电子商务、信息安全、网络游戏、物联网等众多其他领域。

不适用的场景

  1. 不支持事务
  2. 不擅长根据主键按行粒度进行查询（支持），故不应该把CK当作K-V数据库使用
  3. 不擅长按行删除数据（支持）

第二章 ClickHouse架构概述

使用多主对等网络结构，
核心特性：

  1. 完备的DBMS功能
  2. 列式存储与数据压缩
  3. 向量化执行引擎
  4. 关系模型与SQL查询
  5. 多样化的表引擎
  6. 多线程与分布式
  7. 多主架构
  8. 在线查询
  9. 数据分片与分布式查询

架构设计

第三章 安装与部署

需要验证当前服务器的CPU是否支持SSE 4.2指令集，因为向量化执行需要用到这项特性。

配置文件

  1. ​​/etc/security/limits.d/clickhouse.conf​​：文件句柄数量配置
  2. ​​/etc/cron.d/clickhouse-server:cron​​：定时任务配置，用于恢复因异常原因中断的ClickHouse服务进程

可执行文件
主要是在​​​/usr/bin​​路径下：

  1. clickhouse：主程序的可执行文件
  2. clickhouse-client：一个指向ClickHouse可执行文件的软链接，供客户端连接使用
  3. clickhouse-server：一个指向ClickHouse可执行文件的软链接，供服务端启动使用
  4. clickhouse-compressor：内置提供的压缩工具，可用于数据的正压反解

客户端的访问接口

  1. TCP
    基于TCP协议，拥有更好的性能，默认端口为9000，主要用于集群间的内部通信及CLI客户端；
  2. HTTP
    基于HTTP协议，拥有更好的兼容性，可以通过REST服务的形式被广泛用于JAVA、Python等编程语言的客户端，其默认端口为8123。
  3. 封装接口
    包括CLI和JDBC，简单易用，基于TCP底层接口的封装。

CLI
有两种执行模式：

  1. 交互式执行
    广泛用于调试、运维、开发和测试等场景，通过交互式执行的SQL语句，相关查询结果会统一被记录到​​​~/.clickhouse-client-history​​文件，可以作为审计之用。
  2. 非交互式执行
    用于批处理场景，如对数据的导入和导出等操作，需要追加​​​--query​​​参数指定SQL语句。​​--multiquery​​参数执行多次查询，支持一次运行多条分号间隔的SQL查询语句，多条SQL的查询结果集会依次按顺序返回。

JDBC

<dependency>
    <groupId>ru.yandex.clickhouse</groupId>
    <artifactId>clickhouse-jdbc</artifactId>
    <version>0.2.4</version>
</dependency>

JDBC底层基于HTTP接口通信，该驱动有两种形式：

  1. 常规模式：​​jdbc:clickhouse://<host>:<port>[/<database>]​​
  2. 高可用模式：允许设置多个host地址，每次会从可用的地址中随机选择一个进行连接：​​jdbc:clickhouse://<first-host>:<first-port>,<second-host>:<second-port>[,…][/<database>]​​

内置工具

  1. clickhouse-local
    可以独立运行大部分SQL查询，不需要依赖任何ClickHouse的服务端程序，它可以理解成是ClickHouse服务的单机版微内核，是一个轻量级的应用程序。clickhouse-local只能够使用File表引擎，它的数据与同机运行的ClickHouse服务也是完全隔离的，相互之间并不能访问。非交互式运行的，每次执行都需要指定数据来源。
    核心参数：
    ​​​-S / --structure​​​：表结构
    ​​​-N / --table​​​：表名称，默认值是table
    ​​​-if / --input-format​​​：输入数据的格式，默认值是TSV
    ​​​-f / --file​​​：输入数据的地址，默认值是stdin标准输入
    ​​​-q / --query​​：待执行SQL语句，多条语句分号间隔
  2. clickhouse-benchmark
    基准测试的小工具，会给出QPS、RPS（Request Per Second）、各百分位的查询执行时间，可以指定多条SQL进行测试，此时需要将SQL语句定义在文件中。
    核心参数：
    ​​​-i / --iterations​​​：SQL查询执行的次数，默认值是0
    ​​​-c / --concurrency​​​：同时执行查询的并发数，默认值是1
    ​​​-r / --randomize​​​：在执行多条SQL语句时，按照随机顺序执行
    ​​​-h / --host​​​：服务端地址，默认值是localhost。支持对比测试，此时需要声明两个服务端的地址，在对比测试中，会通过抽样的方式比较两组查询指标的差距
    ​​​--confidence​​：设置对比测试中置信区间的范围，默认值是5(99.5%)，取值有0(80%)、1(90%)、2(95%)、3(98%)、4(99%)和5(99.5%)。

第四章 数据定义

数据类型

包括基础类型、复合类型和特殊类型

基础类型

基础类型只有数值、字符串和时间三种类型，没有Boolean类型，可使用整型的0或1替代。

数值类型

数值类型分为整数、浮点数和定点数三类

字符串

可以细分为String、FixedString和UUID三类。

  1. String长度不限，不限定字符集，但建议遵循使用统一的编码
  2. FixedString，​​FixedString(N)​​，使用null字节填充末尾字符
  3. UUID，32位，它的格式为8-4-4-4-12，空值默认用0填充，即​​0…0-…00​​
时间

时间类型分为DateTime、DateTime64和Date三类。CK目前没有时间戳类型。时间类型最高的精度是秒，即若需要处理毫秒、微秒等大于秒分辨率的时间，则只能借助UInt类型实现。

  1. DateTimeDateTime类型包含时、分、秒信息，精确到秒，支持使用字符串形式写入
  2. DateTime64DateTime64可以记录亚秒，在DateTime之上增加精度的设置
  3. DateDate类型不包含具体的时间信息，只精确到天，同样支持字符串形式写入

复合类型

数组、元组、枚举和嵌套

  1. Array
    有两种定义形式
    以最小存储代价为原则，即使用最小可表达的数据类型
  2. Tuple
    元组类型由1～n个元素组成，每个元素之间允许设置不同的数据类型，且彼此之间不要求兼容。元组同样支持类型推断，其推断依据仍然以最小存储代价为原则
  3. Enum
    包括Enum8和Enum16两种枚举类型，
    Key和Value是不允许重复的，要保证唯一性。其次，Key和Value的值都不能为Null，但Key允许是空字符串。
  4. Nested
    一种嵌套表结构。一张数据表，可以定义任意多个嵌套类型字段，但每个字段的嵌套层级只支持一级，即嵌套表内不能继续使用嵌套类型。嵌套类型本质是一种多维数组的结构。嵌套表中的每个字段都是一个数组，并且行与行之间数组的长度无须对齐。在访问嵌套类型的数据时需要使用点符号。

特殊类型

  1. Nullable
    并不能算是一种独立的数据类型。只能和基础类型搭配使用，也不能作为索引字段。应该慎用Nullable类型，包括Nullable的数据表，不然会使查询和写入性能变慢。因为在正常情况下，每个列字段的数据会被存储在对应的​​[Column].bin​​文件中。如果一个列字段被Nullable类型修饰后，会额外生成一个​​[Column].null.bin​​文件专门保存它的Null值。即在读取和写入数据时，需要一倍的额外文件操作。
  2. Domain
    域名类型，分为IPv4和IPv6两类，本质上是对整型和字符串的进一步封装。IPv4类型基于UInt32封装的，IPv6类型是基于FixedString(16)封装。如果需要返回IP的字符串形式，则需要显式调用IPv4NumToString或IPv6NumToString函数进行转换。

数据表定义

数据表操作

分区操作

目前只有MergeTree系列的表引擎支持数据分区。parts系统表专门用于查询数据表的分区信息。

  1. 查询：
  2. 删除：​​ALTER TABLE table1 DROP PARTITION partition1​​
  3. 复制：可以用于快速数据写入、多表间数据同步和备份等场景；两个前提条件：两张表需要拥有相同的分区键；表结构完全相同。
  4. 重置：重置为初始值，​​ALTER TABLE table1 CLEAR COLUMN column1 IN PARTITION partition1​​，如果已声明默认值表达式，则以表达式为准；否则以相应数据类型的默认值为准
  5. 卸载：​​ALTER TABLE table1 DETACH PARTITION partition1​​，分区被卸载后，其物理数据并没有删除，而是被转移到当前数据表目录的detached子目录下，即脱离CK的管理，CK并不会主动清理这些文件，这些分区文件会一直存在。
  6. 装载：​​ALTER TABLE table1 ATACH PARTITION partition1​​，卸载的逆过程，恢复数据。
  7. 备份：FREEZE
  8. 还原：FETCH

分布式DDL执行

将一条普通的DDL语句转换成分布式DDL执行十分简单，只需加上​​ON CLUSTER cluster_name​​声明即可。这意味着在集群中任意一个节点上执行DDL语句，集群中的每个节点都会以相同的顺序执行相同的语句。

数据写入、删除与修改

三种形式：
1.
2.

第五章 数据字典

数据字典是一种非常简单、实用的存储媒介，它以键值和属性映射的形式定义数据。字典中的数据会主动或者被动（数据是在ClickHouse启动时主动加载还是在首次查询时惰性加载由参数设置决定）加载到内存，并支持动态更新。字典数据常驻内存，非常适合保存常量或经常使用的维度表数据，以避免不必要的JOIN查询。

分为内置与扩展两种形式。内置字典是CK默认自带字典，而外部扩展字典是用户通过自定义配置实现的字典。在正常情况下，字典中的数据只能通过字典函数访问（CK特别设置一类字典函数，专门用于字典数据的取用）。例外：使用特殊的字典表引擎。在字典表引擎的帮助下，可以将数据字典挂载到一张代理的数据表下，从而实现数据表与字典数据的JOIN查询。

内置字典

目前只有一种内置字典——Yandex.Metrica字典，默认情况下禁用，需要开启后才能使用。开启它的方式也十分简单，只需将​​config.xml​​​文件中​​path_to_regions_hierarchy_file​​​和​​path_to_regions_names_files​​两项配置打开。这两项配置是惰性加载的，只有当字典首次被查询的时候才会触发加载动作。填充Yandex.Metrica字典的geo地理数据由两组模型组成，可以分别理解为地区数据的主表及维度表

外部扩展字典

目前扩展字典支持7种类型的内存布局和4类数据来源，以插件形式注册。
在默认的情况下，CK会自动识别并加载​​​/etc/clickhouse-server​​​目录下所有以​​_dictionary.xml​​结尾的配置文件。同时CK也能够动态感知到此目录下配置文件的各种变化，并支持不停机在线更新配置文件。在单个字典配置文件内可以定义多个字典，其中每一个字典由一组dictionary元素定义：

<dictionaries>
  <dictionary>
  </dictionary>
</dictionaries>

第六章 MergeTree原理解析

只有合并树系列的表引擎才支持主键索引、数据分区、数据副本和数据采样这些特性，同时也只有此系列的表引擎支持ALTER相关操作。Replicated前缀，支持数据副本。

第七章 MergeTree系列表引擎

表引擎大致分成6个系列：合并树、外部存储、内存、文件、接口和其他。
数据TTL与存储策略。

数据TTL
在MergeTree中，可以为某个列字段或整张表设置TTL，如果同时设置了列级别和表级别的TTL，则会以先到期的那个为主。INTERVAL完整的操作包括SECOND、MINUTE、HOUR、DAY、WEEK、MONTH、QUARTER和YEAR。
执行optimize命令强制触发TTL清理

多路径存储策略

第八章

第九章

第十章

第十一章