ClickHouse(上)
- 前言
- 一、列式存储的优点
- 二、ClickHouse瓶颈
- 三、数据类型
- 四、表引擎
- 4.1 MergeTree
- 4.1.1 分区
- 4.1.2 主键
- 4.1.3 order by(必选字段)
- 4.1.4 TTL
- 4.2 ReplacingMergeTree
- 4.3 SummingMergeTree
- 总结
前言
本文介绍了大数据中使用的一种数据库ClickHouse,它不同于传统的mysql数据库,ClickHouse是列式存储数据库(DBMS),主要用于在线分析查询处理(OLAP),同样的HBASE也是列式存储数据库。
一、列式存储的优点
(1)对于列的聚合,计数,求和等统计操作优于行式存储
(2)由于某一列的数据类型都是相同的,针对于数据存储更容易进行数据压缩,每一列选择更优的数据压缩算法,大大提高了数据的压缩比重。
(3)由于数据压缩比更好,节省了磁盘空间,使 cache 有了更大的发挥空间。
二、ClickHouse瓶颈
所有的CPU,也就意味着它处理多条查询命令的时候效率(QBS(Query per second)每秒钟的查询次数)不会很高。所以ClickHouse不适合做初始的数据处理,适合处理已经处理过的数据的宽表。
三、数据类型
整型 | 类似于Java中的 | 无符号整型 | 浮点型 | Decimal | 字符串 | 枚举 |
int8 | byte | Uint8 | float32 | Decimal32 | String | Enum8 |
int16 | short | Uint16 | float64 | Decimal64 | FixedString(N) | Enum16 |
int32 | int | Uint32 | Decimal128 | |||
int64 | long | Uint64 |
Decimal数据类型应用于金融领域,即和钱相关,因为他的数据精度不会丢失。
四、表引擎
4.1 MergeTree
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,支持索引和分区。
代码如下:
create table t(
id UInt32,
sku_id String,
create_time Datetime
)engine = MergeTree
partition by toYYYYMMDD(create_time)
primary key (id)
order by (id , sku_id);
注意:在ClickHouse中,主键并不唯一,所以底层也不会自动为我们加上唯一约束
4.1.1 分区
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(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。
代码如下:
optimize table xxxx final;
分区尽量以天为分区,不能分区粒度过小,这样会产生大量的数据,ClickHouse是基于内存的不善于处理大量的数据;
4.1.2 主键
ClickHouse中的主键,只提供了数据的一级索引,但是却不是唯一约束,并且底层运用了稀疏索引,稀疏索引就是间隔一定的距离来存储主键的索引。
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。
4.1.3 order by(必选字段)
分区内的数据按照哪些字段顺序进行有序保存。
唯一一个必填项,甚至比 primarykey 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。
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)
索引(orderby())的原则:查询频率高的放在前面;基数特别大(比如某一列有1亿条数据,但是数据重复率很低)的不适合做索引;
在ClickHouse中,建表时Index_granularity是用来控制索引粒度的,默认是8192,如非必须不建议调整。
4.1.4 TTL
管理数据表或列的生命周期的功能。
列级别-实例是该列数据会在创建10秒之后消失:
代码如下:
create table t(
id UInt32,
sku_id String,
cnum UInt8 TTL create_time+interval 10 SECOND,
create_time Datetime
)engine = MergeTree
partition by (create_time)
primary key (id)
order by (id , sku_id);
表中的数据列cnum就会在10秒后消失;
表级别-实例是该表会在创建10秒之后消失:
代码如下:
alter table t MODIFY TTL create_time + interval 10 SECOND;
时间单位可以替换为:SECOND,MINUTE,HOUR,DAY,WEEK,MONTH,QUARTER, YEAR
4.2 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。
去重时机:数据的去重只会在合并的过程中出现。
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,不能跨分区去重;
注意:ReplacingMergeTree不能保证没有重复数据的出现
ReplacingMergeTree特点:
➢实际上是使用 order by 字段作为唯一键
➢去重不能跨分区
➢只有同一批插入(新版本)或合并分区时才会进行去重
➢认定重复的数据保留版本字段值最大的
➢如果版本字段相同则按插入顺序保留最后一笔
4.3 SummingMergeTree
预聚合”的引擎,同样是以orderby的字段进行聚合,即相当于是以orderby的字段进行groupby。
(1) 只能分区内聚合
(2) 分片合并的时候才会聚合
SummingMergeTree 特点:
➢以 SummingMergeTree(A)中指定的列A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
➢以 order by 的列为准,作为维度列
➢其他的列按插入顺序保留第一行
➢不在一个分区的数据不会被聚合
➢只有在同一批次插入(新版本)或分片合并时才会进行聚合
总结
本文简单介绍了ClickHouse的基础概念以及表引擎等知识,在大数据之ClickHouse(下)中会继续介绍ClickHouse的相关的SQL操作、语法指令以及配置信息等。