ClickHouse高级

database

ClickHouse高级

目录

  • ClickHouse高级
    • 1. 执行计划
      • 1.1 基本语法
      • 1.2 案例实操
        • 1.2.1 新版本
        • 1.2.2 老版本
    • 2. 建表优化
      • 2.1 数据类型
        • 2.1.1 时间字段类型
        • 2.1.2 空值存储类型
      • 2.2 分区和索引
      • 2.3 表参数
      • 2.4 写入和删除优化
      • 2.5 常见配置
        • 2.5.1 CPU资源
        • 2.5.2 内存资源
        • 2.5.3 存储
    • 3. 语法优化
      • 3.1 COUNT优化
      • 3.2 消除子查询重复字段
      • 3.3 谓词下推
      • 3.4 聚合计算外推
      • 3.5 聚合函数消除
      • 3.6 删除重复的 order by key
      • 3.7 删除重复的 limit by key
      • 3.8 删除重复的 using key
      • 3.9 标量替换
      • 3.10 三元运算优化
    • 4. 查询优化
      • 4.1 单表查询
        • 4.1.1 PREWHERE 替代 WHERE
        • 4.1.2 数据采样
        • 4.1.3 列裁剪与分区裁剪
        • 4.1.4 order by 结合 where、limit
        • 4.1.5 避免构建虚拟列
        • 4.1.6 uniqCombined 替代 distinct
        • 4.1.7 使用物化视图
        • 4.1.8 其它注意事项
      • 4.2 多表关联
        • 4.2.1 测试数据
        • 4.2.2 用 IN 代替 JOIN
        • 4.2.3 大小表 JOIN
        • 4.2.4 注意谓词下推(版本差异)
        • 4.2.5 分布式表使用 GLOBAL
        • 4.2.6 使用字典表
        • 4.2.7 提前过滤
    • 5. 数据一致性(重点)
      • 5.1 手动 OPTIMIZE
      • 5.2 通过 GROUP BY 去重
      • 5.3 通过 FINAL 查询
    • 6. 物化视图
      • 6.1 概述
        • 6.1.1 物化视图预普通视图的区别
        • 6.1.2 优缺点
        • 6.1.3 基本语法
      • 6.2 案例实操
        • 6.2.1 准备测试数据
        • 6.2.2 创建物化视图
        • 6.2.3 导入增量入数据
        • 6.2.4 导入历史数据
    • 7. MaterializeMySQL 引擎
      • 7.1 概述
        • 7.1.1 特点
        • 7.1.2 使用细则
      • 7.2 案例实操
        • 7.2.1 配置 MySQL
        • 7.2.2 准备数据
        • 7.2.3 开启 ClickHouse 物化引擎
        • 7.2.4 创建复制管道
        • 7.2.5 修改数据
        • 7.2.6 删除数据
        • 7.2.7 删除表
    • 8. 常见问题
      • 8.1 分布式 DDL 某数据节点的副本不执行
      • 8.2 数据副本表和数据不一致
      • 8.3 副本节点全量恢复
      • 8.4 数据副本启动缺少 zookeeper 表
      • 8.5 zookeeper table replicas 数据未删除导致重建表报错
      • 8.6 ClickHouse 节点意外关闭
      • 8.7 其它问题参考

1. 执行计划

在 ClickHouse 20.6 版本之前要查看 SQL 语句的执行计划需要设置日志级别为 TRACE 才可以看到,并且只能真正执行 SQL,在执行日志里面查看。在 20.6 版本引入了原生的执行计划语法,并在 20.6.3.28 版本成为正式功能。

1.1 基本语法

EXPLAIN [AST | SYNTAX | PLAN | PIPELINE] [setting = value, ...] SELECT ... [FORMAT ...]

  • PLAN:用于查看执行计划,默认值

    • header:打印计划中各个步骤的 head 说明,默认关闭,默认值 0
    • description:打印计划中各个步骤的描述,默认开启,默认值 1
    • actions:打印计划中各个步骤的详细信息,默认关闭,默认值 0

  • AST:用于查看语法树
  • SYNTAX:用于优化语法
  • PIPELINE:用于查看 PIPELINE 计划

    • header:打印计划中各个步骤的 head 说明,默认关闭
    • graph:用 DOT 图像语言描述管道图,默认关闭,查看相关的图形需要 graphviz 查看
    • actions:如果开启了 graph,紧凑打印,默认开启

注:PLAN 和 PIPELINE 可以进行额外的显示设置,如上参数所示。

1.2 案例实操

1.2.1 新版本

  1. PLAN

    -- 简单查询

    :) EXPLAIN PLAN SELECT arrayJoin([1,2,3,NULL,NULL]);

    EXPLAIN

    SELECT arrayJoin([1, 2, 3, NULL, NULL])

    Query id: dbecbf4d-ccd9-4064-900f-8fc95e04f36b

    ┌─explain───────────────────────────────────────────────────────────────────┐

    │ Expression ((Projection + Before ORDER BY)) │

    │ SettingQuotaAndLimits (Set limits and quota after reading from storage) │

    │ ReadFromStorage (SystemOne) │

    └───────────────────────────────────────────────────────────────────────────┘

    3 rows in set. Elapsed: 0.001 sec.

    -- 复杂 SQL 的执行计划

    :) EXPLAIN

    :-] SELECT database, table, count(1) cnt

    :-] FROM system.parts

    :-] WHERE database IN ("datasets", "system")

    :-] GROUP BY database, table

    :-] ORDER BY database, cnt DESC

    :-] LIMIT 2 BY database;

    EXPLAIN

    SELECT

    database,

    table,

    count(1) AS cnt

    FROM system.parts

    WHERE database IN ("datasets", "system")

    GROUP BY

    database,

    table

    ORDER BY

    database ASC,

    cnt DESC

    LIMIT 2 BY database

    Query id: 500e3a0e-d29e-4316-a863-01de50d811f6

    ┌─explain─────────────────────────────────────────────────────────────────────────────────────┐

    │ Expression (Projection) │

    │ LimitBy │

    │ Expression (Before LIMIT BY) │

    │ MergingSorted (Merge sorted streams for ORDER BY) │

    │ MergeSorting (Merge sorted blocks for ORDER BY) │

    │ PartialSorting (Sort each block for ORDER BY) │

    │ Expression (Before ORDER BY) │

    │ Aggregating │

    │ Expression (Before GROUP BY) │

    │ Filter (WHERE) │

    │ SettingQuotaAndLimits (Set limits and quota after reading from storage) │

    │ ReadFromStorage (SystemParts) │

    └─────────────────────────────────────────────────────────────────────────────────────────────┘

    12 rows in set. Elapsed: 0.004 sec.

    -- 打开全部的参数的执行计划

    :) EXPLAIN header = 1, actions = 1, description = 1

    :-] SELECT number

    :-] FROM system.numbers

    :-] LIMIT 10;

    EXPLAIN header = 1, actions = 1, description = 1

    SELECT number

    FROM system.numbers

    LIMIT 10

    Query id: 7495adae-1de1-4dd6-a206-3915b2174a9a

    ┌─explain───────────────────────────────────────────────────────────────────┐

    │ Expression ((Projection + Before ORDER BY)) │

    │ Header: number UInt64 │

    │ Actions: INPUT :: 0 -> number UInt64 : 0 │

    │ Positions: 0 │

    │ SettingQuotaAndLimits (Set limits and quota after reading from storage) │

    │ Header: number UInt64 │

    │ Limit (preliminary LIMIT (without OFFSET)) │

    │ Header: number UInt64 │

    │ Limit 10 │

    │ Offset 0 │

    │ ReadFromStorage (SystemNumbers) │

    │ Header: number UInt64 │

    └───────────────────────────────────────────────────────────────────────────┘

    12 rows in set. Elapsed: 0.002 sec.

  2. AST 语法树

    :) EXPLAIN AST

    :-] SELECT number

    :-] FROM system.numbers

    :-] LIMIT 10;

    EXPLAIN AST

    SELECT number

    FROM system.numbers

    LIMIT 10

    Query id: 5fa352a1-4e72-4e3d-953f-fd249eddf144

    ┌─explain─────────────────────────────────────┐

    │ SelectWithUnionQuery (children 1) │

    │ ExpressionList (children 1) │

    │ SelectQuery (children 3) │

    │ ExpressionList (children 1) │

    │ Identifier number │

    │ TablesInSelectQuery (children 1) │

    │ TablesInSelectQueryElement (children 1) │

    │ TableExpression (children 1) │

    │ TableIdentifier system.numbers │

    │ Literal UInt64_10 │

    └─────────────────────────────────────────────┘

    10 rows in set. Elapsed: 0.002 sec.

  3. SYNTAX 语法优化

    -- 执行查询

    :) SELECT number = 1 ? "hello" : (number = 2 ? "world" : "atguigu")

    :-] FROM numbers(10);

    SELECT if(number = 1, "hello", if(number = 2, "world", "atguigu"))

    FROM numbers(10)

    Query id: 16e12575-e91c-46ff-b82e-3d84df5e9fd9

    ┌─multiIf(equals(number, 1), "hello", equals(number, 2), "world", "atguigu")─┐

    │ atguigu │

    │ hello │

    │ world │

    │ atguigu │

    │ atguigu │

    │ atguigu │

    │ atguigu │

    │ atguigu │

    │ atguigu │

    │ atguigu │

    └────────────────────────────────────────────────────────────────────────────┘

    10 rows in set. Elapsed: 0.003 sec.

    -- 查看语法优化

    :) EXPLAIN SYNTAX

    :-] SELECT number = 1 ? "hello" : (number = 2 ? "world" : "atguigu")

    :-] FROM numbers(10);

    EXPLAIN SYNTAX

    SELECT if(number = 1, "hello", if(number = 2, "world", "atguigu"))

    FROM numbers(10)

    Query id: 5f2be03d-d378-4490-b803-648e0a2a64ef

    ┌─explain────────────────────────────────────────────────────────────┐

    │ SELECT if(number = 1, "hello", if(number = 2, "world", "atguigu")) │

    │ FROM numbers(10) │

    └────────────────────────────────────────────────────────────────────┘

    2 rows in set. Elapsed: 0.001 sec.

    -- 开启三元运算符优化

    SET optimize_if_chain_to_multiif = 1;

    -- 再次查看语法优化

    :) EXPLAIN SYNTAX

    :-] SELECT number = 1 ? "hello" : (number = 2 ? "world" : "atguigu")

    :-] FROM numbers(10);

    EXPLAIN SYNTAX

    SELECT if(number = 1, "hello", if(number = 2, "world", "atguigu"))

    FROM numbers(10)

    Query id: a41d06bf-31a2-475a-bfcc-e96496fada63

    ┌─explain─────────────────────────────────────────────────────────────┐

    │ SELECT multiIf(number = 1, "hello", number = 2, "world", "atguigu") │

    │ FROM numbers(10) │

    └─────────────────────────────────────────────────────────────────────┘

    2 rows in set. Elapsed: 0.002 sec.

  4. PIPELINE

    :) EXPLAIN PIPELINE

    :-] SELECT sum(number)

    :-] FROM numbers_mt(100000)

    :-] GROUP BY number % 20;

    EXPLAIN PIPELINE

    SELECT sum(number)

    FROM numbers_mt(100000)

    GROUP BY number % 20

    Query id: b7eb588e-4987-4489-86ab-ed0442061d66

    ┌─explain─────────────────────────┐

    │ (Expression) │

    │ ExpressionTransform │

    │ (Aggregating) │

    │ Resize 4 → 1 │

    │ AggregatingTransform × 4 │

    │ (Expression) │

    │ ExpressionTransform × 4 │

    │ (SettingQuotaAndLimits) │

    │ (ReadFromStorage) │

    │ NumbersMt × 4 0 → 1 │

    └─────────────────────────────────┘

    10 rows in set. Elapsed: 0.003 sec.

    -- 更多参数

    EXPLAIN PIPELINE header = 1,graph = 1

    SELECT sum(number)

    FROM numbers_mt(100000)

    GROUP BY number % 20;

1.2.2 老版本

$ clickhouse-client -h 主机名 --send_logs_level=trace <<< "sql" > /dev/null

其中,send_logs_level参数指定日志等级为 trace,<<<将 SQL 语句重定向至 clickhouse-client 进行查询,> /dev/null将查询结果重定向到空设备吞掉,以便观察日志。

注意:通过将 ClickHouse 的服务日志,设置到 DEBUG 或者 TRACE 级别,才可以变相实现 EXPLAIN 查询的作用。

2. 建表优化

2.1 数据类型

2.1.1 时间字段类型

建表时能用数值型或日期时间型表示的字段就不要用字符串,全 String 类型在以 Hive 为中心的数仓建设中常见,但 ClickHouse 环境不应受此影响。

虽然 ClickHouse 底层将 DateTime 存储为时间戳 Long 类型,但不建议存储 Long 类型,因为 DateTime 不需要经过函数转换处理,执行效率高、可读性好。

-- create_time 不为 DateTime 类型时,需要经过 toDate 函数转换

CREATE TABLE t_type2

(

id UInt32,

sku_id String,

total_amount Decimal(16, 2),

create_time Int32

) ENGINE = ReplacingMergeTree(create_time)

PARTITION BY toYYYYMMDD(toDate(create_time))

PRIMARY KEY (id)

ORDER BY (id, sku_id);

2.1.2 空值存储类型

官方已经指出 Nullable 类型几乎总还是会拖累性能,因为存储 Nullable 列时需要创建一个额外的文件来存储 NULL 标记,并且 Nullable 列无法被索引。因此除非极特殊情况,应直接使用字段默认值表示空,或者自行指定一个在业务中无意义的值(例如用 -1 表示没有商品 ID)。

-- 创建带空值的表

CREATE TABLE t_null

(

x Int8,

y Nullable(Int8)

) ENGINE = TinyLog;

-- 插入数据

INSERT INTO t_null

VALUES (1, NULL),

(2, 3);

-- 查询

SELECT x + y

FROM t_null;

官方说明:Nullable | ClickHouse Documentation

2.2 分区和索引

分区粒度根据业务特点决定,不宜过粗或过细。一般选择按天分区,也可以指定为 Tuple(),以单表一亿数据为例,分区大小控制在 10-30 个最佳。

必须指定索引列,ClickHouse 中的索引列即排序列,通过 order by 指定,一般在查询条件中经常被用来充当筛选条件的属性被纳入进来;可以是单一维度,也可以是组合维度的索引;通常需要满足高级列在前、查询频率大的在前原则;还有基数特别大的不适合做索引列,如用户表的 userid 字段;通常筛选后的数据满足在百万以内为最佳

2.3 表参数

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。

如果表中不是必须保留全量历史数据,建议指定 TTL(生存时间值),可以免去手动清理过期历史数据的麻烦,TTL 也可以通过alter table语句随时修改。

2.4 写入和删除优化

尽量不要执行单条或小批量删除和插入操作,这样会产生小分区文件,给后台 Merge 任务带来巨大压力。

不要一次写入太多分区,或数据写入太快,数据写入太快会导致 Merge 速度跟不上而报错,一般建议每秒钟发起 2-3 次写入操作,每次操作写入 2w~5w 条数据(依服务器性能而定)。

常见错误:

  1. Too many parts:使用 WAL 预写日志(in_memory_parts_enable_wal默认为 true),提高写入性能;
  2. Memory limit:在服务器内存充裕的情况下增加内存配额,一般通过max_memory_usage参数来实现;在服务器内存不充裕的情况下,建议将超出部分内容分配到系统硬盘上,但会降低执行速度,一般通过max_bytes_before_external_group_bymax_bytes_before_external_sort参数来实现。

2.5 常见配置

配置项主要在 config.xml 或 users.xml 中,基本上都在 users.xml 里。

config.xml 配置项:Server Settings | ClickHouse Documentation

users.xml 配置项:Settings | ClickHouse Documentation

2.5.1 CPU资源

配置

描述

background_pool_size

后台线程池的大小,merge 线程就是在该线程池中执行,该线程池不仅仅是给 merge 线程用的,默认值 16,建议改成 CPU 个数的 2 倍(线程数)

background_schedule_pool_size

执行后台任务的线程数,默认 128,建议改成CPU 个数的 2 倍(线程数)

background_distributed_schedule_pool_size

分布式发送执行后台任务的线程数,默认 16,建议改成CPU 个数的 2 倍(线程数)

max_concurrent_queries

最大并发处理的请求数(包含 select、insert 等),默认值 100,建议150~300(不够再加)

max_threads

单个查询所能使用的最大 CPU 个数,默认是 CPU 核数

2.5.2 内存资源

配置

描述

max_memory_usage

此参数在 users.xml 中,表示单词 Query 占用内存最大值,该值可以设置的比较大,这样可以提升集群查询的上限;保留部分给 OS,例如:128GB 内存的机器设置为 100GB

max_bytes_before_external_group_by

一般按照 max_memory_usage 的一半设置内存,当 group 使用内存超过阈值后会刷新到磁盘进行

max_bytes_before_external_sort

当 order by 已超过 max_bytes_before_external_sort 内存就进行溢写磁盘(基于磁盘排序),如果不设置该值,那么当内存不够是直接抛错,设置了该值 order by 可以正常完成,但是速度相对存内存来说较慢(实测非常慢)

max_table_size_to_drop

此参数在 config.xml 中,应用于需要删除表或分区的情况,默认 50GB,意思是如果删除 50GB 以上的分区表会失败,建议改为 0(任何分区表都可删除)

2.5.3 存储

ClickHouse 不支持设置多数据目录,为了提升数据 IO 性能,可以挂载虚拟卷组,一个卷组绑定多块物理磁盘提升读写性能,多数据查询场景 SSD 回避普通机械硬盘快 2-3 倍。

3. 语法优化

# 1. 准备测试数据,下载官方数据集

$ curl -O https://datasets.clickhouse.com/hits/partitions/hits_v1.tar

$ curl -O https://datasets.clickhouse.com/visits/partitions/visits_v1.tar

# 2. 解压到 ClickHouse 数据目录

$ tar xvf hits_v1.tar -C /var/lib/clickhouse

$ tar xvf visits_v1.tar -C /var/lib/clickhouse

# 3. 修改数据目录所属用户

$ sudo chown -R clickhouse:clickhouse /var/lib/clickhouse/data/datasets

$ sudo chown -R clickhouse:clickhouse /var/lib/clickhouse/metadata/datasets

# 4. 重启 ClickHouse

$ sudo systemctl restart clickhouse-server

# 5. 执行查询,hits_v1 表 130+ 字段 880w+ 数据,visits_v1 表 180+ 字段 160w+ 数据

$ clickhouse-client --query "SELECT count(*) FROM datasets.hits_v1"

$ clickhouse-client --query "SELECT count(*) FROM datasets.visits_v1"

ClickHouse 的 SQL 优化规则是基于 RBO(Rule Based Optimization),下面为部分优化规则。

3.1 COUNT优化

在调用 count 函数时,如果没有指定具体字段且没有 where 条件,则会直接使用 system.tables 的 total_rows,例如:

-- Optimized trivial count 是对 count 的优化

:) explain plan select count(*) from hits_v1;

EXPLAIN

SELECT count(*)

FROM hits_v1

Query id: 2c1bacf8-187c-430a-95b5-3a3ebdb747af

┌─explain──────────────────────────────────────────────┐

│ Expression ((Projection + Before ORDER BY)) │

│ MergingAggregated │

│ ReadFromPreparedSource (Optimized trivial count) │

└──────────────────────────────────────────────────────┘

3 rows in set. Elapsed: 0.004 sec.

-- 如果 count 具体的列字段,则不会优化

:) explain plan select count(UserID) from hits_v1;

EXPLAIN

SELECT count(UserID)

FROM hits_v1

Query id: f6f060aa-09de-4fa2-a0e9-2909f0800e42

┌─explain───────────────────────────────────────────────────────────────────────┐

│ Expression ((Projection + Before ORDER BY)) │

│ Aggregating │

│ Expression (Before GROUP BY) │

│ SettingQuotaAndLimits (Set limits and quota after reading from storage) │

│ ReadFromMergeTree │

└───────────────────────────────────────────────────────────────────────────────┘

5 rows in set. Elapsed: 0.007 sec.

3.2 消除子查询重复字段

下面语句子查询中有两个重复的 id 字段,会被去重:

:) EXPLAIN SYNTAX

:-] SELECT a.UserID, b.VisitID, a.URL, b.UserID

:-] FROM datasets.hits_v1 AS a

:-] LEFT JOIN (SELECT UserID, UserID, VisitID FROM datasets.visits_v1) AS b USING (UserID)

:-] LIMIT 3;

EXPLAIN SYNTAX

SELECT

a.UserID,

b.VisitID,

a.URL,

b.UserID

FROM datasets.hits_v1 AS a

LEFT JOIN

(

SELECT

UserID,

UserID,

VisitID

FROM datasets.visits_v1

) AS b USING (UserID)

LIMIT 3

Query id: 119f7b30-39b0-4cc8-a6f4-81f302e35867

┌─explain─────────────────────┐

│ SELECT │

│ UserID, │

│ VisitID, │

│ URL, │

│ b.UserID │

│ FROM datasets.hits_v1 AS a │

│ ALL LEFT JOIN │

│ ( │

│ SELECT │

│ UserID, │

│ VisitID │

│ FROM datasets.visits_v1 │

│ ) AS b USING (UserID) │

│ LIMIT 3 │

└─────────────────────────────┘

14 rows in set. Elapsed: 0.008 sec.

3.3 谓词下推

当 group by 有 having 子句,但是没有 with cube、with rollup 或者 with totals 修饰的时候,having 过滤会下推到 where 提前过滤。例如:

-- having 例子

:) EXPLAIN SYNTAX

:-] SELECT UserID

:-] FROM datasets.hits_v1

:-] GROUP BY UserID

:-] HAVING UserID = "8585742290196126178";

EXPLAIN SYNTAX

SELECT UserID

FROM datasets.hits_v1

GROUP BY UserID

HAVING UserID = "8585742290196126178"

Query id: 761000a4-0043-4f7b-8329-89b2bfbbe055

┌─explain──────────────────────────────┐

│ SELECT UserID │

│ FROM datasets.hits_v1 │

│ WHERE UserID = "8585742290196126178" │

│ GROUP BY UserID │

└──────────────────────────────────────┘

4 rows in set. Elapsed: 0.003 sec.

-- 子查询也支持谓词下推

:) EXPLAIN SYNTAX

:-] SELECT *

:-] FROM (SELECT UserID FROM datasets.visits_v1)

:-] WHERE UserID = "8585742290196126178";

EXPLAIN SYNTAX

SELECT *

FROM

(

SELECT UserID

FROM datasets.visits_v1

)

WHERE UserID = "8585742290196126178"

Query id: a70da9af-c8c1-4787-a536-e1794fcef33d

┌─explain──────────────────────────────────┐

│ SELECT UserID │

│ FROM │

│ ( │

│ SELECT UserID │

│ FROM datasets.visits_v1 │

│ WHERE UserID = "8585742290196126178" │

│ ) │

│ WHERE UserID = "8585742290196126178" │

└──────────────────────────────────────────┘

8 rows in set. Elapsed: 0.006 sec.

-- 复杂例子

:) EXPLAIN SYNTAX

:-] SELECT *

:-] FROM (SELECT *

:-] FROM (SELECT UserID FROM datasets.visits_v1)

:-] UNION ALL

:-] SELECT *

:-] FROM (SELECT UserID FROM datasets.visits_v1))

:-] WHERE UserID = "8585742290196126178";

EXPLAIN SYNTAX

SELECT *

FROM

(

SELECT *

FROM

(

SELECT UserID

FROM datasets.visits_v1

)

UNION ALL

SELECT *

FROM

(

SELECT UserID

FROM datasets.visits_v1

)

)

WHERE UserID = "8585742290196126178"

Query id: 7b7ddf53-51b5-40d9-b079-ac65989479f2

┌─explain──────────────────────────────────────┐

│ SELECT UserID │

│ FROM │

│ ( │

│ SELECT UserID │

│ FROM │

│ ( │

│ SELECT UserID │

│ FROM datasets.visits_v1 │

│ WHERE UserID = "8585742290196126178" │

│ ) │

│ WHERE UserID = "8585742290196126178" │

│ UNION ALL │

│ SELECT UserID │

│ FROM │

│ ( │

│ SELECT UserID │

│ FROM datasets.visits_v1 │

│ WHERE UserID = "8585742290196126178" │

│ ) │

│ WHERE UserID = "8585742290196126178" │

│ ) │

│ WHERE UserID = "8585742290196126178" │

└──────────────────────────────────────────────┘

22 rows in set. Elapsed: 0.011 sec.

3.4 聚合计算外推

聚合函数内的计算会外推,例如:

:) EXPLAIN SYNTAX

:-] SELECT sum(UserID * 2)

:-] FROM datasets.visits_v1;

EXPLAIN SYNTAX

SELECT sum(UserID * 2)

FROM datasets.visits_v1

Query id: 205e2c27-8f38-41c3-8fe0-566ca9e0168d

┌─explain─────────────────┐

│ SELECT sum(UserID) * 2 │

│ FROM datasets.visits_v1 │

└─────────────────────────┘

2 rows in set. Elapsed: 0.004 sec.

3.5 聚合函数消除

如果对聚合键,即 group by key 使用 min、max、any 聚合函数,则将函数去除,例如:

:) EXPLAIN SYNTAX

:-] SELECT sum(UserID * 2), max(VisitID), max(UserID)

:-] FROM datasets.visits_v1

:-] GROUP BY UserID;

EXPLAIN SYNTAX

SELECT

sum(UserID * 2),

max(VisitID),

max(UserID)

FROM datasets.visits_v1

GROUP BY UserID

Query id: f8931130-1bde-4086-a947-4921b76a6ec4

┌─explain─────────────────┐

│ SELECT │

│ sum(UserID) * 2, │

│ max(VisitID), │

│ UserID │

│ FROM datasets.visits_v1 │

│ GROUP BY UserID │

└─────────────────────────┘

6 rows in set. Elapsed: 0.003 sec.

3.6 删除重复的 order by key

重复的排序键字段会被去重,例如:

:) EXPLAIN SYNTAX

:-] SELECT UserID, VisitID

:-] FROM datasets.visits_v1

:-] ORDER BY UserID ASC, UserID ASC, VisitID ASC, VisitID ASC;

EXPLAIN SYNTAX

SELECT

UserID,

VisitID

FROM datasets.visits_v1

ORDER BY

UserID ASC,

UserID ASC,

VisitID ASC,

VisitID ASC

Query id: 82b72116-610f-410e-a64a-3607ff784d0b

┌─explain─────────────────┐

│ SELECT │

│ UserID, │

│ VisitID │

│ FROM datasets.visits_v1 │

│ ORDER BY │

│ UserID ASC, │

│ VisitID ASC │

└─────────────────────────┘

7 rows in set. Elapsed: 0.003 sec.

注:重复的 group by key 不会被删除。

3.7 删除重复的 limit by key

重复声明的 limit by key 会被去重,例如:

:) EXPLAIN SYNTAX

:-] SELECT UserID, VisitID

:-] FROM datasets.visits_v1

:-] LIMIT 3 BY VisitID, VisitID

:-] LIMIT 10;

EXPLAIN SYNTAX

SELECT

UserID,

VisitID

FROM datasets.visits_v1

LIMIT 3 BY

VisitID,

VisitID

LIMIT 10

Query id: 23883608-f407-4d24-bff1-b1009567d262

┌─explain─────────────────┐

│ SELECT │

│ UserID, │

│ VisitID │

│ FROM datasets.visits_v1 │

│ LIMIT 3 BY VisitID │

│ LIMIT 10 │

└─────────────────────────┘

6 rows in set. Elapsed: 0.003 sec.

3.8 删除重复的 using key

重复的关联键字段会被去重,例如:

:) EXPLAIN SYNTAX

:-] SELECT a.UserID, a.UserID, b.VisitID, a.URL, b.UserID

:-] FROM datasets.hits_v1 AS a

:-] LEFT JOIN datasets.visits_v1 AS b USING (UserID, UserID);

EXPLAIN SYNTAX

SELECT

a.UserID,

a.UserID,

b.VisitID,

a.URL,

b.UserID

FROM datasets.hits_v1 AS a

LEFT JOIN datasets.visits_v1 AS b USING (UserID, UserID)

Query id: 1f1519f0-fa32-4520-ad6b-c762b310879e

┌─explain──────────────────────────────────────────────┐

│ SELECT │

│ UserID, │

│ UserID, │

│ VisitID, │

│ URL, │

│ b.UserID │

│ FROM datasets.hits_v1 AS a │

│ ALL LEFT JOIN datasets.visits_v1 AS b USING (UserID) │

└──────────────────────────────────────────────────────┘

8 rows in set. Elapsed: 0.008 sec.

3.9 标量替换

如果子查询只返回一行数据,在被引用的时候用标量替换,例如下面语句中的 total_disk_usage:

:) EXPLAIN SYNTAX

:-] WITH (SELECT sum(bytes) FROM system.parts WHERE active) AS total_disk_usage

:-] SELECT (sum(bytes) / total_disk_usage) * 100 AS table_disk_usage, table

:-] FROM system.parts

:-] GROUP BY table

:-] ORDER BY table_disk_usage DESC

:-] LIMIT 10;

EXPLAIN SYNTAX

WITH (

SELECT sum(bytes)

FROM system.parts

WHERE active

) AS total_disk_usage

SELECT

(sum(bytes) / total_disk_usage) * 100 AS table_disk_usage,

table

FROM system.parts

GROUP BY table

ORDER BY table_disk_usage DESC

LIMIT 10

Query id: b1f006ec-8aaf-4c68-8843-41cbe7e9cc5e

┌─explain─────────────────────────────────────────────────────────────────────────┐

│ WITH identity(_CAST(0, "Nullable(UInt64)")) AS total_disk_usage │

│ SELECT │

│ (sum(bytes_on_disk AS bytes) / total_disk_usage) * 100 AS table_disk_usage, │

│ table │

│ FROM system.parts │

│ GROUP BY table │

│ ORDER BY table_disk_usage DESC │

│ LIMIT 10 │

└─────────────────────────────────────────────────────────────────────────────────┘

8 rows in set. Elapsed: 0.004 sec.

3.10 三元运算优化

如果开启了optimize_if_chain_to_multiif参数,三元运算符会被替换成 multiIf 函数,例如:

:) EXPLAIN SYNTAX

:-] SELECT if(number = 1, "hello", if(number = 2, "world", "atguigu"))

:-] FROM numbers(10) SETTINGS optimize_if_chain_to_multiif = 1;

EXPLAIN SYNTAX

SELECT if(number = 1, "hello", if(number = 2, "world", "atguigu"))

FROM numbers(10)

SETTINGS optimize_if_chain_to_multiif = 1

Query id: 068adf60-9b81-4af8-9683-a880769ac49d

┌─explain─────────────────────────────────────────────────────────────┐

│ SELECT multiIf(number = 1, "hello", number = 2, "world", "atguigu") │

│ FROM numbers(10) │

│ SETTINGS optimize_if_chain_to_multiif = 1 │

└─────────────────────────────────────────────────────────────────────┘

3 rows in set. Elapsed: 0.002 sec.

4. 查询优化

4.1 单表查询

4.1.1 PREWHERE 替代 WHERE

PREWHERE 和 WHERE 语句的作用相同,用来过滤数据,不同之处在于 PREWHERE 只支持 *MergeTree 族系列引擎的表,首先会读取指定的列数据,来判断数据过滤,等待数据过滤之后再读取 SELECT 声明的列字段来补全其余属性。

当查询列明显多于筛选列时使用 PREWHERE 可十倍提升查询性能,PREWHERE 会自动优化执行过滤阶段的数据读取方式,降低 IO 操作。

在某些场合下,PREWHERE 语句比 WHERE 语句处理的数据量更少且性能更高。

-- 使用 where,默认自动优化 prewhere,需要关闭自动转 prewhere

SELECT WatchID,

JavaEnable,

Title,

GoodEvent,

EventTime,

EventDate,

CounterID,

ClientIP,

ClientIP6,

RegionID,

UserID,

CounterClass,

OS,

UserAgent,

URL,

Referer,

URLDomain,

RefererDomain,

Refresh,

IsRobot,

RefererCategories,

URLCategories,

URLRegions,

RefererRegions,

ResolutionWidth,

ResolutionHeight,

ResolutionDepth,

FlashMajor,

FlashMinor,

FlashMinor2

FROM datasets.hits_v1

WHERE UserID = "3198390223272470366" SETTINGS optimize_move_to_prewhere = 0;

-- 使用 prewhere

SELECT WatchID,

JavaEnable,

Title,

GoodEvent,

EventTime,

EventDate,

CounterID,

ClientIP,

ClientIP6,

RegionID,

UserID,

CounterClass,

OS,

UserAgent,

URL,

Referer,

URLDomain,

RefererDomain,

Refresh,

IsRobot,

RefererCategories,

URLCategories,

URLRegions,

RefererRegions,

ResolutionWidth,

ResolutionHeight,

ResolutionDepth,

FlashMajor,

FlashMinor,

FlashMinor2

FROM datasets.hits_v1

PREWHERE UserID = "3198390223272470366";

默认情况下,一般不会关闭 WHERE 自动优化 PREWHERE,但是某些场景即使开启自动优化也不会自动自动转换成 PREWHERE,需要手动指定 PREWHERE:

  • 使用常量表达式;
  • 使用默认值为 alias 类型的字段;
  • 包含了 arrayJOIN、globalIn、globalNotIn 或者 indexHInt 的查询;
  • select 查询的列字段和 where 的谓词相同;
  • 使用了主键字段;

4.1.2 数据采样

通过采样运算可极大提升数据分析的性能。

-- SAMPLE 采样,先采样再统计

SELECT Title, count(*) AS PageViews

FROM datasets.hits_v1 SAMPLE 0.1

WHERE CounterID = 57

GROUP BY Title

ORDER BY PageViews DESC

LIMIT 1000;

注:采样修饰符只有在 MergeTree engine 表中才有效,且在创建表时需要指定采样策略。

4.1.3 列裁剪与分区裁剪

数据量太大时避免使用 select * 操作,查询的性能会与查询的字段大小和数量成反比,查询的字段越少,消耗的 IO 资源越少,性能就会越高。

-- 反例

SELECT * FROM datasets.hits_v1;

-- 正例

SELECT WatchID,

JavaEnable,

Title,

GoodEvent,

EventTime,

EventDate,

CounterID,

ClientIP,

ClientIP6,

RegionID,

UserID,

CounterClass,

OS,

UserAgent,

URL,

Referer,

URLDomain,

RefererDomain,

Refresh,

IsRobot,

RefererCategories,

URLCategories,

URLRegions,

RefererRegions,

ResolutionWidth,

ResolutionHeight,

ResolutionDepth,

FlashMajor,

FlashMinor,

FlashMinor2

FROM datasets.hits_v1;

分区裁剪就是只读取需要的分区,在过滤条件中指定。

SELECT WatchID,

JavaEnable,

Title,

GoodEvent,

EventTime,

EventDate,

CounterID,

ClientIP,

ClientIP6,

RegionID,

UserID

FROM datasets.hits_v1

WHERE EventDate = "2014-03-23";

4.1.4 order by 结合 where、limit

千万以上数据集进行 order by 查询时需要搭配 where 条件和 limit 语句一起使用。

-- 正例

SELECT UserID, Age

FROM datasets.hits_v1

WHERE CounterID = 57

ORDER BY Age DESC

LIMIT 1000;

-- 反例

SELECT UserID, Age

FROM datasets.hits_v1

ORDER BY Age DESC;

4.1.5 避免构建虚拟列

如非必须,不要在结果集上构建虚拟列,虚拟列非常消耗资源浪费性能,可以考虑客户端进行处理,或者在表中构造实际字段进行额外存储。

-- 反例

SELECT Income, Age, Income / Age AS IncRate

FROM datasets.hits_v1;

-- 正例

SELECT Income, Age

FROM datasets.hits_v1;

4.1.6 uniqCombined 替代 distinct

性能可提升 10 倍以上,uniqCombined 底层采用类似 HyperLogLog 算法实现,为近似去重,可直接使用这种去重方式提升查询性能。Count(distinct) 会使用 uniqExact 精确去重。

不建议在千万级不同数据上执行 distinct 去重查询,改为近似去重 uniqCombined。

-- 反例

SELECT count(DISTINCT rand())

FROM datasets.hits_v1;

-- 正例

SELECT uniqCombined(rand())

FROM datasets.hits_v1;

4.1.7 使用物化视图

参考第 6 节。

4.1.8 其它注意事项

  1. 查询熔断

    为了避免因个别慢查询引起的服务雪崩问题,除了可以为单个查询设置超时以外,还可以配置周期熔断,在一个查询周期内,如果用户频繁进行慢查询操作超出规定阈值后将无法继续进行查询操作。

  2. 关闭虚拟内存

    物理内存和虚拟内存的数据交换,会导致查询变慢,资源允许的情况下关闭虚拟内存。

  3. 配置 join_use_nulls

    为每一个账户添加 join_use_nulls 配置,左表中的一条记录在右表中不存在,右表的相应字段会返回该字段相应数据类型的默认值,而不是标准 SQL 中的 NULL 值。

  4. 批量写入先排序

    批量写入数据时,必须控制每个批次的数据中涉及到的分区的数量,在写入之前最好对需要导入的数据进行排序。无序的数据或者涉及的分区太多,会导致 ClickHouse 无法及时对新导入的数据进行合并,从而影响查询性能。

  5. 关注 CPU

    CPU 一般在 50% 左右会出现查询波动,达到 70% 会出现大范围的查询超时,CPU 是最关键的指标,要非常关注。

4.2 多表关联

4.2.1 测试数据

-- 创建小表

CREATE TABLE IF NOT EXISTS datasets.visits_v2

ENGINE = CollapsingMergeTree(Sign) PARTITION BY toYYYYMM(StartDate) ORDER BY (CounterID, StartDate, intHash32(UserID), VisitID) SAMPLE BY intHash32(UserID) SETTINGS index_granularity = 8192 AS

SELECT *

FROM datasets.visits_v1

LIMIT 10000;

-- 创建空表用来保存 join 结果,避免控制台打印过慢

CREATE TABLE IF NOT EXISTS datasets.hits_v2

ENGINE = MergeTree() PARTITION BY toYYYYMM(EventDate) ORDER BY (CounterID, EventDate, intHash32(UserID)) SAMPLE BY intHash32(UserID) SETTINGS index_granularity = 8192 AS

SELECT *

FROM datasets.hits_v1

WHERE 1 = 0;

4.2.2 用 IN 代替 JOIN

当多表联查时,查询的数据仅从其中一张表出时,可考虑用 IN 操作而不是 JOIN。

-- 正例

INSERT INTO datasets.hits_v2

SELECT a.*

FROM datasets.hits_v1 a

WHERE a.CounterID IN (SELECT CounterID FROM datasets.visits_v1);

-- 反例

INSERT INTO datasets.hits_v2

SELECT a.*

FROM datasets.hits_v1 a

LEFT JOIN datasets.visits_v1 b ON a.CounterID = b.CounterID;

4.2.3 大小表 JOIN

多表 JOIN 时要满足小表在右的原则,右表关联时被加载到内存中与左表进行比较,ClickHouse 中无论是 LEFT JOIN、RIGHT JOIN 还是 INNER JOIN 永远都是拿着右表中的每一条记录到左表中查找该记录是否存在,所以右表必须是小表。

  1. 小表在右

    INSERT INTO datasets.hits_v2

    SELECT a.*

    FROM datasets.hits_v1 a

    LEFT JOIN datasets.visits_v2 b ON a.CounterID = b.CounterID;

  2. 大表在右

    INSERT INTO datasets.hits_v2

    SELECT a.*

    FROM datasets.visits_v2 b

    LEFT JOIN datasets.hits_v1 a ON a.CounterID = b.CounterID;

4.2.4 注意谓词下推(版本差异)

ClickHouse 在 JOIN 查询时不会主动发起谓词下推的操作,需要每个子查询提前完成过滤操作,需要注意的是,是否执行谓词下推,对性能影响差别很大(新版本已经不存在此问题,但是需要注意谓词位置的不同依然有性能的差异)。

-- having 左表

:) EXPLAIN SYNTAX

:-] SELECT a.UserID, b.VisitID

:-] FROM datasets.hits_v1 a

:-] LEFT JOIN datasets.visits_v2 b ON a.CounterID = b.CounterID

:-] HAVING a.EventDate = "2014-03-27";

EXPLAIN SYNTAX

SELECT

a.UserID,

b.VisitID

FROM datasets.hits_v1 AS a

LEFT JOIN datasets.visits_v2 AS b ON a.CounterID = b.CounterID

HAVING a.EventDate = "2014-03-27"

Query id: decc4c92-43cd-40fa-b741-6430e0f8a566

┌─explain──────────────────────────────────────────────────────────┐

│ SELECT │

│ UserID, │

│ VisitID │

│ FROM datasets.hits_v1 AS a │

│ ALL LEFT JOIN datasets.visits_v2 AS b ON CounterID = b.CounterID │

│ PREWHERE EventDate = "2014-03-27" │

└──────────────────────────────────────────────────────────────────┘

6 rows in set. Elapsed: 0.015 sec.

-- having 右表

:) EXPLAIN SYNTAX

:-] SELECT a.UserID, b.VisitID

:-] FROM datasets.hits_v1 a

:-] LEFT JOIN datasets.visits_v2 b ON a.CounterID = b.CounterID

:-] HAVING b.StartDate = "2014-03-27";

EXPLAIN SYNTAX

SELECT

a.UserID,

b.VisitID

FROM datasets.hits_v1 AS a

LEFT JOIN datasets.visits_v2 AS b ON a.CounterID = b.CounterID

HAVING b.StartDate = "2014-03-27"

Query id: 830fbbe2-b6ef-4036-bc49-6bc13af5b32d

┌─explain──────────────────────────────────────────────────────────┐

│ SELECT │

│ UserID, │

│ VisitID │

│ FROM datasets.hits_v1 AS a │

│ ALL LEFT JOIN datasets.visits_v2 AS b ON CounterID = b.CounterID │

│ WHERE StartDate = "2014-03-27" │

└──────────────────────────────────────────────────────────────────┘

6 rows in set. Elapsed: 0.005 sec.

-- 子查询 JOIN WHERE 不会自动优化

-- 正例

:) EXPLAIN SYNTAX

:-] SELECT a.UserID, b.VisitID

:-] FROM (SELECT UserID, CounterID FROM datasets.hits_v1 WHERE EventDate = "2014-03-27") AS a

:-] LEFT JOIN datasets.visits_v2 AS b ON a.CounterID = b.CounterID;

EXPLAIN SYNTAX

SELECT

a.UserID,

b.VisitID

FROM

(

SELECT

UserID,

CounterID

FROM datasets.hits_v1

WHERE EventDate = "2014-03-27"

) AS a

LEFT JOIN datasets.visits_v2 AS b ON a.CounterID = b.CounterID

Query id: a8642ba3-a680-42aa-832b-8f8c30d4b808

┌─explain──────────────────────────────────────────────────────────┐

│ SELECT │

│ UserID, │

│ VisitID │

│ FROM │

│ ( │

│ SELECT │

│ UserID, │

│ CounterID │

│ FROM datasets.hits_v1 │

│ PREWHERE EventDate = "2014-03-27" │

│ ) AS a │

│ ALL LEFT JOIN datasets.visits_v2 AS b ON CounterID = b.CounterID │

└──────────────────────────────────────────────────────────────────┘

12 rows in set. Elapsed: 0.013 sec.

-- 反例

:) EXPLAIN SYNTAX

:-] SELECT a.UserID, b.VisitID

:-] FROM datasets.hits_v1 AS a

:-] LEFT JOIN datasets.visits_v2 AS b ON a.CounterID = b.CounterID

:-] WHERE a.EventDate = "2014-03-27";

EXPLAIN SYNTAX

SELECT

a.UserID,

b.VisitID

FROM datasets.hits_v1 AS a

LEFT JOIN datasets.visits_v2 AS b ON a.CounterID = b.CounterID

WHERE a.EventDate = "2014-03-27"

Query id: 17a68a1e-19eb-443d-bbf4-66f9442e00d5

┌─explain──────────────────────────────────────────────────────────┐

│ SELECT │

│ UserID, │

│ VisitID │

│ FROM datasets.hits_v1 AS a │

│ ALL LEFT JOIN datasets.visits_v2 AS b ON CounterID = b.CounterID │

│ PREWHERE EventDate = "2014-03-27" │

└──────────────────────────────────────────────────────────────────┘

6 rows in set. Elapsed: 0.015 sec.

4.2.5 分布式表使用 GLOBAL

两张分布式表上的 IN 和 JOIN 之前必须加上GLOBAL关键字,右表只会在接收查询请求的那个节点查询一次,并将其分发到其它节点上。如果不加 GLOBAL 关键字的话,每个节点都会单独发起一次对右表的查询,而右表又是分布式表,就导致右表一共会被查询 N2 次(N 是该分布式表的分片数量),这就是查询放大,会带来很大的开销。

4.2.6 使用字典表

将一些需要关联分析的业务创建成字典表进行 JOIN 操作,前提是字典表不宜太大,因为字典表会常驻内存

官方文档:Dictionaries | ClickHouse Documentation

4.2.7 提前过滤

通过增加逻辑过滤可以减少数据扫描,达到提高执行速度及降低内存消耗的目的。

5. 数据一致性(重点)

通过查询 ClickHouse 手册发现,即使对数据一致性支持最好的 MergeTree,也只是保证最终一致性。

ReplacingMergeTree 该引擎和 MergeTree 的不同之处在于它会删除排序键值相同的重复项。

数据的去重只会在数据合并期间进行,合并会在后台不定期执行,因此无法预先做出计划,有一些数据可能仍未被处理。尽管可以用OPTIMIZE语句发起计划外的合并,但不要依靠它,因为OPTIMIZE语句会引起对数据的大量读写。

因此,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。

在使用ReplacingMergeTreeSummingMergeTree这类表引擎的时候,会出现短暂数据不一致的情况。

在某些对一致性非常敏感的场景,通常有以下几种方案。

-- 准备测试数据,创建表

CREATE TABLE IF NOT EXISTS datasets.test_a

(

user_id UInt64 COMMENT "数据去重更新标识",

score String,

deleted UInt8 DEFAULT 0 COMMENT "自定义标记位",

create_time DateTime DEFAULT toDateTime(0) COMMENT "版本号字段"

) ENGINE = ReplacingMergeTree(create_time)

ORDER BY user_id;

-- 写入 1000w 测试数据

INSERT INTO datasets.test_a (user_id, score)

WITH (SELECT ["A", "B", "C", "D", "E", "F", "G"]) AS dict

SELECT number AS user_id, dict[number % 7 + 1] AS score

FROM numbers(10000000);

-- 修改前 50w 数据,修改 score 字段与 create_time 字段

INSERT INTO datasets.test_a (user_id, score, create_time)

WITH (SELECT ["AA", "BB", "CC", "DD", "EE", "FF", "GG"]) AS dict

SELECT number AS user_id, dict[number % 7 + 1] AS score, now() AS create_time

FROM numbers(500000);

-- 查询总数(1050w)

SELECT count()

FROM datasets.test_a;

5.1 手动 OPTIMIZE

在写入数据后,立刻执行OPTIMIZE强制触发新写入分区的合并动作。

OPTIMIZE TABLE datasets.test_a FINAL;

-- 语法

OPTIMIZE TABLE [db.]name [ON CLUSTER cluster] [PARTITION partition | PARTITION ID "partition_id"] [FINAL] [DEDUPLICATE [BY expression]]

5.2 通过 GROUP BY 去重

  1. 执行去重的查询

    SELECT user_id,

    argMax(score, create_time) AS score,

    argMax(deleted, create_time) AS deleted,

    max(create_time) AS ctime

    FROM datasets.test_a

    GROUP BY user_id

    HAVING deleted = 0;

    函数说明:

    • argMax(field1, field2):按照 field2 的最大值取 field1 的值。

    当更新数据时,会写入一行新的数据,例如上面的语句中,通过查询最大的 create_time 得到修改后的 score 字段值。

  2. 创建视图

    CREATE VIEW view_test_a AS

    SELECT user_id,

    argMax(score, create_time) AS score,

    argMax(deleted, create_time) AS deleted,

    max(create_time) AS ctime

    FROM datasets.test_a

    GROUP BY user_id

    HAVING deleted = 0;

  3. 插入重复数据

    -- 插入 user_id 重复数据

    INSERT INTO datasets.test_a (user_id, score, create_time)

    VALUES (0, "AAAA", now());

    -- 通过视图查询

    SELECT *

    FROM view_test_a

    WHERE user_id = 0;

  4. 删除数据

    -- 删除数据

    INSERT INTO datasets.test_a (user_id, score, deleted, create_time)

    VALUES (0, "AAAA", 1, now());

    -- 通过视图查询

    SELECT *

    FROM datasets.view_test_a

    WHERE user_id = 0;

    这行数据并没有被真正的删除,而是被过滤掉了。在一些合适的场景下,可以结合表级别的 TTL 最终将物理数据删除。

5.3 通过 FINAL 查询

在查询语句后增加 FINAL 修饰符,这样在查询的过程中将会执行 Merge 的特殊逻辑(例如数据去重,预聚合等)。

但是该方法在早期版本基本没有人使用,因为在增加 FINAL 之后,我们的查询将会变成一个单线程的执行过程,查询速度非常慢。

在 20.5.2.7 版本中,FINAL 查询支持多线程执行,并且可以通过max_final_threads 参数控制单个查询的线程数。但是目前读取部分的动作依然是串行的。

FINAL 查询最终的性能和很多因素相关,列字段的大小、分区的数量等等都会影响到最终的查询时间,所以还要结合实际场景取舍。

参考链接:Parallel final by KochetovNicolai · Pull Request #10463 · ClickHouse/ClickHouse (github.com)

-- 普通语句执行计划

:) EXPLAIN PIPELINE

:-] SELECT *

:-] FROM datasets.visits_v1

:-] WHERE StartDate = "2014-03-17"

:-] LIMIT 100;

EXPLAIN PIPELINE

SELECT *

FROM datasets.visits_v1

WHERE StartDate = "2014-03-17"

LIMIT 100

Query id: 730be1e8-f678-4e30-9de2-3dc3d5c7f228

Connecting to database datasets at localhost:9000 as user default.

Connected to ClickHouse server version 21.9.2 revision 54449.

┌─explain─────────────────────────┐

│ (Expression) │

│ ExpressionTransform × 4 │

│ (SettingQuotaAndLimits) │

│ (Limit) │

│ Limit 4 → 4 │

│ (ReadFromMergeTree) │

│ MergeTreeThread × 4 0 → 1 │

└─────────────────────────────────┘

7 rows in set. Elapsed: 0.011 sec.

-- FINAL 查询执行计划

:) EXPLAIN PIPELINE

:-] SELECT *

:-] FROM datasets.visits_v1 FINAL

:-] WHERE StartDate = "2014-03-17"

:-] LIMIT 100;

EXPLAIN PIPELINE

SELECT *

FROM datasets.visits_v1

FINAL

WHERE StartDate = "2014-03-17"

LIMIT 100

Query id: a9bd1e44-23bd-45a3-ade7-4c1534c85f38

┌─explain──────────────────────────────────┐

│ (Expression) │

│ ExpressionTransform × 4 │

│ (Limit) │

│ Limit 4 → 4 │

│ (Filter) │

│ FilterTransform × 4 │

│ (SettingQuotaAndLimits) │

│ (ReadFromMergeTree) │

│ ExpressionTransform × 4 │

│ CollapsingSortedTransform × 4 │

│ Copy 1 → 4 │

│ AddingSelector │

│ ExpressionTransform │

│ MergeTreeInOrder 0 → 1 │

└──────────────────────────────────────────┘

14 rows in set. Elapsed: 0.022 sec.

从 CollapsingSortedTransform 这一步开始已经是多线程执行,但是读取部分还是串行执行。

6. 物化视图

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,可以是基础表中的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)。

6.1 概述

6.1.1 物化视图预普通视图的区别

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,对数据重新进行了重新组织,可以理解物化视图是完全的一张新表。

6.1.2 优缺点

优点:查询速度快

缺点: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、去核等分析,在物化视图里面是不好用的。在某些场景的使用也是有限的,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、存储增加等。

6.1.3 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,表明默认是.inner.物化视图名

CREATE MATERIALIZED VIEW [IF NOT EXISTS] [db.]table_name [ON CLUSTER] [TO[db.]name] [ENGINE = engine] [POPULATE] AS SELECT ...

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. 查询语句可以包含子句:DISTINCT、GROUP BY、ORDER BY、LIMIT…

6.2 案例实操

对于一些确定的数据模型,可将统计指标通过物化视图的方式进行构建,这样可避免查询时重复计算的过程,物化视图会在有新数据插入时进行更新。

6.2.1 准备测试数据

-- 建表

CREATE TABLE IF NOT EXISTS datasets.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;

-- 导入数据

INSERT INTO datasets.hits_test

SELECT EventDate, CounterID, UserID, URL, Income

FROM datasets.hits_v1

LIMIT 10000;

6.2.2 创建物化视图

CREATE MATERIALIZED VIEW datasets.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 datasets.hits_test

WHERE EventDate >= "2014-03-20"

GROUP BY UserID, EventDate;

6.2.3 导入增量入数据

-- 导入增量数据

INSERT INTO datasets.hits_test

SELECT EventDate, CounterID, UserID, URL, Income

FROM datasets.hits_v1

WHERE EventDate >= "2014-03-23"

LIMIT 10;

-- 查询物化视图

SELECT *

FROM datasets.hits_mv;

6.2.4 导入历史数据

-- 导入历史数据

INSERT INTO datasets.hits_mv

SELECT UserID, EventDate, count(URL) AS ClickCount, sum(Income) AS IncomeSum

FROM datasets.hits_test

WHERE EventDate = "2014-03-20"

GROUP BY UserID, EventDate;

-- 查询物化视图

SELECT *

FROM datasets.hits_mv;

7. MaterializeMySQL 引擎

7.1 概述

MySQL 的用户群体很大,为了能够增强数据的实时性,很多解决方案会利用 Binlog 将数据写入到 ClickHouse。为了能够监听 Binlog 事件,我们需要用到类似 Canal 这样的第三方中间件,这无疑增加了系统的复杂度。

ClickHouse 20.8.2.3 版本新增加了 MaterializeMySQL 的 Database 引擎,该 Database 能映射到 MySQL 中的某个 Database,并自动在 ClickHouse 中创建对应的 ReplacingMergeTree。ClickHouse 服务作为 MySQL 副本,读取 Binlog并执行 DDL 和 DML 请求,实现了基于 MySQL Binlog 机制的业务数据库实时同步功能。

7.1.1 特点

  1. MaterializeMySQL 同时支持全量和增量同步,在 Database 创建之初会全量同步 MySQL 中的表和数据,之后则会通过 Binlog 进行增量同步;
  2. MaterializeMySQL Database 为其所创建的每张 ReplacingMergeTree 自动增加了 _sign 和 _version 字段;

其中,_version 字段用作 ReplacingMergeTree 的版本参数,每当监听到 INSERT、UPDATE 和 DELETE 事件时,在 Database 内全局自增。而 _sign 字段则用于标记是否被删除,取值 1 或者 -1。

目前 MaterializeMySQL 支持如下几种 Binlog 事件:

  • MYSQL_WRITE_ROWS_EVENT:_sign = 1,_version++;
  • MYSQL_DELETE_ROWS_EVENT:_sign = -1,_version++;
  • MYSQL_UPDATE_ROWS_EVENT:新数据 _sign = 1;
  • MYSQL_QUERY_EVENT:支持 CREATE TABLE、DROP TABLE、RENAME TABLE 等;

7.1.2 使用细则

  1. DDL 查询

    MySQL DDL 查询被转换成相应的 ClickHouse DDL 查询(ALTER、CREATE、DROP、RENAME),如果 ClickHouse 不能解析某些 DDL 查询,该查询将被忽略。

  2. 数据复制

    MaterializeMySQL 不支持直接插入、删除和更新查询,而是将 DDL 语句进行相应转换:

    • MySQL INSERT 查询被转换为 INSERT with _sign = 1;
    • MySQL DELETE 查询被转换为 INSERT with _sign = -1;
    • MySQL UPDATE 查询被转换为 INSERT with _sign = 1 和 _sign = -1;

  3. SELECT 查询

    如果在 SELECT 查询中没有指定 _version,则使用 FINAL 修饰符,返回 _version 最大值对应的数据,即最新版本的数据。

    如果在 SELECT 查询中没有指定 _sign,则默认使用 WHERE _sign = 1,即返回未删除状态的数据。

  4. 索引转换

    ClickHouse 数据库表会自动将 MySQL 主键和索引子句转换为 ORDER BY 元组。

    ClickHouse 只有一个物理顺序,由 ORDER BY 子句决定,如果需要创建新的物理顺序,使用物化视图。

7.2 案例实操

7.2.1 配置 MySQL

  1. 开启 Binlog ,且格式必须为 ROW

    ClickHouse 同步 MySQL 基于 Binlog,因此必须开启 Binlog。

    编辑/etc/my.cnf文件,在 [mysqld] 内添加以下内容:

    # 开启 Binlog

    server-id = 1

    log-bin = mysql-bin

    binlog_format = ROW

  2. 开启 GTID 模式

    如果 ClickHouse 使用的是 20.8 之后发布的版本,那么 MySQL 还需要配置开启 GTID 模式,这种方式在 MySQL 主从模式下可以确保数据同步的一致性(主从切换时)。

    编辑/etc/my.cnf文件,在 [mysqld] 内添加以下内容:

    # 设置主从强一致性

    gtid-mode = on

    enforce-gtid-consistency = 1

    # 记录日志

    log-slave-updates = 1

    GTID 是 MySQL 复制增强版,从 MySQL 5.6 版本开始支持,目前已经是 MySQL 主流复制模式。它为每个 event 分配一个全局唯一 ID 和序号,我们可以不用关心 MySQL 集群主从拓扑结构,直接告知 MySQL 该 GTID 即可。

  3. 重启 MySQL

    $ sudo systemctl restart mysql

7.2.2 准备数据

CREATE TABLE IF NOT EXISTS teskck.`t_organization`

(

`id` INT(11) NOT NULL AUTO_INCREMENT,

`code` INT NOT NULL,

`name` TEXT DEFAULT NULL,

`updatetime` DATETIME DEFAULT NULL,

PRIMARY KEY (`id`),

UNIQUE KEY (`code`)

) ENGINE = InnoDB

DEFAULT CHARSET = utf8mb4;

INSERT INTO teskck.t_organization (code, name, updatetime)

VALUE (1000, "Realinsight", NOW());

INSERT INTO teskck.t_organization (code, name, updatetime)

VALUE (1001, "Realindex", NOW());

INSERT INTO teskck.t_organization (code, name, updatetime)

VALUE (1002, "EDT", NOW());

CREATE TABLE IF NOT EXISTS teskck.`t_user`

(

`id` INT(11) NOT NULL AUTO_INCREMENT,

`code` INT,

PRIMARY KEY (`id`)

) ENGINE = InnoDB

DEFAULT CHARSET = utf8mb4;

INSERT INTO teskck.t_user (code)

VALUES (1);

7.2.3 开启 ClickHouse 物化引擎

# 查看 MySQL 相关配置

SHOW SETTINGS ILIKE "%mysql%";

SET allow_experimental_database_materialized_mysql = 1;

7.2.4 创建复制管道

  1. ClickHouse 中创建 MaterializeMySQL 数据库;

    CREATE DATABASE IF NOT EXISTS test_binlog

    ENGINE = MaterializeMySQL("127.0.0.1:3306", "teskck", "username", "passwd");

    其中 4 个参数分别是 MySQL 地址、database、username 和 password。

  2. 查看 ClickHouse 的数据;

    SELECT *

    FROM test_binlog.t_organization;

    SELECT *

    FROM test_binlog.t_user;

7.2.5 修改数据

  1. 在 MySQL 中修改数据;

    UPDATE teskck.t_organization

    SET name = CONCAT(name, "-v1")

    WHERE id = 1;

  2. 查看 ClickHouse 日志,并查询 ClickHouse;

    SELECT *

    FROM test_binlog.t_organization;

7.2.6 删除数据

  1. 在 MySQL 中删除数据;

    DELETE

    FROM teskck.t_organization

    WHERE id = 2;

  2. 查看 ClickHouse 日志,并查询 ClickHouse;

    SELECT *

    FROM test_binlog.t_organization;

  3. 在上述查询中添加 _sign 和 _version 虚拟字段;

    SELECT *, _sign, _version

    FROM test_binlog.t_organization

    ORDER BY _sign DESC, _version DESC;

    在查询时,对于已经被删除的数据,_sign = -1,ClickHouse 会自动重写 SQL,将 _sign = -1 的数据过滤掉;对于修改的数据,则自动重写 SQL,为其增加 FINAL 修饰符。

    SELECT * FROM test_binlog.t_organization;

    # 等同于

    SELECT * FROM test_binlog.t_organization WHERE _sign = 1;

7.2.7 删除表

  1. 在 MySQL 中删除表;

    DROP TABLE teskck.t_user;

  2. ClickHouse 会同步删除对应表,如果查询则会报错;

    SHOW TABLES;

  3. MySQL 新建表,ClickHouse 会同步新建表;

    # MySQL 创建表

    CREATE TABLE IF NOT EXISTS teskck.`t_user`

    (

    `id` INT(11) NOT NULL AUTO_INCREMENT,

    `code` INT,

    PRIMARY KEY (`id`)

    ) ENGINE = InnoDB

    DEFAULT CHARSET = utf8mb4;

    INSERT INTO teskck.t_user (code)

    VALUES (1);

    # ClickHouse 查询

    SHOW TABLES;

8. 常见问题

8.1 分布式 DDL 某数据节点的副本不执行

问题:使用分布式 DDL 执行命令create table on cluster xxx某个节点上没有创建表,但是 client 返回正常,查看日志报错如下:

<Error> xxx.xxx: Retrying createReplica(), becauset some other replicas were creeated at the same time.

解决方法:重启该不执行的节点。

8.2 数据副本表和数据不一致

问题:由于某个数据节点副本异常,导致两数据副本表不一致,某个数据副本缺少表,需要将两个副本调整一致。

解决方法:在缺少表的数据节点上创建缺少的表,创建为本地表,表结构可以在其它数据副本通过show create table xxx获取。表结构创建后,ClickHouse 会自动从其它副本同步该表数据,验证数据量是否一致即可。

8.3 副本节点全量恢复

问题:某个数据副本异常无法启动,需要重新搭建副本。

解决方法:

  1. 清空异常副本节点的 metadata 和 data 目录;
  2. 从正常副本将 metadata 目录拷贝过来;
  3. 启动副本;

8.4 数据副本启动缺少 zookeeper 表

问题:某个数据副本表在 zookeeper 上丢失数据或者不存在,但是 metadata 元数据存在,导致启动异常报错:

Can"t get data for node /clickhouse/tables/01-02/xxx/xxx/replicas/xxx/metadata: node doesn"t exist (No node): Cannot attach table xxx.

解决方法:

  1. metadata 中移除该表的结构文件,如果多个表报错都移除,mv metadata/xxx/xxx.sql /tmp/
  2. 启动副本,手动创建出错的表,表结构从正常节点通过show create table xxx获取;

8.5 zookeeper table replicas 数据未删除导致重建表报错

问题:重建表过程中,先使用drop table xxx on cluster xxx删除 ClickHouse 的数据,但是 zookeeper 里面针对某个 ClickHouse 节点的 table meta 信息未被删除(低概率事件),因为 zookeeper 中仍存在该表的 meta 信息,导致再次创建该表create table xxx on cluster xxx无法创建,报错如下:

Replica /clickhouse/tables/01-03/xxx/xxx/replicas/xxx already exists.

解决方法:从其它副本节点拷贝该表的 metadata 到该节点,重启节点。

8.6 ClickHouse 节点意外关闭

问题:模拟某个节点意外宕机,在大量 INSERT 数据的情况下,关闭某个节点。

现象:数据写入不受影响、数据查询不受影响、建表 DDL 执行到异常节点会卡住,报错:

Code: 159. DB::Exception: Received from localhost:9000. DB::Exception: Watching task /clickhouse/task_gueue/ddl/query-0000565925 is executing longer than distributed_ddl_task_timeout (=180) seconds. There are 1 unfinished hosts (0 of them are currently active), they are going to execute the query in background.

解决方法:重启异常节点,期间其它副本写入数据会自动同步,其它副本建表 DDL 也会自动同步。

8.7 其它问题参考

常见问题排查 (aliyun.com)

以上是 ClickHouse高级 的全部内容, 来源链接: utcz.com/z/536575.html

回到顶部