[转帖]一文快速入门 ClickHouse

https://zhuanlan.zhihu.com/p/621480049

什么是clickhouse

ClickHouse是一种OLAP类型的列式数据库管理系统，这里有两个概念：OLAP、列式数据库。这两个概念会在接下来做介绍，ClickHouse完美的实现了OLAP和列式数据库的优势，因此在大数据量的分析处理应用中Clickhouse表现很优秀。

国内阿里云在全托管服务上使用ck、思科在流量分析上使用ck、虎牙在视频流的分析上使用ck、腾讯在通讯的日志记录上和大数据的数据处理上使用ck、喜马拉雅在音频共享上使用ck，还有更多的国内外厂商开始使用ck。

clickhouse在官方文档https://clickhouse.com/docs/en/intro/上有一些教程文档。

列式数据库

在传统的行式数据库中，数据在数据库中都会按行存储，常见的MySQL、Oracle、SQL Server等数据库都是行式数据库。行式数据库的存储方式如下

在列式数据库中，数据是以列进行存储的，列式数据库更适合于OLAP场景，常见的列式数据库有hbase、clickhouse、Vertica等。列式数据库的存储方式如下

不同的存储结构适用于不同的业务场景，列式数据库适合数据分析类型的场景，比如上面的例子中要统计成绩的中位数，在行数据库中，需要将四行数据都遍历出来，取出成绩；而在列式数据库中，只需要将成绩这一列的数据取出来就可以进行分析计算。

列式数据库的优势如下；

1、针对分析类查询，通常只需要读取表的一小部分列。在列式数据库中你可以只读取你需要的数据。例如，如果只需要读取100列中的5列，这将帮助你最少减少20倍的I/O消耗。

2、由于数据总是打包成批量读取的，所以压缩是非常容易的。同时数据按列分别存储这也更容易压缩。这进一步降低了I/O的体积。

3、由于I/O的降低，这将帮助更多的数据被系统缓存。

OLAP和OATP

OLAP和OLTP是针对不同场景的两种数据库实现。有关OLAP和OLTP的介绍可以讲好几个小时，简单来讲： OLTP全称是On-line Transaction Processing，是一种联机事务型数据库，典型的数据库就是关系型数据库，OLTP关注的是对业务数据的增删改查，面向用户的事务操作，追求效率的最优解。但是遇到需要对数据进行分析的场景，OLTP类型的数据库就不占优势了。

OLAP全称是On-Line Analytical Processing，是一种联机分析处理数据库，一般用于数据仓库或者大数据分析处理，这种类型的数据库在事务能力上很弱，但是在分析的场景下很强大。

OLAP型数据库有一些关键性的场景：

1、绝大多数是读请求

2、数据以相当大的批次(> 1000行)更新，而不是单行更新;或者根本没有更新。

3、已添加到数据库的数据不能修改。

4、对于读取，从数据库中提取相当多的行，但只提取列的一小部分。

5、宽表，即每个表包含着大量的列

6、查询相对较少(通常每台服务器每秒查询数百次或更少)

7、对于简单查询，允许延迟大约50毫秒

8、列中的数据相对较小：数字和短字符串(例如，每个URL 60个字节)

9、处理单个查询时需要高吞吐量(每台服务器每秒可达数十亿行)

10、事务不是必须的

11、对数据一致性要求低

12、每个查询有一个大表。除了他以外，其他的都很小。

13、查询结果明显小于源数据。换句话说，数据经过过滤或聚合，因此结果适合于单个服务器的RAM中

ClickHouse的特性

从官网中，我们可以整理出ClickHouse的特性，或者说ClickHouse的优点。

1、真正的列式数据库管理系统

2、优秀的数据压缩能力

3、数据的磁盘存储，降低设备预算

4、多核心并行处理，ClickHouse会使用服务器上一切可用的资源，从而以最自然的方式并行处理大型查询。

5、多服务器分布式处理

6、支持SQL，降低学习成本

7、向量引擎，数据不仅仅按列存储，同时还按向量(列的一部分)进行处理，这样可以更加高效地使用CPU。

8、实时的数据更新，数据可以持续不断地高效的写入到表中，并且写入的过程中不会存在任何加锁的行为。

9、索引，按照主键对数据进行排序，这将帮助ClickHouse在几十毫秒以内完成对数据特定值或范围的查找。

10、适合在线查询

11、支持近似计算

12、自适应的join算法，JOIN多个表，它更倾向于散列连接算法，如果有多个大表，则使用合并-连接算法。

13、支持数据复制和数据完整性

14、角色的访问控制。

ClickHouse的缺点在于：

1、没有完整的事务支持。

2、缺少高频率，低延迟的修改或删除已存在数据的能力。仅能用于批量删除或修改数据。

3、ClickHouse不适合通过检索单行的点查询。

ClickHouse对应用侧的支持

对于ClickHouse的使用，官方提供了命令行客户端、JDBC驱动、ODBC驱动、C++客户端。同时社区中还有很多第三方库可以使用，因此在应用上的会便利很多。

ClickHouse的数据类型

整型

整型类型包含有符号整数型和无符号整数型，整型的范围会跟在数据类型之后。有符号整型：

Int8 — \[-128 : 127]

Int16 — \[-32768 : 32767]

Int32 — \[-2147483648 : 2147483647]

Int64 — \[-9223372036854775808 : 9223372036854775807]

Int128 — \[-170141183460469231731687303715884105728 : 170141183460469231731687303715884105727]

Int256 — \[-57896044618658097711785492504343953926634992332820282019728792003956564819968 : 57896044618658097711785492504343953926634992332820282019728792003956564819967]

无符号整型：

UInt8 — \[0 : 255]

UInt16 — \[0 : 65535]

UInt32 — \[0 : 4294967295]

UInt64 — \[0 : 18446744073709551615]

UInt128 — \[0 : 340282366920938463463374607431768211455]

UInt256 — \[0 : 115792089237316195423570985008687907853269984665640564039457584007913129639935]

在ck中，也可以通过一些别名来代替整型

Int8 — TINYINT, BOOL, BOOLEAN, INT1.

Int16 — SMALLINT, INT2.

Int32 — INT, INT4, INTEGER.

Int64 — BIGINT.

字符串

字符串可以任意长度的。它可以包含任意的字节集，包含空字节，在定义时，通过关键字String定义类型为字符串。

浮点数

ClickHouse中浮点数有Float32和Float64两种，对应于C语言中的float和double。 ClickHouse在官网上建议尽可能以整数形式存储数据，对浮点数进行计算可能引起四舍五入的误差。

时间类型

ClickHouse通过Date32和DateTime64存储时间，Date32只存储年月日，支持1900-01-01到2299-12-31，插入数据时可传入'2100-01-01'的格式，也可传入单位为秒的时间戳。比如：

INSERT INTO test VALUES (4102444800, 1), ('2100-01-01', 2);

ClickHouse的增删改查

Database

创建数据库

数据库在ck中是用于存放表的目录，创建方式和传统的SQL语法一样

CREATE DATABASE [IF NOT EXISTS] db_name;

其中IF NOT EXISTS属于可选项，比如创建一个名为ck_test的数据库

CREATE database if not exists ck_test;

删除数据库

ck中使用drop删除指定的数据库，drop会删除数据库中的所有表，然后删除数据库本身

DROP DATABASE [IF EXISTS] db [ON CLUSTER cluster]

ON CLUSTER cluster表示是否删除所有集群下的数据库

Table

创建表

在ck中创建表的方式有很多，结构化语句建表是最常见的方式之一。

CREATE TABLE [IF NOT EXISTS] [db.]table_name [ON CLUSTER cluster]

(

    name1 [type1] [NULL|NOT NULL] [DEFAULT|MATERIALIZED|EPHEMERAL|ALIAS expr1] [compression_codec] [TTL expr1],

    name2 [type2] [NULL|NOT NULL] [DEFAULT|MATERIALIZED|EPHEMERAL|ALIAS expr2] [compression_codec] [TTL expr2],

    ...

) ENGINE = engine

在属性字段中：

第一个字段name表示属性的名称
第二个字段[type]表示数据的类型
第三个字段[NULL|NOT NULL]定义该字段允许或不允许为Nullable
第四个字段[DEFAULT|MATERIALIZED|EPHEMERAL|ALIAS expr1]表示该字段的默认值表达式，如果该字段为空，默认值为零（数字）、空字符串（字符串）、空数组（数组）等。其中最常用的是DEFAULT expr，比如Hits UInt32 DEFAULT 0。

DEFAULT expr

普通的默认值，如果INSERT中不包含指定的列，那么将通过表达式计算它的默认值并填充它。

MATERIALIZED expr

物化表达式，被该表达式指定的列不能包含在INSERT的列表中，因为它总是被计算出来的。对于INSERT而言，不需要考虑这些列。另外，在SELECT查询中如果包含星号，此列不会被用来替换星号，这是因为考虑到数据转储，在使用SELECT *查询出的结果总能够被’INSERT’回表。

ALIAS expr

别名。这样的列不会存储在表中。它的值不能够通过INSERT写入，同时使用SELECT查询星号时，这些列也不会被用来替换星号。但是它们可以显示的用于SELECT中，在这种情况下，在查询分析中别名将被替换。

第五个字段[compression_codec]定义字段的压缩方法，默认采用lz4压缩方法，可以通过下面的方式dt Date CODEC(ZSTD)指定压缩方法。
第六个字段[TTL expr1]代表值的存储时间，只能为 MergeTree 系列表指定。

通过ENGINE可以指定表所用到的引擎，比如最常用的MergeTree。通过PRIMARY KEY(expr1[, expr2,...])]可以定义表的主键。例子：

create table user

(

    id UInt32,

    name String,

    grade UInt32,

    address String

)

ENGINE = MergeTree

PRIMARY KEY(id)

ORDER BY id

除了结构化方式建表之外，ck还提供了更多创建表的方式从另一张表中创建表：

CREATE TABLE [IF NOT EXISTS] [db.]table_name AS [db2.]name2 [ENGINE = engine]

例子：

CREATE TABLE user2 AS user

通过select语句建表：

CREATE TABLE [IF NOT EXISTS] [db.]table_name[(name1 [type1], name2 [type2], ...)] ENGINE = engine AS SELECT ...

例子：

CREATE TABLE user3 ENGINE = MergeTree PRIMARY KEY(id)

AS select * from user;

修改表

ck中使用ALTER对表结构进行修改

ALTER TABLE [db].name [ON CLUSTER cluster] ADD|DROP|RENAME|CLEAR|COMMENT|{MODIFY|ALTER}|MATERIALIZE COLUMN ...

例子：

ALTER table user add column sex String;

删除表

使用drop命令删除表

DROP [TEMPORARY] TABLE [IF EXISTS] [db.]name [ON CLUSTER cluster]

例子：

drop table user3

基本查询语法

OLAP型数据库的一种特性是数据以相当大的批次(> 1000行)更新，而不是单行更新;或者根本没有更新；绝大多数是读请求。因此查询操作是ck最主要的应用。 ck中的查询方法和使用MySQL基本一致，ck支持用 SQL 语法查询执行各种操作。首先插入一些测试数据：

INSERT into user values(1,'张三',88,'hz','男'),(2,'李四',90,'hz','男'),(3,'王五',93,'nb','女')

查询所有的数据

select * from user

还可以对列名进行查询，比如查询所有列名中带a的数据

select columns('a') from user

按地区进行聚合，统计每个地区的平均分

select address,AVG(grade) from user group by address

image.png

更多的SQL语法操作看https://clickhouse.com/docs/zh/